智能、可解释的铣削力预测：一种基于振动信号融合数据驱动和物理特征的方法

《CIRP Journal of Manufacturing Science and Technology》：Intelligent interpretable milling force prediction: A method based on vibration signals fusing data-driven and physical features

振动信号与物理特征融合的智能可解释性铣削力预测方法研究，提出HyDCFF-Net模型，通过双通道神经网络（ResNet与BiLSTM结合MHA机制）融合振动信号的高维数据驱动特征与物理时间频域特征，利用Captum框架实现特征贡献可视化，在两种复杂工况实验中验证模型预测精度R2＞0.98，并具备跨数据集泛化能力。

　　

侯文|朱彤|王家昌|张松

中国山东省济南市山东大学机械工程学院，教育部高效清洁机械制造重点实验室，邮编250061

摘要

为了解决铣削力预测在准确性和可解释性方面的局限性，本研究提出了HyDCFF-Net模型，该模型将物理时频特征与深度学习相结合，实现了可解释性。首先，使用滑动窗口处理振动信号，并开发了一个双通道神经网络来融合这些特征，建立了铣削力与特征之间的稳健非线性映射。其次，Captum框架通过可视化特征贡献提供了可解释性。最后，在多种条件下进行的广泛实验验证了其高预测准确性和强大的泛化能力，在主要测试中的R2得分超过0.98，并且在跨数据集测试中表现稳健，证明了其作为可靠铣削力监测解决方案的有效性。

引言

铣削力预测在机械加工领域具有重要的理论和实际意义。在实际加工过程中，铣削力的大小直接影响刀具磨损、加工表面质量和加工效率[1]。通过预测铣削力，可以合理选择切削速度、进给量和切削深度等参数，从而延长刀具寿命并提高加工质量和效率。此外，铣削力预测还为智能制造提供了基础，在智能制造中，实时监测和预测铣削力是实现自适应控制和故障诊断的重要环节，有助于提高生产过程的自动化和智能化[2]、[3]、[4]。总之，铣削力预测不仅是机械加工领域的重要研究方向，也是推动制造业技术进步的关键因素之一。

铣削力可以通过直接测量和间接预测获得，但直接测量铣削力通常需要昂贵的传感器和复杂的实验设备，而且测力计的尺寸无法满足加工大型工件的需求，这限制了其在实际生产中的应用[5]。因此，间接预测铣削力更符合实际需求。尽管多年来提出了多种方法，但在计算效率高、稳定且可解释的情况下准确预测铣削力仍然具有挑战性，尤其是在不同的加工条件和刀具磨损阶段。铣削力预测仍面临以下限制：

(1) 已有的铣削力预测模型难以在不同加工参数下保持一致的高精度预测，表明其泛化能力不足。

(2) 基于深度学习框架的铣削力预测的可解释性仍然有限。现有研究很少对结果进行可解释性分析，这严重阻碍了其在实际生产中的应用。

(3) 很少有研究考虑模型在不同刀具磨损状态下的预测稳定性和准确性，但这个问题不容忽视。

为了解决现有铣削力预测研究的不足，并提高模型的预测准确性和泛化能力，本文创新性地提出了一种基于振动信号的数据驱动和物理特征融合的智能可解释铣削力预测方法。本文的主要贡献如下：

(1) 提出了一种基于振动信号的数据驱动和物理特征融合的新方法。通过构建深度学习模型从振动信号数据中提取高维特征，并同时从振动信号中提取物理特征，将这两种特征融合起来，充分利用振动信号中的信息，从而提高模型的预测准确性和泛化能力，并提供更具物理意义的特征解释。

(2) 提出了一种结合残差网络（ResNet）和双向LSTM（BiLSTM）以及多头注意力（MHA）机制的双通道深度学习模型。该模型采用双通道结构，结合了ResNet在局部关键特征提取和BiLSTM在时间信息长期依赖性提取方面的优势。此外，MHA机制被嵌入到特征融合中，进一步增强了关键特征的整合。

(3) 该方法提供了一种低成本、方便、非侵入式且可解释的铣削力预测方法。该方法使用价格低廉、体积小、安装灵活的振动传感器作为数据源，对加工过程干扰最小。同时，通过分析积分路径上的梯度来估计每个输入特征对预测结果的贡献，从而确定哪些特征对模型的决策过程有显著影响。这为工业应用中的长期在线监测和决策提供了有力工具。

(4) 该方法已在两个铣削数据集上进行了验证，涵盖了不同刀具磨损阶段和各种加工参数的情景。结果表明其具有高效的预测能力，这些复杂情景下的验证结果为铣削力预测研究提供了有力参考。

(5) 通过跨数据集泛化测试严格验证了模型的稳健性和实际部署潜力。通过使用来自目标领域（不同机床和条件）的少量数据进行微调策略，模型展示了强大的适应性，实现了高预测精度。这验证了其泛化到未见加工环境的能力，并为工业应用提供了一种可行的低成本解决方案。

本文的其余部分组织如下：第2节介绍相关研究。第3节详细介绍了所提出的铣削力预测方法的具体内容和框架。第4节描述了用于模型验证的两个铣削实验的细节和数据处理方法。第5节展示了该方法在两个数据集上的实验结果，并对结果进行了分析和讨论。最后，第6节详细总结了结论。

相关研究

相关工作

作为机械加工领域长期的研究焦点，切削力预测的准确性和实时性显著影响加工质量、刀具寿命和机床性能。该领域的研究已经从经验公式和理论模型发展到数值模拟和神经网络数据驱动方法，逐渐形成了一个完整的理论和技术体系。

振动与铣削力之间的理论关系分析

铣削力是刀具接触工件时产生的动态力，它将直接影响机床系统并激发机械结构的振动，而振动信号本质上反映了铣削力对机床系统的动态激励效应。与使用电流信号[34]和应变信号[35]相比，振动信号的传播路径更短，消除了传动链和轴承等中间环节的影响

实验验证

为了验证本文提出的铣削力预测模型的有效性，本节使用了两个实验数据集进行模型验证。在第一个实验中，收集的数据集包括机床振动信号和铣削力信号，实验在固定参数下进行，因此第一个数据集主要用于初步验证模型使用振动信号预测铣削力的有效性。

结果与讨论

所提出的模型基于Pytorch框架构建，每个数据集按照8:2的比例划分为训练集和测试集。模型的训练和测试在配备Intel(R) Core(TM) i5-13500 CPU和NVIDIA GeForce RTX 4090 GPU的计算机上进行。

模型的超参数会极大地影响模型的训练效果，尤其是学习率（LR）。为了更好地训练模型

结论

本文提出了一种基于振动信号融合数据驱动和物理特征的铣削力预测方法，并在固定参数和可变参数设置下收集的实验数据集上进行了验证。主要研究结论如下：

(1) 使用数据驱动和物理特征融合进行预测具有较好的稳健性和高精度，相比仅使用振动信号进行预测具有优势

CRediT作者贡献声明

侯文：撰写——原始草稿、可视化、验证、软件、方法论、调查、概念化。王家昌：监督、资源提供、调查。朱彤：监督、资源提供。张松：撰写——审稿与编辑、监督、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本工作得到了青岛市科学技术计划（资助编号：24–1-2-qljh-10-gx）和山东省泰山学者项目（资助编号：ts201712002）的支持。