基于物理原理的高能电火花磨削在线智能放电状态识别：理论与方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Physics-informed online intelligent discharge state identification for high-energy electrical discharge milling: Theory and methods

　　摘要
高能电火花铣削技术为航空航天及其他高端制造领域中难以加工的材料的高效加工提供了巨大潜力。与传统电火花加工相比，高能电火花铣削具有更高的单脉冲能量、更显著的放电行为波动以及较低的工艺稳定性。为解决纯数据驱动模型在物理可解释性和跨条件泛化能力方面的不足，本文提出了一种基于物理原理的半监督学习框架，用于在线识别高能电火花铣削的放电状态。首先，开发了一种基于时间阈值的半自动标记方法，用于生成放电状态标签并提取关键的脉冲级物理信息；其次，基于高能单脉冲放电实验建立了估算等效等离子体通道半径的经验模型。随后，将估算得到的半径与实际单脉冲输入能量及等效短路导电性结合，构建了多层级物理监督框架——这三个参数分别表征热效应的空间尺度、热量输入强度以及与短路相关的导电行为。通过同时优化脉冲级分类损失和窗口级物理一致性损失，该框架使模型在利用放电相关物理量约束预测结果的同时，能够学习到具有区分度的特征。对比实验和消融实验表明，在新的加工条件下，该方法可实现99.17±0.75%的识别精度，同时提升了跨条件泛化能力和物理一致性。实时验证进一步证明了其在高能电火花铣削在线监测中的应用潜力，为未来该工艺的智能控制提供了理论和技术基础。

引言
高能电火花铣削是一种新型的高效率放电加工技术，它利用高能量密度的火花放电实现高效的材料去除。该技术在加工高温合金、钛合金及超高强度钢等难以加工的材料方面展现出巨大潜力[1][2]。然而，与传统电火花加工相比，高能电火花铣削具有更高的单脉冲能量、更强的瞬态热效应以及更明显的放电波动。在放电过程中，等离子体通道的形成与能量传递对电极间隙条件的变化以及加工参数的波动极为敏感，这些因素使得放电行为具有高度的随机性和非稳定性，从而显著影响加工精度和表面质量。因此，要在高能电火花铣削中实现高效率与高质量，就需要一种准确的在线放电状态识别方法，以实现实时监测并为智能控制提供依据。其中的核心挑战之一，就是在放电信号剧烈波动的情况下，建立一种具有物理可解释性和泛化能力的放电状态识别框架。

在机械零件制造过程中，对加工状态的识别与监控对于提升加工质量、保证工艺稳定性以及支持工艺优化和质量控制具有重要意义[3][4][5]。在高能电火花铣削过程中，不同的放电状态会在热量输入强度、等离子体通道的形成与空间尺度以及材料去除行为等方面存在显著差异。因此，准确实时地识别放电状态是实现高能电火花铣削智能控制的关键前提。目前，已有大量研究致力于电火花加工过程中的放电状态识别。早期的研究主要依赖于平均电压、击穿延迟及高频信号等特征，并采用传统的基于阈值的方法进行放电状态识别[6][7][8]。尽管这类方法原理简单且实施成本低，但其性能高度依赖于预定义的阈值和专家经验，通常仅适用于少数典型的放电状态，且其识别精度容易受到加工参数、操作条件及信号波动的影响。随着传感技术和人工智能的不断发展，基于多源信号的智能数据驱动识别方法逐渐被应用于电火花加工的放电状态识别领域[9]。这类方法通常以加工过程中采集的各种信号作为输入，包括电流和电压信号[10]、声发射信号[11]、射频信号[12][13]等，通过自动提取具有区分度的特征来识别相应的放电状态。张等人比较了多种循环神经网络在基于电流和电压信号的高速电火花加工中的脉冲分类性能，其中表现最佳的模型达到了97.85%的分类精度[10]。杨等人提出了基于声发射信号的批量相关性时序卷积神经网络，用于线切割加工中的放电状态预测，该方法计算成本较低且预测精度较高[11]。姚等人则提出了一种基于射频信号的微电火花加工智能放电状态检测方法，其宏观F1分数超过了94%[12]。在作者之前的研究中，他们开发了一种集成卷积神经网络与长短期记忆网络的混合神经网络，仅基于电流信号即可实现在线监测，整体准确率达到了98.68%[14]。尽管这些数据驱动方法在识别精度方面取得了显著进展，但将其应用于高能电火花铣削时仍面临诸多限制。首先，大多数数据驱动模型严重依赖大规模且高质量的标注数据集，而放电状态数据的获取与标注往往需要依靠专家经验，这一过程既耗时又昂贵。某些异常或过渡性放电状态的出现频率较低，进一步增加了样本收集的难度以及构建类别平衡数据集的困难。其次，这类模型通常表现为“黑箱”，物理可解释性较差[15]。第三，当放电状态识别模型被应用于新的高能电火花铣削机床或新的操作条件时，放电能量特性、放电信号分布以及电极间隙动态条件都可能发生显著变化。这种跨条件下的分布差异使得现有的识别模型难以直接应用于新的机床或操作条件，因此纯数据驱动模型在新条件下的泛化能力和稳健性往往较为有限。

