基于物理信息机器学习的1.4301钢薄壁圆柱车削颤振检测

《Journal of Manufacturing and Materials Processing》:Physics-Informed Machine Learning for Chatter Detection in Thin-Walled Cylinder Turning of 1.4301 Steel

【字体: 大 中 小 】 时间:2026年09月21日 来源:Journal of Manufacturing and Materials Processing 4.0

编辑推荐:

  在薄壁圆柱车削中,壁厚随每一加工道次而减小。这降低了工件刚度并改变了切削过程的稳定性极限。在本研究中,壁厚和轴向分段位置被确立为影响该几何构型中颤振发生的重要因素。据研究人员所知,此前尚无研究将这些几何特征用作机器学习输入。本研究的目的是提出一种用于1.430

  
在薄壁圆柱车削中,壁厚随每一加工道次而减小。这降低了工件刚度并改变了切削过程的稳定性极限。在本研究中,壁厚和轴向分段位置被确立为影响该几何构型中颤振发生的重要因素。据研究人员所知,此前尚无研究将这些几何特征用作机器学习输入。本研究的目的是提出一种用于1.4301奥氏体不锈钢薄壁圆柱车削颤振检测的物理信息框架。每个分段提取五个物理信息特征:合成力均方根(RMS resultant force)、峭度(kurtosis)、主导非谐波频率(dominant non-harmonic frequency)、归一化分段位置和壁厚。四种经典分类器——随机森林(Random Forest)、逻辑回归(Logistic Regression)、支持向量机(Support Vector Machine, SVM)和神经网络(Neural Network, NN)——在15个加工道次的135个分段上进行了评估。验证采用留一加工道交叉验证(Leave-One-Pass-Out, LOPO),即每次保留一个加工道的全部分段,以反映实际部署条件。随机森林和逻辑回归的召回率和准确率均超过95%,高于90%的安全阈值。进行了特征消融研究以衡量各个输入特征的重要性和影响;结果表明,使用几何特征时三种分类器均达到100%召回率。此外,采用LOPO、前向链(forward chaining)和固定划分(fixed split)三种验证方案来评估所开发模型的泛化能力。非树分类器将壁厚和RMS切削力列为强预测因子,而基于树的集成模型主要依赖RMS。结果表明,物理信息特征工程结合经典机器学习是薄壁圆柱车削颤振检测的一种有前景的方法。
在薄壁圆柱车削加工中,工件刚度随材料去除而降低,导致切削过程稳定性极限发生偏移,颤振(chatter)成为影响加工质量和安全的关键问题。尽管已有研究指出壁厚和切削位置显著影响薄壁工件的振动特性,但现有颤振检测方法大多仅依赖力或振动信号,未将工件几何参数作为机器学习(machine learning, ML)模型的输入特征。此外,多数ML研究采用随机数据划分,忽略了加工道次间的时序相关性,造成时间数据泄漏和性能估计偏差。为此,研究人员提出了一种物理信息驱动的颤振检测框架,以1.4301奥氏体不锈钢薄壁圆柱为对象,将壁厚和轴向分段位置与切削力信号特征相结合,用于颤振分类。

研究人员开展了薄壁圆柱车削实验,使用Kistler 9257A测力计以1 kHz采样率采集15个加工道次的切削力分量(Fc、Fr、Ff),每道次按轴向等分为9个分段,共获得135个样本。通过非谐波峰值比和RMS比双准则结合人工核验进行颤振标注,其中31个分段被标记为颤振。提取五个物理信息特征:RMS合成力、峭度、主导非谐波频率、归一化分段位置和壁厚。采用留一加工道交叉验证(Leave-One-Pass-Out, LOPO)评估四种经典分类器:随机森林(Random Forest, RF)、逻辑回归(Logistic Regression, LR)、支持向量机(Support Vector Machine, SVM)和神经网络(Neural Network, NN),并进行了特征消融和三种验证方案对比。结果表明,RF和LR在LOPO下均达到97%召回率和96%准确率,超过90%安全阈值;仅使用几何特征时,三种分类器可达100%召回率;固定划分方案因厚度范围外推导致SVM召回率骤降至21.4%,而前向链验证显示模型在真实时序部署下具有较高召回率。特征重要性分析显示,非树模型将壁厚列为仅次于RMS的重要预测因子,而树模型主要依赖RMS。

该研究首次将壁厚和轴向分段位置作为ML输入特征用于薄壁圆柱车削颤振检测,通过LOPO验证避免了时间数据泄漏,证明了物理信息特征工程结合经典ML方法可在小样本条件下实现高精度颤振识别,为实际加工中的在线监测提供了可解释且稳健的解决方案。

