编辑推荐：
金字塔结构磨带磨损状态通过机制驱动的声学与力学信号融合框架实现高精度识别。采用堆叠集成学习整合多源信号特征，实验表明在TC4钛合金全生命周期磨损中，质量损失百分比可有效量化磨损程度，平均识别准确率达97.93%，跨参数条件下仍保持75%以上泛化能力。
刘英杰|邹莱|王文西|何洪亮|宋世杰
重庆大学先进设备机械传动国家重点实验室，中国重庆沙坪坝沙正街174号，400044
摘要
近年来，金字塔结构磨料带由于其出色的自锐化和散热能力，在复杂自由曲面的精密磨削中得到了广泛应用，例如飞机发动机叶片的边缘。然而，在使用过程中，磨料带的磨损状况会不断变化，这对加工质量产生累积性影响。目前，在复杂的工艺参数组合下，准确识别磨料带的磨损状态仍然具有挑战性。为了解决这一挑战，本研究开发了一种基于机制信息的声学-力融合框架，专门针对金字塔结构磨料带的磨损演变进行设计，并采用堆叠集成学习方法进行决策级整合。通过对TC4钛合金进行的全生命周期实验，确定质量损失百分比作为金字塔磨料带磨损的定量指标，并从声学和力信号中提取了对磨损敏感的统计特征。该模型在固定工艺参数下，对定义的八个磨损阶段的平均识别准确率为97.93%，超过了单一基础学习器和单一信号模型的性能。在涉及不同法向力和磨料带速度的跨工艺参数验证实验中，该模型在未知条件下的最低准确率仍超过75%，为泛化提供了一个保守的下限，并为新操作条件提供了初步参考和风险指示。此外，还采用了一种参数距离方法来分析工艺参数变化与模型准确率下降之间的定量关系。
引言
机器人带磨削结合了磨削和抛光功能[1]，[2]。这项技术在精密加工方面具有显著优势，这归功于其低热输入、高灵活性和强大的工艺适应性[3]，[4]。在磨料带中，金字塔结构磨料带的磨料颗粒以规则的堆叠配置排列，使其具有出色的散热和自锐化特性[5]，[6]。它们被广泛用于复杂曲面部件的精密加工，如航空发动机叶片的边缘[5]，[7]，[8]。尽管具有这些优势，磨料带在运行过程中仍会磨损，从而逐渐降低尺寸精度和表面完整性[7]，[9]，[10]。准确识别磨料带的磨损状况对于确保加工质量和推进智能制造能力至关重要[6]，[11]，[12]。
由于磨料颗粒的随机分布和磨削过程的复杂性，传统的基于分析模型的监测方法难以建立可靠的映射关系[13]。近年来，研究人员越来越多地转向基于工艺信号的条件识别方法，通过建立信号特征与磨损状态之间的相关性来识别磨料带的磨损状态[14]，[15]。现有方法可以根据信号来源分为两类：一类基于间接信号[6]，[16]，另一类基于直接信号[17]，[18]。直接信号主要包括从磨料带表面捕获的图像数据。例如，Oo等人[19]、Wan等人[5]和Tao等人[8]，[11]利用图像处理和机器学习技术（包括随机森林、U-Net和基于光反射的建模）来分析磨料带的表面形态，从而评估其磨损状态。尽管这些信号可以直观地表征磨料带的磨损状况，但其获取通常需要中断加工过程，并且容易受到光照和振动等环境因素的影响[16]。这些问题在一定程度上限制了这种方法在恶劣工业磨削环境中的实际应用。
间接信号主要包括工艺信号，如磨削力信号[20]、声学信号[21]，[22]和声发射信号[6]。这些信号可以在加工过程中直接获取，具有更大的实时识别潜力[12]。越来越多的研究人员专注于利用这些间接信号来识别磨料带的磨损状况。Chen等人[23]提取了声学信号特征，并将随机森林与多元线性回归相结合，在固定工艺参数下对磨料带的三种磨损状态进行了分类，准确率达到94.2%。本研究证实了声学信号与磨料颗粒磨损状态之间存在显著相关性。Zhang等人[24]进一步提出了一个基于高频声学特征的优化剪枝极值学习机（OP-ELM）模型，用于预测磨削能力因子，平均绝对百分比误差低于0.44%。Cheng等人[14]引入了一个深度卷积神经网络（DCNN），从声音信号中自动提取时频特征，实现端到端的磨料带磨损状态分类。Xu等人[6]进一步将声发射能量与磨料颗粒磨损高度相关联，以定量表征磨损进展。Liu等人[12]采用了一种贝叶斯优化的核极值学习机（BO-KELM），从声学信号中实现了十级磨损识别，具有高准确性和鲁棒性。然而，由于单一信号的固有物理限制，全面表征磨料带磨损的复杂演变仍然具有很大挑战性。