为克服纯数据驱动模型的局限性，近期的研究开始将物理先验知识引入模型训练中。这类方法将物理原理或约束作为正则化项嵌入损失函数中，从而引导模型学习符合物理规律的映射关系，进而提升其精度、可解释性和稳健性[16][17][18]。与主要用于求解控制方程的经典物理引导神经网络不同，近期的物理引导学习方法越来越多地将物理一致性约束作为额外的损失项引入深度学习模型中。这一策略为利用物理知识指导数据驱动模型提供了有效途径，并已在多种工程应用中取得了良好效果。例如，孙等人提出了一种名为GuwNet的物理引导神经网络，该网络将超声导波检测中的物理知识融入模型训练中，与传统非物理引导方法相比，其平均量化误差降低了80%以上[19]。尹等人提出了一种基于物理引导的深度神经网络方法，用于提升车辆荷载作用下桥梁振动响应的损伤识别精度，并通过数值案例分析和现场试验验证了该方法的应用效果和实用性[20]。弗里曼等人则为海洋潮流涡轮机转子叶片不平衡问题开发了一种物理引导的故障检测框架，该框架将电力信号特征与环境条件数据结合到物理引导神经网络中，提升了故障检测的物理一致性[21]。在电火花加工领域，叶等人提出了一种基于物理引导的CNN-Transformer编码器混合网络，用于实时监测微电火花加工过程，在不同的加工条件下，该网络的精确度和召回率均超过了92%[22]。然而，针对高能电火花铣削的物理引导放电状态识别研究仍然相对不足。现有研究尚未建立起一种专门针对高能电火花铣削特性的物理引导识别方法——由于该工艺具有毫秒级的脉冲持续时间、高单脉冲能量以及强烈的瞬态波动，导致放电信号演化十分复杂。此外，如何从高能电火花铣削的放电信号中提取具有代表性的物理量，并将其转化为有效的物理监督约束，也尚未得到充分研究。

为填补这些研究空白，本文提出了一种基于物理原理的半监督学习框架，用于在线识别高能电火花铣削的放电状态。首先，开发了一种基于时间阈值的半自动放电状态标记及关键物理信息提取方法，该方法有助于高效构建小型标注数据集，并为构建物理监督量提供必要的中间信息。其次，基于单脉冲放电实验建立了用于估算高能条件下等效等离子体通道半径的经验模型。在此基础上，进一步利用实际单脉冲输入能量、等效等离子体通道半径以及等效短路导电性构建了多层级物理监督框架——这三个参数分别用于表征热量输入强度、热效应的空间尺度以及与短路相关的导电行为。通过同时优化脉冲级分类损失和窗口级物理一致性损失，该框架使模型能够在利用标注样本学习区分度特征的同时，借助未标注信号提升物理一致性和跨条件泛化能力。最后，通过分析物理监督量的特征、比较不同网络架构下的性能以及开展不同物理监督策略的消融实验，对所提出的方法进行了系统评估。实验结果表明，该方法能够提升识别性能、增强跨条件泛化能力，并提高物理一致性。此外，还在新开发的高能电火花铣削机床上进行了实时测试，进一步验证了该方法的实用性和实时性能，为其在未来高能电火花铣削工艺的智能控制中提供了理论和技术支撑。

