基于深度学习的机制与信号驱动框架，用于铣削表面粗糙度的早期预测

《Mechanical Systems and Signal Processing》：Deep learning-based mechanism- and signal-driven framework for early prediction of milling surface roughness

提出基于物理模型与信号驱动的深度学习框架，通过整合工具运动轨迹、偏心修正和变形的物理模型与多源信号特征，构建IMSformer模型实现车削表面粗糙度的早期预测，并验证其在不同工况下的有效性和泛化能力。

　　

梁世顺|黄先振|王旭|赵成英|张永超|王玉平

东北大学机械工程与自动化学院，中国辽宁省沈阳市110819

摘要

作为智能加工系统的关键部分，表面粗糙度预测在提高加工效率和确保产品质量方面发挥着重要作用。然而，传统基于机制的物理模型的预测准确性受到理想化假设的限制，而数据驱动的方法过度依赖监测信号，这限制了它们捕捉未来加工信息的能力，并且缺乏模型可解释性。为了解决这些问题，本研究提出了一种基于深度学习的、结合机制和信号的框架，用于铣削表面粗糙度的早期预测。首先，通过综合考虑刀具的刚性运动轨迹、跳动和变形，建立了一个表面形态的物理模型。该物理模型生成的全局机制知识被嵌入到数据驱动的建模过程中。其次，在加工过程中同步监测多源信号，并从时间序列数据中提取初步的多域特征以支持后续建模。第三，构建了一个集成的机制和信号驱动的Transformer（IMSformer），包括深度机制知识挖掘模块、深度信号特征提取模块、机制-信号融合模块和回归预测模块。机制知识和信号特征共同作为IMSformer的输入，通过深度提取和融合高级表示来实现预测任务。使用来自加工中心的铣削数据，在相同和不同的条件下进行了实验验证，证明了所提出框架的优越性能。

引言

表面粗糙度是制造中的一个关键质量参数，直接影响产品的摩擦性能、疲劳寿命和服务可靠性[1]。尽管现代制造业广泛配备了高精度的CNC加工设备，但实际上生产中的质量评估仍然主要依赖于离线检测方法[2]。这种质量控制过程的滞后导致过程优化周期延长，并且难以实现质量追溯。特别是在基于接触的离线测量中，不仅效率低下，工件表面也可能受到损坏[3]。在这种情况下，在加工过程中实现表面粗糙度的准确预测对于提高产品合格率和降低质量控制成本具有重要的工程价值。

随着传感和信息技术的不断进步，数据驱动的方法逐渐成为表面粗糙度预测（SRP）的重要发展方向[4]。在过去的十年中，已经开发了许多创新技术来监测加工过程中的关键因素，如刀具磨损[5]和颤振状态[6]。SRP的建模过程与刀具磨损监测非常相似，通常包括以下三个关键步骤[7]：（1）获取传感器信号；（2）提取信号特征；（3）构建预测模型。

由于力和振动信号对切削条件变化敏感[8]、[9]、[10]，因此常被用作传感器信号。基于这些信号，许多机器学习（ML）算法已成功应用于SRP。赵等人[11]在铣削过程中收集力信号，基于支持向量机开发了一个SRP模型，并使用鸽子优化算法优化模型参数，从而实现了自学习能力。孔等人[12]提出了一种基于振动信号的贝叶斯线性回归方法，用于智能预测表面粗糙度，表现优异。在振动信号成功应用的基础上，姚等人[13]考虑了加工位置，使用信号幅度补偿和极端学习机算法进行了SRP研究。多传感器的联合使用有助于弥补单一信号的局限性，显著提高了SRP的准确性和可靠性。宋等人[4]提出了一种基于主成分分析和正交邻域保持投影的集成方法，融合了力和振动信号的提取特征，从而使用多核高斯过程自回归提高了SRP的准确性。刘等人[14]利用包括力信号、振动信号和切削参数在内的多源异构数据，基于贝叶斯分位数回归构建了一个SRP模型。此外，声音[3]、电流[15]和声发射[16]信号也被用于SRP研究。然而，ML模型通常具有浅层和简单的结构，导致特征提取的泛化能力不足，从而限制了预测准确性和泛化性能的提高。