**研究人员采用了哪些主要关键技术方法:**
(1)实验系统构建:在HAAS ST-20 Y数控车床上对1.4301不锈钢薄壁圆柱试件(外径40 mm,内径30 mm,初始壁厚5 mm)进行15道次干式车削,使用Kistler 9257A压电测力计和National Instruments Compact DAQ-9171以1 kHz采样率采集三向切削力信号。
(2)物理信息特征提取:每分段计算RMS合成力、峭度、经谐波掩蔽后的主导非谐波频率、归一化分段位置及壁厚五个特征,其中壁厚和位置反映了薄壁结构刚度的物理变化规律。
(3)双准则颤振标注:采用非谐波峰值比≥3.5且RMS比≥2.5的阈值组合自动标注,并结合目视检查和颤振痕迹进行人工校正。
(4)LOPO交叉验证:每个完整加工道作为一个验证折,模型在其余14个道次上训练,模拟预测未见加工道的实际部署场景。
(5)特征消融与重要性分析:通过七种特征配置对比各特征贡献,并采用权重幅值、置换重要性、系数绝对值等方法评估特征排序。
(6)多种验证方案对比:另采用前向链(Pass 1~k?1训练预测Pass k)和固定划分(Pass 1~10训练,Pass 11~15测试)评估外推和时序泛化能力。

**研究结果:**
**4.1 切削力分析**:从P1到P8,切削力随壁厚变薄逐渐增加但波动窄,属于稳定区域;P9在自由端首次出现颤振;P14和P15壁厚低于1.2 mm时振幅急剧增大,进入严重颤振区。
**4.2 刚度分析**:悬臂梁模型计算的刚度随分段从夹持端到自由端以及随道次增加而显著下降,壁厚和分段位置共同决定了刚度变化范围,验证了二者作为ML输入参数的物理基础。
**4.3 颤振检测**:双准则标注和人工核验确定31个颤振分段(23%),主要集中在P9之后的自由端附近,并随壁厚减薄向夹持端扩展;P15时全部分段均处于颤振状态,RMS比最高达19.2倍。
**4.4 模型训练与特征重要性**:NN训练损失与验证损失在epoch 173处分叉,显示过拟合起始点;NN中RMS与壁厚重要性几乎相等,分段位置第三。RF的OOB误差在30棵树后降至约0.02,特征重要性几乎完全由RMS主导。SVM学习曲线显示训练与验证F1差距最大,过拟合倾向明显;其特征重要性中壁厚仅次于RMS。LR训练与验证F1差距较窄,壁厚与RMS系数幅值接近,均为强预测因子。总体而言,非树模型(NN、SVM、LR)均将壁厚列为第二重要特征,而树模型(RF)几乎不依赖几何特征。
**4.5 目标与预测颤振对比**:四种模型的LOPO预测图均正确识别P1~P8稳定区、P9自由端颤振起始以及后续向夹持端扩展的空间结构,误差仅限于稳定/颤振过渡边界的少数分段,且以假阳性为主,属安全方向。
**4.6 性能评估**:混淆矩阵显示RF和LR各仅漏检1个颤振分段,NN和SVM各漏检2个;RF和LR的准确率均为96%,F1分别为92%和91%;四种模型在含颤振道次P9~P15的逐折召回率中,P13是所有分类器唯一未满分折,表明该分段力特征接近标注阈值。RF和LR召回率均为97%,NN和SVM均为94%,全部超过90%安全接受阈值。
**4.7 特征消融研究**:去除RMS(No RMS)后三种模型仍达90%召回率,NN保持93.5%,证明性能不依赖于参与标注的RMS特征;仅使用壁厚和分段位置(Geometry Only)时RF、LR、SVM均达100%召回率(但精度较低),表明几何特征本身足以识别颤振;用道次数替换壁厚(Swap)后召回率不变,但壁厚因物理可迁移性更适用作特征。
**4.8 验证方案比较**:固定划分将测试集置于训练厚度范围之外,导致SVM召回率崩溃至21.4%、RF降至82.1%,显示外推陷阱;前向链验证中RF、LR、NN在P10~P15上达90%~97%召回率,但SVM仅76.7%,且因P9之前无颤振样本,首次颤振无法提前预测;LOPO通过保持测试道次在训练厚度范围内,提供了更贴近实际部署且稳健的评估。

**讨论与结论:**
讨论部分指出,颤振起始于壁厚减薄至约2.4 mm后的自由端,与以往薄壁圆柱动力学研究结论一致,验证了几何特征作为ML输入的物理依据。特征重要性差异表明,非树模型能协同利用几何特征,而树模型倾向于依赖RMS,这使基于几何的模型在刀具磨损、材料变化等工况改变时可能更可靠。LOPO验证避免了时间数据泄漏,其强性能属于插值能力而非外推能力。特征消融和“No RMS”配置排除了标签-特征循环依赖的主要影响。研究还指出,与深度学习方法相比,经典ML在小数据集和可解释性方面具有优势,且LOPO提供了更保守的性能估计。局限包括单一材料和固定切削参数、有效独立样本量仅为15个加工道次、1 kHz采样率限制了对500 Hz以上颤振分量的观测、单刀片未测量磨损等。结论为:壁厚和分段位置是薄壁车削颤振检测的有效ML输入;LOPO-CV可提供更真实的评估并避免时序泄漏;经典ML结合物理信息特征可在小样本下达到强颤振检测性能;颤振首先出现在自由端并随壁厚减薄向夹持端扩展;多分类器性能的一致性表明分类信息主要来自物理信息特征。未来工作应在不同材料和厚度范围验证该框架,并采用多物理场仿真范式进一步强化物理解释。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号