一种基于自适应特征重构的物理信息门控 Mamba 框架，用于实现准确且可解释的工具磨损监测

《JOURNAL OF MANUFACTURING SYSTEMS》：A physics-informed gated Mamba framework with adaptive feature reconstruction for accurate and interpretable tool wear monitoring

　　

•基于物理信息的门控Mamba框架能够实现与实际磨损模式一致的精确监测。•基于混合相关性的自适应特征重建能够抑制冗余并保留磨损相关信息。•通过可学习的代理分支，在无需显式经验磨损方程的情况下强制实现磨损率一致性。

## 引言

刀具磨损监测是智能制造的关键组成部分之一，对于确保工件质量、加工效率和操作安全至关重要[1]。传感器性能的提升及其广泛部署使得实时传感器分析成为刀具磨损监测（TWM）的主流方法[2][3]。

现有的基于传感器分析的TWM研究利用数据驱动方法取得了丰富的成果。然而，这些模型通常作为"黑箱"运行，缺乏物理可解释性，难以评估其监测结果的可靠性。为解决这些局限性，物理信息神经网络（PINNs）通过将先验领域知识和物理机制整合到神经网络架构中，提供了一种有前景的解决方案[4]。将物理方程或与退化相关的先验知识纳入模型训练可以提高监测结果的物理合理性和可解释性[5][6]。尽管这些方法显著提高了结果的可靠性，但仍存在以下局限性需要考虑：

(1) 现有的基于物理的模型通常建立在简化或理想化的磨损假设之上，通常仅适用于特定的铣削场景。当这些假设不满足时，模型可能出现拟合不良或误差积累；

(2) 尽管PINN模型通常因为使用多层感知机构建而较为轻量，但其浅层结构可能限制其捕获复杂刀具磨损退化趋势的能力；

(3) 基于PINN的方法面临的另一主要挑战是如何平衡多个损失项，例如数据拟合损失和物理一致性损失。

为解决现有物理信息TWM方法的局限性，本研究提出了一种具有自适应特征重建的物理信息门控Mamba（PIGM）框架。该框架将特征重建、磨损相关表征学习和磨损率一致性正则化整合到一个统一的监测架构中。具体而言，自适应特征重建机制（AFRM）使用基于相关性和温度控制的权重分配，重建从每个传感器通道提取的多域特征。在Mamba主干网络中引入门控机制来调节信息流并改善磨损相关特征依赖关系的建模。此外，物理一致性代理分支（PCSB）引入了可学习的磨损率一致性约束，同时基于不确定性的自适应加权策略平衡不同的训练目标。本研究的主要贡献总结如下：

(1) 通过将门控机制嵌入Mamba主干网络，PIGM改善了特征信息流的调节能力，增强了多传感器TWM中磨损相关依赖关系的表征；

(2) 为减少手工设计多域特征的冗余，AFRM使用皮尔逊-斯皮尔曼混合相关性和温度控制的竞争权重进行逐传感器特征重建；

(3) 通过物理一致性代理分支（PCSB）促进物理合理性，该分支学习重建特征、监测磨损和测量的离散磨损率之间的关系，而无需依赖显式的经验磨损方程。结合基于不确定性的自适应损失加权，该设计在训练过程中平衡了监测准确性和磨损率一致性。

本文其余部分组织如下：第2节回顾了TWM和基于Mamba模型的相关工作。第3节介绍了所提出的PIGM框架，包括自适应特征重建、门控Mamba块和损失函数构建。第4节详细描述了模型构建和训练过程，并通过与替代特征重建和选择策略的比较评估了AFRM。第5节展示了在PHM2010、CFRP和钛合金铣削数据集上的主要监测结果。第6节展示了涵盖消融研究、与强基线方法的比较、敏感性和鲁棒性评估、可解释性评估以及物理一致性验证的额外分析。最后，第7节总结了主要结论并讨论了未来工作。

## 片段摘录

### 刀具磨损监测

现有的TWM模型可分为三类：基于物理的模型、数据驱动模型和混合模型，如图1所示。

基于物理的模型通常使用方程来表示刀具退化；因此，估计的刀具磨损值具有明确的物理意义。例如，Zhang等人[7]提出了一种具有可调系数的广义磨损模型，将刀具寿命分为三个特征阶段，即磨合磨损、粘着磨损和磨粒磨损，基于

### Mamba块

Mamba块基于选择性状态空间模型（SSM）。它通过向结构化状态空间模型中引入选择机制并使用高效的并行扫描算法来捕获序列数据中的长程依赖关系[27][30]。标准Mamba块可表示如下：

给定输入序列$\{x_t\}_{t=1}^T \in \mathbb{R}^d$，模型通过一系列由状态空间方程定义的线性变换传播状态：

$$\frac{du_t}{dt} = Au_t + Bx_t, \quad v_t = Cu_t$$

其中$u_t$

### 实验验证

所提出的方法使用PHM2010、CFRP和TiA铣削数据集进行评估。实验过程主要包括信号预处理、多域特征提取和重建、模型训练和性能评估。所有实验均在一台配备AMD R9 7945HX CPU和NVIDIA GeForce RTX 4060 GPU的工作站上完成。模型使用Python 3.11和PyTorch 2.4.0实现。

### 结果分析

为验证所提出的TWM方法，图10展示了PIGM在PHM2010数据集三个测试子集上的全生命周期监测性能。红色虚线表示集成均值监测结果，绿色实线表示对应的测量磨损值。底部蓝色带表示绝对监测误差，粉色阴影区域表示95%置信区间。相对较窄的置信区间表明PIGM产生了一致的

### 进一步讨论

为进一步验证所提出框架的有效性和鲁棒性，在每个数据集的第一个测试子集上进行了额外实验，包括PHM2010数据集的C1、CFRP数据集的D1和TiA数据集的T1。这些子集用于消融分析、与近期时间序列回归模型的比较、敏感性和鲁棒性分析，以及可解释性和物理一致性评估。

## 结论

本研究开发了一种具有自适应特征重建的物理信息门控Mamba框架，用于多传感器刀具磨损监测。所提出的PIGM框架将训练集引导的特征重建、门控磨损相关依赖建模、磨损率一致性正则化和自适应损失加权整合到一个统一的监测架构中。与直接嵌入固定经验磨损方程的方法不同，PIGM通过可学习的PCSB引入退化知识，

### CRediT作者贡献声明

冯泽秦：写作—审阅与编辑，软件。陈智翔：写作—原稿撰写，验证，软件，方法论。张金：写作—审阅与编辑，资金获取。陶贵宝：写作—审阅与编辑，项目管理。李朵：资源，数据管理。曹华军：资源，项目管理，资金获取。

### 利益冲突声明

作者声明他们没有任何已知的竞争性经济利益或个人关系可能会影响本文所报道的工作。

### 致谢

本研究得到了中国博士后科学基金（编号2025M781351）和中国国家重点研发计划（编号2022YFB3206703和编号2023YFB3408405）的支持。作者感谢匿名审稿人的意见，这些意见帮助改进了本文。

陈智翔|张金|陶贵宝|冯泽秦|李朵|曹华军