基于神经CDE的多传感器融合框架，用于智能CNC加工系统中刀具磨损与表面完整性的连续时间预测

《JOURNAL OF INTELLIGENT MANUFACTURING》：Neural CDE-driven multi-sensor fusion framework for continuous-time prediction of tool wear and surface integrity in intelligent CNC machining systems

　　

摘要

在现代制造过程中，准确描述加工工具磨损的时间演变对于实现智能加工、预测性维护以及保证表面质量至关重要。现有研究广泛采用了多传感器监测技术，但大多数方法依赖于离散时间学习、手工设计的特征，或是对工具磨损和表面粗糙度进行单独预测，这限制了它们捕捉连续退化行为以及工具状态与表面完整性之间内在关联的能力。为克服这些局限，本研究提出了一种基于神经控制微分方程网络的退化动态层，用于多传感器运行信号分析，通过共享的潜在表示来建模加工工具磨损的时间演变。在数控车削过程中获得的切削力与加工参数，通过一种连续时间的潜在退化表示进行融合，该表示能够明确体现磨损的渐进过程以及表面粗糙度的变化情况。所提出的模型使用Python和PyTorch框架实现，并在航空航天技术研究院提供的公开数控车削数据集上进行了测试，该数据集涉及在不同切削条件下的AISI H13钢材料。实验结果表明，DDL–NCDE方法的均方根误差为2.89，R²值为0.971，其预测性能优于ANN、Attention-GRU和CNN–BiLSTM等现有先进模型，同时也优于内部实现的基准模型。共享的潜在退化状态还有助于提高模型的可解释性，能够揭示工具磨损进展与表面质量之间的耦合关系。这些研究结果证实，通过DDL–NCDE框架实现的连续时间多传感器学习显著提升了预测的准确性和稳健性，使其非常适合用于实时预测性维护和智能制造领域。

图形摘要