一种基于物理知识的混合模型，用于预测研磨力

《International Journal of Mechanical Sciences》：A physics-informed hybrid model for grinding force prediction

本文提出物理信息混合磨削力模型（PHGFM），通过重构磨轮表面形貌与动态磨损机制，结合运动学分析与概率分布模型改进未变形切屑厚度（UCT）计算，并嵌入物理约束的神经网络实现机理与数据协同优化，显著提升脆性材料磨削力预测精度。实验表明，在SiC陶瓷加工中，模型平均预测误差为6.76%（正常力）和7.28%（切向力），最小误差达3.35%和5.70%。

　　
该研究针对先进陶瓷材料加工中的核心挑战——高精度磨削力预测难题，提出了一种融合物理机理与数据驱动优化的混合建模方法。研究团队通过建立动态磨轮表面形貌重构模型与修正的未变形切屑厚度（UCT）计算框架，结合物理信息神经网络（PINN）与双注意力机制，显著提升了SiC陶瓷等脆性材料的磨削力预测精度。在实验验证环节，采用多参数组合测试构建了包含工作材料特性、磨轮参数、加工条件等关键变量的数据库，通过对比分析验证了所提出模型的有效性。

研究首先明确了传统模型的局限性：基于刚性磨粒假设的解析模型难以反映动态磨损过程，而纯数据驱动的神经网络存在可解释性不足的问题。为此，创新性地构建了"物理机理-数据驱动"协同优化框架，该框架包含三个核心模块：磨轮表面形貌动态重构技术、基于运动学分析的未变形切屑厚度修正模型，以及融合物理约束与数据特征的双注意力神经网络架构。

在磨轮表面形貌动态重构方面，研究突破了传统静态参数描述的局限。通过建立磨粒高度分布的概率模型，结合磨轮磨损过程中的几何形变特征，开发了实时更新的三维表面形貌重构算法。该算法特别考虑了磨粒磨损过程中接触区曲率半径的动态变化规律，实现了从初始磨粒分布到磨损后形貌的连续映射。实验数据表明，这种动态重构方法使磨粒有效高度预测误差降低至3.5%以下，显著优于传统统计分布模型。

未变形切屑厚度（UCT）的修正模型是研究的创新突破点。传统模型假设磨粒接触为刚性接触，而本研究通过运动学分析结合表面形貌的三维重建，实现了对实际接触面积的动态计算。具体而言，将磨轮与工件的相对运动轨迹分解为接触点的法向与切向位移分量，再结合重构的表面形貌数据，推导出考虑接触区几何参数变化的动态UCT计算公式。该修正模型成功解决了传统方法因忽略动态接触形变导致的累积误差问题，实验验证显示其预测精度较基准模型提升达28%。

在神经网络架构设计方面，研究团队提出双注意力机制嵌入的物理信息神经网络（PHGFM）。该网络创新性地将磨削力物理方程转化为可训练的损失函数，同时引入物理约束的显式表达。具体而言，在神经网络前向传播过程中，同步计算物理约束损失与数据拟合损失，通过双注意力机制动态调整两者权重。这种设计使得模型既能捕捉复杂的非线性映射关系，又能确保物理机理的准确表达。实验对比显示，PHGFM在训练数据量减少40%的情况下，仍能保持与基准模型相当的预测精度。

研究团队通过系统性实验验证了PHGFM模型的优越性。在SiC陶瓷磨削测试中，选取了包括磨轮粒度、进给速度、磨削深度等12个关键参数，构建了覆盖不同工况的测试数据库。实验结果表明，在正常磨削力（F_n）与切向磨削力（F_t）预测中，PHGFM的平均相对误差分别为6.76%和7.28%，显著优于传统物理模型（平均误差18.5%）与纯数据驱动模型（平均误差9.2%）。特别是在磨削深度超过5mm的深磨工况下，PHGFM的预测误差稳定在8%以内，而传统模型误差激增至25%以上。

研究还特别关注了磨轮磨损对加工精度的影响机制。通过高速摄像与力学测试相结合的方法，揭示了磨粒动态磨损过程中接触应力分布的演化规律。实验发现，当磨粒高度下降超过初始高度的15%时，接触应力分布会从均匀接触向局部应力集中转变，这一特征被成功纳入PHGFM的物理约束方程中。模型预测显示，在连续磨削5个工件后的磨损阶段，传统模型预测的F_n误差高达22%，而PHGFM仅增加3.8%的误差，有效解决了动态磨损条件下的预测偏差累积问题。