章节节选

多层级物理监督框架的构建
在本研究中，基于实际单脉冲输入能量、等效等离子体通道半径以及等效短路导电性，构建了一个用于放电状态表征的多层级物理监督框架。随后，利用这些量值制定了相应的物理监督约束。在单个脉冲周期内，电流和电压共同决定了输入到放电间隙的实际能量。该能量会被传递至高能电火花铣削实验装置及信号采集系统中。

加工实验与信号采集
如图3所示，加工实验及信号采集是在一台新开发的高能电火花铣削机床上进行的。图3(a)为该机床的实物照片，图3(b)则为加工原理的示意图。实验系统主要由绝缘冲洗系统、高能脉冲电源、信号采集系统以及控制系统组成。在加工过程中，工件被固定在工作台上，而刀具则位于工件的对面。

半自动标记与多层级物理监督信息的构建
放电加工过程中的电流和电压信号是通过高能电火花铣削信号采集系统同步采集的。由于在高能电火花铣削过程中采集到的原始电流和电压信号极易受到高频噪声以及加工条件波动的影响，因此采用了巴特沃斯低通滤波器对原始信号进行去噪处理，同时保留放电波形的主要特征。之后，还对信号进行了归一化处理，以减少信号波动带来的影响。

单脉冲放电实验的结果与分析
基于单脉冲放电实验获得的放电信号及蚀坑形态，研究了有效的放电参数及其与等效等离子体通道半径之间的关系。图7展示了单脉冲放电蚀坑的形态学及截面特征。如图7(a)和图7(b)所示，该放电蚀坑在三维表面形态上大致呈轴对称结构。

实时性能验证与工程应用潜力
为验证所提出的基于物理原理的智能在线放电状态识别方法在高能电火花铣削中的实时处理能力，分别在1:1、2:1和3:1三种占空比条件下进行了加工实验，其余实验参数则与表1中所列的一致。虽然新的条件测试集中包含了4:1的占空比条件，但并未选择其在实时验证中使用。在相同的缓冲配置下……

结论
本研究提出了一种基于物理原理的在线智能放电状态识别方法，旨在克服传统数据驱动模型在标注成本高、跨条件泛化能力有限以及物理可解释性不足等方面的缺陷。通过将放电相关的物理知识转化为纳入网络训练中的物理监督约束，该方法实现了脉冲级分类损失与物理约束的联合优化。

CRediT作者贡献说明
卢浩翔：撰写——原始草稿、软件、方法论、数据整理、概念设计。刘永红：撰写——审阅与编辑、项目管理、资金获取。刘科佳：可视化、研究分析。杨子晨：可视化、验证。谢佩远：软件、数据整理。李刚：资金获取、形式化分析。张鹏欣：形式化分析。王祥：研究分析。边仁鹏：验证。吴新磊：资金获取。季仁杰：监督、资金支持 反利益冲突声明 作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢 本研究得到了中国国家自然科学基金（项目编号52405525）、中华人民共和国教育部创新团队装备预研合作基地（项目编号8091B042209）、山东省泰山学者计划（项目编号tsqn202507129）、山东省博士后创新项目（项目编号SDCX-ZG-202400192）以及中国山东省自然科学基金（项目编号ZR2025QC1089）的支持。卢浩祥|刘永红|刘科佳|杨子晨|谢佩远|李刚|张鹏欣|王祥|边仁鹏|吴新雷|季仁杰