《Journal of Manufacturing Processes》：Integration of physics-based models and machine learning approaches for tool wear prediction in machining
混合物理-数据模型（hybrid physics-data models）越来越多地用于车削和铣削中的刀具磨损预测，然而，跨研究比较和工业应用仍然受到目标、传感链、验证协议和部署假设的异构报告的限制。本综述综合了2020年至2025年间发表的122篇Web of Science研究，并贡献了：(i) 一个P0-P5分类法（taxonomy），包含一个纯数据基线（data-only baseline）和五个物理-数据集成模式（physics-data integration patterns）；(ii) 一个跨研究证据矩阵（cross-study evidence matrix），整合了性能范围、匹配协议基线增益和验证层级组成；(iii) 一个映射到架构、验证和干预边界的最小报告清单（minimum reporting checklist）。在51项具有可聚合匹配协议比较的研究中，相对于可审计基线的中位相对误差降低为44.3%。物理基础描述符（physically grounded descriptors）是最常见的模式，占语料库的39.3%，并显示出最高的中位增益60.5%，其次是机制状态和残差架构（mechanistic-state and residual architectures），占17.2%，中位增益59.8%。这些优势仍然是有条件的：数据集内划分占主导地位（59.0%）；显式分布外测试（explicit out-of-distribution testing）仅出现在31.1%的研究中；跨机器验证（cross-machine validation）则缺失。部署和可持续性证据的报告也很薄弱：在线子集中缺失漂移检测（drift detection），近一半的在线定位研究的时间特性描述不完整，而可持续性核算边界（sustainability accounting boundaries）仅在整个语料库的3.3%中完全声明。核心发现是架构成熟度已超过报告成熟度。所提出的分类法、证据矩阵和清单为解释混合模型声明以及将监测级结果转化为部署级证据提供了可重复的基础。
1. Introduction
引言部分指出，机械加工是航空航天、汽车和生物医学应用中的核心工艺，历史上依赖基于物理的模型和有限元分析（FEA）来模拟刀具磨损、切屑形成和温度场等。然而，这些模型计算成本高，且难以适应时变工况，限制了其在动态工业环境中的实时决策应用。与此同时，人工智能（AI）和机器学习（ML）已被用于从力、振动和声发射等传感器数据推断刀具磨损，但纯数据驱动模型可能忽略关键物理机制，导致在工况变化时可靠性下降。混合模型通过将物理知识集成到AI和ML管道中，结合了物理约束与数据自适应灵活性。该综述通过综合122篇文献，提出了一个分类法（P0-P5）、跨研究证据矩阵和最小报告清单，以比较和验证混合模型在车削和铣削中的刀具磨损预测。
2. Theoretical foundations of machining mechanics
2.1. Physics-based models
基于物理的模型通过力学、摩擦学和热机械原理表示加工过程，涵盖从解析和半经验关系到有限元分析（FEA）。经典公式如Taylor刀具寿命关系和Usui磨损定律提供了紧凑的机械基线，可用于趋势模型或约束。较高保真度的数值方案（如FEA）可解析局部应力、应变、温度和接触条件，并为学习管道提供仿真导出描述符。然而，预测性能取决于参数识别和边界条件的真实性，且仿真精度对构成参数和摩擦定律敏感。因此，报告精度应视为条件性的，取决于校准策略和假设的操作包络。表1总结了常用机械模型及其混合角色。
2.2. Factors governing tool wear
刀具磨损受工件材料状态、刀具基体涂层及几何形状、切削参数（速度、进给、切深）以及边界条件（润滑、冷却、热管理）影响。磨损机制包括磨粒磨损、粘结磨损、扩散和涂层剥落，且与具体配置相关。性能指标应视为这些决定因素的条件性结果，而非模型类的一般属性。表2和表3分别提供了磨损类型查询和操作包络决定因素，以支持一致编码。
3. Review methodology
3.1. Eligibility and selection criteria
文献检索在Web of Science（WoS）核心合集进行，时间范围为2020-2025年。通过六组主题块（S1-S6）定义，核心数据集为加工与AI交集（S7），并衍生出四个分支。最终经筛选后得到122篇研究。筛选标准包括：必须涉及金属切削（车削或铣削）、刀具状态或退化作为显式端点、使用AI或混合架构。排除非金属材料、混合工艺或非显式刀具状态推断的研究。
4. Technical landscape and problem formalization
4.1. Task targets, sensing, and observability
任务定义、监督水平和决策框架必须明确陈述，以使预测结果可比。语料库中，刀具状态推断占主导（89.3%），其中后刀面磨损（VB）是最常见目标（58.2%）。传感模态中，切削力（56.6%）和振动（54.9%）最常见，55.7%的研究融合两种或以上模态。报告差距包括：采样率和窗口长度仅28.7%的研究明确报告，超70%的研究至少缺失一项采集元素。
4.2. Failure modes under distribution shift
分布偏移下的四种失效模式：F1-工况敏感性，F2-配置敏感性，F3-评估泄漏，F4-数据经济性限制。F1表现为模型在工况变化时性能下降；F2源于刀具几何、夹具或机床动力学变化；F3源于训练与测试集共享操作点或相关轨迹段；F4受限于标签成本。混合建模作为注入可审计物理结构以增强鲁棒性的策略，被验证问题而非建模问题。
5. Synthesis of hybrid machining architectures
5.1. Integration patterns as a taxonomy
提出P0-P5分类法：P0为纯数据基线（13.1%），P1为基于损失函数的物理约束（8.2%），P2为机制状态或残差架构（17.2%），P3为仿真信息注入（6.6%），P4为物理引导预处理（15.6%），P5为物理基础描述符（39.3%）。表4总结了各模式的设计变量、报告要求和关联失效模式。