在工程应用层面，研究团队开发了面向实际生产的PHGFM优化系统。该系统集成了磨轮形貌重构算法、动态UCT计算模块与实时磨削力预测引擎，形成了完整的磨削过程数字孪生体系。通过将该系统应用于某航空制造企业的SiC陶瓷叶片加工产线，实现了磨削参数的在线优化。实践数据显示，应用PHGFM后，磨削过程稳定性提升37%，磨轮消耗降低22%，表面粗糙度CV值从12.5%优化至8.7%，达到国际先进水平。

该研究对先进制造领域具有三重理论突破：其一，建立了磨轮表面形貌与磨损过程的动态耦合模型，揭示了磨粒高度分布演变对磨削力的非线性影响机制；其二，创新性地将运动学分析与接触力学相结合，提出了考虑动态接触面积变化的未变形切屑厚度修正理论；其三，开发了面向复杂工况的PHGFM优化框架，为物理信息神经网络在精密制造中的应用提供了可复用的方法论。

在工程实践方面，研究提出的PHGFM模型展现出显著的应用价值。在某型号雷达基板加工中，通过该模型预测的磨削力数据指导了磨轮选型优化，使磨削效率提升19%，同时将磨轮消耗量降低31%。在超精密加工领域，该模型成功预测了纳米级表面粗糙度的形成机理，为开发亚微米级加工工艺提供了理论支撑。特别是在多材料复合加工场景中，PHGFM实现了对梯度材料中不同相变响应的精准预测，为复合材料的智能加工开辟了新路径。

研究团队还特别关注了模型的可扩展性与可移植性。通过建立模块化模型架构，PHGFM可实现从单轴磨削到五轴联动加工的平滑过渡。在测试了6种不同陶瓷材料后发现，模型通过调整物理约束参数即可适应新材料的加工特性，验证了其良好的跨材料泛化能力。此外，开发的开源代码库已获得工业界广泛采用，某汽车零部件制造商将其集成到智能磨削系统中，使批量生产的磨削力波动幅度降低至5%以内。

该研究的理论创新体现在三个方面：首先，构建了磨轮表面形貌动态重构与物理约束协同优化的理论框架，突破了传统静态建模的局限；其次，提出基于运动学分析的动态接触应力分布模型，解决了传统静态接触假设导致的预测偏差问题；最后，开发了双注意力机制驱动的PHGFM算法，实现了物理机理与数据特征的自适应融合。

在实验验证方面，研究团队构建了多维度测试平台。硬件层面，采用激光测距仪与高速摄像系统同步捕捉磨轮表面形貌与加工过程；软件层面，开发了基于PHGFM的数字孪生仿真系统，可实时预测磨削力并动态调整加工参数。通过对比实验发现，PHGFM在磨削深度、进给速度等参数变化剧烈工况下的预测稳定性显著优于传统模型，其误差波动范围控制在±4%以内，这为在线实时控制提供了可靠的理论基础。

研究的应用价值体现在工业场景的适应性改造中。针对航空航天领域的高性能碳化硅基板加工，通过PHGFM模型实现了磨削参数的智能优化，使加工效率提升28%，表面粗糙度RMS值达到0.25μm。在微纳加工领域，将模型参数缩小至微米级后，成功预测了纳米级切屑厚度的动态变化，为超精密加工提供了理论支撑。特别是在绿色制造方面，通过PHGFM模型优化磨削参数，使单位体积材料的磨耗量降低42%，有效推动了智能制造的可持续发展。

未来研究方向主要集中在三个方面：首先，探索多物理场耦合下的磨削过程建模，包括热-力-机耦合效应；其次，开发基于数字孪生的自适应磨削控制系统，实现从力预测到参数优化的闭环控制；最后，拓展PHGFM模型在非传统加工场景的应用，如激光辅助磨削、超声振动磨削等新型加工技术。研究团队已启动相关预研工作，计划在三年内完成多源数据融合的PHGFM 2.0版本开发，进一步提升模型在复杂工况下的预测精度和应用范围。