虽然单一传感通道提供的信息有限，但多信号融合策略作为一种有吸引力的替代方案应运而生，因为它提供了更全面的数据[25]，[26]。例如，Pandiyan等人[15]开发了一个混合框架，结合了遗传算法优化的支持向量机（GA-SVM）和基于阈值的方法，用于融合力、振动和声发射信号。Qi等人[20]构建了一个并行监测框架，整合了多种传感源，包括力、振动、声发射和声音。他们的系统采用了改进的卷积神经网络（CNN），结合马氏距离，能够在不同的操作条件下识别磨料带磨损。Cheng等人[21]探索了一种将声学和电信号相结合的贝叶斯网络方法。当工艺参数保持稳定时，该模型表现良好，但在磨削条件变化时，其准确率会下降。尽管来自互补数据的可靠性和准确性总体上有所提高，但这些融合方法仍然难以应对波动的工艺参数，常常导致识别性能显著下降[15]，[21]。
为了解决这些问题，本研究专注于金字塔结构磨料带的全生命周期磨损演变，并提出了一种基于机制信息的声学-力融合框架用于磨损状态识别，采用堆叠集成学习策略进行决策整合。在特征层，中高频声学描述符和力谱峰值特征被整合在一起，从微观尺度的切割机制和宏观尺度的接触行为两个角度提供磨损过程的互补表示。在决策层，引入了一种堆叠策略，构建了一个由异构基础学习器组成的集成系统，其中元分类器学习决策级融合，以利用在不同操作条件下的互补决策偏好和误差模式。通过这种方式，所提出的框架增强了对抗非平稳干扰（如金字塔磨料自锐化引起的波动）的鲁棒性，从而在整个服务寿命内实现可靠的磨损状态识别。为了系统地评估该方法的泛化能力，本研究选择了法向磨削力和磨料带线速度作为跨条件验证的主要变量参数，使用TC4钛合金作为难以加工的代表性材料。该方法在固定工艺参数下实现了高识别准确率，并在跨参数操作条件下表现出改进的泛化性能。
本文的其余部分组织如下：第2节介绍实验设置；第3节描述特征提取和融合；第4节介绍堆叠模型和性能评估；第5节分析在不同工艺参数下的模型泛化能力；第6节总结研究。
部分摘录
实验平台
实验在一个集成了同步声学-力信号采集系统的机器人柔性带磨削平台上进行（图1）。该平台包括三个子系统：机器人和力控制系统、带驱动和固定系统以及多模态信号采集系统。机器人系统由一个六自由度的工业机器人组成，配备有主动顺应装置，以确保磨削过程中的接触力稳定。带驱动和固定
时频分析
通过使用短时傅里叶变换，在时频域分析三个磨损阶段的磨削声学信号（fs = 102.4 kHz），如图5所示。此外，图5(a)中还包含了对应于早期、中期和最终磨损阶段的金字塔磨料带表面的代表性SEM图像，以说明磨料颗粒的物理退化情况。
堆叠集成学习模型
基于前一节获得的稳定和具有区分性的特征，采用了一种堆叠集成学习模型作为分层框架，以利用多个分类器的互补优势[38]。该模型基于结合多个异构基础学习器的思想，使每个学习器能够从融合的声学-力数据中提取互补的特征表示。然后通过元学习器整合它们的概率预测，以实现可靠的
在不同工艺参数下的实验设计
前一章在恒定加工参数下评估了所提出的磨料带磨损识别方法，证明了其准确识别磨损状态的能力并验证了其有效性。然而，在工业实践中，加工参数经常需要调整以适应不同的加工要求，这会显著影响磨削过程和监测信号的特性。因此，开发一个在高精度下保持稳定的监测模型是必要的
结论
本研究提出了一种基于机制信息的声学-力融合框架，用于识别金字塔结构磨料带的磨损状态。通过特征级融合和基于堆叠的决策级整合，改进了在不同工艺参数下的磨损状态识别。主要结论如下：
实验结果表明，质量损失百分比可以有效量化金字塔结构磨料带的磨损程度。声学和
CRediT作者贡献声明
刘英杰：写作——审阅与编辑，撰写——原始草稿，可视化，验证，软件，方法论，调查，数据管理。邹莱：写作——审阅与编辑，监督，资源管理，项目管理，资金获取，正式分析。王文西：写作——审阅与编辑，监督，资源管理，项目管理，资金获取，概念化。何洪亮：可视化，验证。宋世杰：软件，资金获取。
资助
本研究得到了国家自然科学基金（编号52475427）、重庆市自然科学基金（编号CSTB2024NSCQ-MSX0784）和重庆市研究生科学研究与创新基金（编号CYS19047）的支持。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