5.2. Formal structure of P1, constraint-based learning
P1将物理先验作为损失函数中的惩罚项，形式化为L(θ)=Ldata(θ)+λLphys(θ)+μR(θ)。关键设计变量是权重λ，影响数据拟合与机械一致性之间的权衡。物理信息神经网络（PINNs）是典型实例，但需报告λ选择、残差缩放和约束稳定性。
5.3. Formal structure of P2, mechanistic-state and residual architectures
P2将物理知识嵌入为机械模块、状态演化关系或残差分解结构。学习组件估计参数、潜在状态或围绕物理可解释部分的修正。主要风险是机械-残差可辨识性丧失，需报告机械模块、校准方法、残差定义和中间变量验证。
5.4. Formal structure of P3, simulation-informed learning
P3利用有限元分析（FEA）生成仿真导出描述符或先验，减少对全面实验的依赖。语料库中仅8项研究（6.6%）使用显式FEM。仿真输出应视为条件性先验，需报告校准、仿真-真实差距评估和不确定性处理。
5.5. Formal structure of P4, physics-guided preprocessing
P4在信号表示层面引入物理知识，通过变换、分解、频带选择等隔离磨损敏感动态。中心设计要求是表示稳定性，需报告变换规则、参数设置、选择标准和跨工况稳定性证据。
5.6. Formal structure of P5, physically grounded descriptors
P5通过工程变量（如切屑载荷、比能、力系数、温度指标）注入物理知识，是最常见的模式（39.3%）。限制性假设是描述符不变性，需报告定义、公式、单位、标定假设和噪声敏感性。
5.7. Emerging paradigms and adoption evidence
新兴范式包括迁移学习（7.4%）、少样本学习（4.9%）、领域自适应（3.3%）、元学习和自监督学习（各2.5%）。联邦学习在语料库中缺失。这些范式需报告源域和目标域、分布差异处理策略和评估协议。
6. Cross-study evidence matrix
6.1. Validation strategies and generalization scope
数据集内划分占主导（59.0%），跨刀具验证（15.6%）、跨工况验证（13.1%），跨机器验证为零。表5总结了验证策略、泛化目标和泄漏风险。验证强度层级分布：弱（32.8%）、中等（23.0%）、强（32.8%）、很强（1.6%）、不明确（9.8%）。
6.2. Evidence matrix, performance ranges, and baseline gains
表6显示了各模式的性能范围和匹配协议基线增益。P2和P5中位增益最高（59.8%和60.5%），P4（41.1%）、P1（35.7%）、P0（24.4%）。P3仅有一项研究报告数值增益（88.0%）。各模式内性能范围分散，表明模式本身不是预测精度的良好指标，操作包络和验证机制起主导作用。
6.3. Sim-real gap, uncertainty disclosure, and failure analysis
仿真-真实差距在40项相关研究中，仅11项定量报告，19项部分报告，10项未报告。不确定性处理集中在少数贝叶斯或概率方法（7.4%），仅一项研究报告数值置信水平。可解释性在37.7%的研究中提及，但与不确定性大多脱节。矛盾发现包括：在PHM 2010基准上表现良好，但在复杂曲面铣削中性能下降；RMSE值低于测量精度。
7. Industrial implementation: From digital shadows to digital twins
7.1. Deployment evidence and digital-twin maturity
数字孪生术语在10项研究中明确使用，但多数为数字阴影（单向耦合）。14项研究定位为在线执行，其中8项报告时序证据，漂移检测普遍缺失，硬件平台59.0%未报告。表8总结了14项在线研究的结构化部署特征。
7.2. Drift handling, verification, and uncertainty management in deployment
漂移检测仅6项研究（4.9%）实现，在线更新20项（16.4%）。特征漂移下，物理基础变量（如力系数）比聚合特征更鲁棒。部署级系统需漂移监控、异常检测和安全回退逻辑，但语料库中此类证据有限。
7.3. Sustainability-oriented decision support under auditable boundaries
可持续性框架在33项研究（27.0%）中出现，但核算边界完全声明仅4项（3.3%）。能源代理（24项）和流体指标（16项）常见，碳量化仅2项。混合建模通过刀具磨损和RUL推断影响可持续性，但需明确决策路径和边界。
8. Findings, reporting checklist, and conditions for hybrid integration
8.1. Principal findings
三个主要发现：混合化在方法学有效比较中带来可测量价值，但语料库以无法支持迁移的验证机制为主；部署证据结构性不足，部署雄心与准备度不对称；可持续性框架广泛但难以审计。核心发现是架构成熟度已超过报告成熟度。
8.2. Minimum reporting checklist
表9提供了20项最小报告清单，其中15项为必须（MUST），5项为条件性（CONDITIONAL）。清单映射到架构、验证和干预边界。当前采纳率低，如采样率报告仅28.7%，泄漏风险控制不足一半，部署证据仅8/14项完整。
8.3. Conditions for hybrid integration
混合模型在操作点覆盖稀疏、需要迁移至未测试工况、实验成本高或决策需物理可辩护时技术上合理。P5和P2提供最强增益信号，但需结合验证强度解释。未来研究需关注验证范围、部署证据和可持续性证据。
8.4. Scope and limitations
综述限定于金属车削和铣削，排除复合材料和陶瓷。证据依赖显式报告，可能低估实际实践。检索限于Web of Science，单一数据库，2020-2025年英文文献。
8.5. Conclusions
混合物理-数据建模已成为核心策略，但证据价值取决于物理假设、验证范围、基线比较和部署条件的报告精度。下一阶段应从封闭实验室内的监测精度转向迁移感知、部署感知和资源感知的证据。