深度学习（DL）具有出色的特征学习和预测能力，为SRP提供了新的工具[17]、[18]。例如，深度卷积神经网络（DCNN）表现出强大的局部特征提取能力[19]。胶囊网络（CapsNet）在空间特征提取方面具有独特优势[20]。双向长短期记忆（BiLSTM）擅长捕捉长期依赖性[21]。双向门控循环单元（BiGRU）以简单的架构实现了高效的时间特征提取[22]。目前，DL已经取代了传统的ML方法，提高了SRP的性能。王等人[23]开发了一种新型网络，结合了多尺度CNN、BiLSTM和自注意力机制，从动态电流信号中提取有效特征，并将其与静态过程数据融合，从而实现了具有优异泛化性能的SRP。林等人[24]将快速傅里叶变换-LSTM和CNN应用于监测的振动信号，实现了不同表面粗糙度范围内的高精度预测。王等人[25]提出了一种基于多域特征提取技术和CNN的深度学习框架，整合了热成像和多传感器数据，显著提高了SRP的准确性和鲁棒性。Zangane等人[26]采用信号处理技术预处理声发射信号，并在噪声条件下构建了深度卷积网络用于SRP。孙等人[27]提出了一种结合信号分解技术的细粒度特征融合网络，即使在铣削颤振期间也能实现准确的SRP。尽管基于DL的数据驱动方法在SRP领域取得了一些成功，但它们也存在一些固有的缺点，例如过度依赖监测信号数据以及缺乏可解释性，这阻碍了其在工程实践中的应用。因此，许多研究人员对表面粗糙度的物理模型表现出浓厚的兴趣。这些方法基于切削过程的机制，通过建模切削刃与工件坐标系之间的运动关系来生成3D表面地形图，从而预测加工后的表面粗糙度。苗等人[28]综合分析了刀具轨迹、刀具跳动和刀具-工件系统的振动，为周边铣削开发了一个表面地形模型，从而提高了SRP的准确性。王等人[29]研究了球头铣削中的表面粗糙度物理模型，全面考虑了刀具运动轨迹、跳动和变形等关键因素。然而，由于铣削过程的复杂性[30]，几乎不可能获得具有良好泛化能力的高保真物理模型。因此，物理模型在实际加工应用中往往难以有效应用。

近年来，将数据驱动方法与物理模型相结合的创新策略为克服上述限制带来了新的希望[31]、[32]。这种集成方法已经在刀具磨损监测中显示出显著的优势，这与本研究领域密切相关[33]、[34]。黄等人[35]分别使用基于机制的物理模型和多层感知器预测刀具磨损，然后应用粒子滤波融合结果，与使用单个模型相比获得了更准确的刀具磨损预测。王等人[36]基于监测的力信号建立了物理和数据域，并提出了一种物理-数据交叉融合策略，以充分利用输入和输出之间的隐含关系。在SRP领域，王等人[37]首先为球头铣削中的表面粗糙度建立了物理模型，然后结合振动和声音信号与神经网络进行二次建模。本研究填补了SRP集成方法应用的空白，并展示了将数据驱动方法与物理模型结合的巨大潜力。然而，尽管取得了一些进展，现有研究仍存在一些不足：（1）大量机制信息没有得到充分利用，因为物理知识依赖于从物理模型得出的单一预测值；（2）在全局机制知识和信号数据的有效特征提取和融合方面存在挑战；（3）训练集和测试集具有相同的加工条件，这限制了模型在不同加工条件下的泛化验证。

为了改进这些不足并进一步扩展集成方法，本文提出了一种基于深度学习的、结合机制和信号的框架，用于表面粗糙度的早期预测。本文的主要贡献如下：

• •
  为了解决机制信息利用不足的问题，开发了一个用于球头铣削表面地形的基于机制的物理模型，以生成全局机制知识，然后首次将其与传感器信号结合进行深度学习建模。
• •
  为了实现全局机制知识和信号数据的有效特征提取和融合，提出了一种集成的机制和信号驱动的Transformer（IMSformer），用于铣削表面粗糙度的早期预测。
• •
  所提出的框架可以在不同的加工条件下实现表面粗糙度的早期预测，这一点通过交叉验证得到了验证。

本文的其余部分组织如下。第2节详细介绍了用于铣削表面粗糙度早期预测的提出框架。第3节详细描述了实验，并分别在相同和不同的条件下验证了该框架的预测性能。最后，第4节总结了本文的结论。

部分摘录

提出的框架

本节介绍了所提出的基于深度学习的、结合机制和信号的框架，图1展示了详细的概述。首先，建立了一个基于机制的物理模型以生成全局机制知识。同时，在铣削过程中获得的多源信号上进行多域特征提取。接下来，构建了IMSformer以深入挖掘和有效整合机制知识和信号特征。

实验设置

为了评估所提出框架的预测性能，从VMC850Q加工中心在线收集了铣削力和振动信号。图4展示了切割过程中使用的关键组件、信号采集设备和表面粗糙度测量设备。所使用的铣刀是双刃球头铣刀，工件是45钢块。详细信息见表1。Kistler 9257B动态仪被夹在机床上

结论

为了在铣削过程中实现表面粗糙度的早期预测，本文开发了一种基于深度学习的、结合机制和信号的框架。本研究旨在通过结合机制知识并将其与多源信号有效整合来提高预测性能和模型可解释性。具体来说，首先建立了一个表面形态的物理模型，以提供包含未来信息的可解释全局机制知识

CRediT作者贡献声明

梁世顺：写作 – 审稿与编辑，撰写 – 原稿，方法论，数据管理，概念化。黄先振：写作 – 审稿与编辑，资金获取。王旭：验证，方法论。赵成英：监督，方法论。张永超：写作 – 审稿与编辑，监督。王玉平：验证，监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本项工作得到了国家自然科学基金[U23B2098, U22B2087]和中央高校基本科研业务费[2025GFZD32]的支持。