在小样本条件下,基于频率感知和仿生学原理的跨领域工具磨损协同建模方法
《JOURNAL OF MANUFACTURING SYSTEMS》:Frequency-aware and bionic-aligned collaborative modeling for cross-domain tool wear monitoring under small-sample conditions
【字体:
大
中
小
】
时间:2025年12月22日
来源:JOURNAL OF MANUFACTURING SYSTEMS 14.2
编辑推荐:
彭叶珍|康伟民|胡启瑞|于凤文|周文红|姚新华|栾聪聪|胡松宇|傅建忠
中国浙江省杭州市浙江大学机械工程学院流体动力与机电系统国家重点实验室,邮编310027
**摘要**
在下一代智能制造系统中,工具磨损监测对于优化数控加工过程至关重要。然而,现有方法难以捕捉高频
彭叶珍|康伟民|胡启瑞|于凤文|周文红|姚新华|栾聪聪|胡松宇|傅建忠
中国浙江省杭州市浙江大学机械工程学院流体动力与机电系统国家重点实验室,邮编310027
**摘要**
在下一代智能制造系统中,工具磨损监测对于优化数控加工过程至关重要。然而,现有方法难以捕捉高频特征与磨损演变之间的动态关系。小样本训练以及标签在数据域中的不均匀分布加剧了特征迁移的偏差,限制了模型的泛化能力和适应性。为了解决这一问题,本文提出了一种基于频域感知和仿生对齐的协同建模方法,以减轻域偏移。首先,引入了一种平滑小波卷积特征提取方法,该方法通过Softplus平滑机制增强了对敏感频带的捕捉能力并稳定了梯度传播。通过比较两个域的特征激活分布,验证了该方法在初始特征提取阶段抑制域偏移的能力。受蝙蝠回声定位的启发,提出了一种注意力机制,该机制结合了能量引导、回声对齐和时频聚焦模块,以增强高频信号映射并减轻域偏移。通过增强指标和注意力焦点区域内的方差分布,验证了该方法在高频特征响应方面的有效性。此外,通过计算工作条件相似性、整合先验知识以及优化MMD损失函数,提高了双域特征对齐的可解释性。系统性的消融实验表明,所提出的方法平均RMSE、MAE和R2值分别为0.078、0.063和0.817,优于所有消融模型,平均降低了31.6%的RMSE和32.5%的MAE,并提高了42.7%的R2。该方法有效抑制了在小样本条件下的特征提取、映射和训练中的域偏差,为复杂多变工作环境下的智能制造提供了关键技术支持。
**引言**
在智能制造不断推进的背景下,计算机数控(CNC)加工技术正朝着高精度、高效率和高度灵活性的方向发展[1]、[2]。作为切削过程中的核心执行单元,工具的健康状态对加工质量、设备运行稳定性和安全性具有决定性影响[3]、[4]。工具磨损不仅是影响加工稳定性的关键因素,还是工件尺寸偏差[5]、表面缺陷[6]甚至工具断裂[7]等故障的直接原因。因此,构建高性能的工具磨损监测方法已成为推动制造系统智能进化的重要技术[8]、[9]。特别是在当前多品种、小批量和快速切换的制造环境中[10],具有工作条件适应能力的磨损监测模型已成为制造领域亟需突破的关键方向。
随着制造场景复杂性的增加,CNC加工过程中的工作条件表现出高度多样性和动态变化。切削参数[11]、材料属性[12]、冷却模式[13]和设备状态[14]等因素的频繁切换,使得同一监测模型在不同工作条件下的适应性成为严峻挑战。在实际应用中,很难为每种工作条件分配足够数量的标记样本[15],这导致针对单一工作条件或特定分布训练的模型在新环境中迁移时性能显著下降甚至失效。由于这种“域间差异”导致的模型退化已成为磨损监测系统广泛部署的主要障碍。因此,构建具有跨条件泛化能力的监测模型不仅是智能感知的内在需求,也是提高模型鲁棒性和实际工程场景适用性的核心目标。
为了解决不同工作条件下的特征分布差异问题,研究人员提出了多种跨域建模策略来增强监测模型的泛化能力。在特征层面,域泛化通过特征扰动或结构规则性提高了模型在未知域中的适应能力。李等人[16]提出了一种半监督多源元域泛化方法(SSM2DG),该方法通过模拟具有多注意力机制的域迁移强化训练策略,在没有目标域样本的情况下实现了特征层面的跨域泛化。侯等人[17]结合了多模态特征融合和基于磨损值的子域适应策略,构建了一个时空协同模型以减轻全局对齐中的信息损失。在模型层面,通过预训练-微调方法实现了对目标域样本的快速适应。张等人[18]基于多通道混合信息构建了残差网络,并通过少量样本的微调实现了变工作条件下的跨域适应。徐等人[19]提出了一种结合残差结构和注意力机制的图神经网络预训练模型,并结合了伪任务正则化方法,有效增强了小样本场景下的建模能力。郝等人[20]采用多阶段预训练和解耦微调策略,实现了任务和域之间的高效迁移和适应。在训练层面,域对抗方法借助域判别器[21]、[22]、[23]和特征对齐机制[24]、[25]、[26]减少了源域和目标域之间的特征差异。刘等人[21]和黄等人[22]分别引入了基于域对抗神经网络(DANN)和域对抗深度混淆网络(DADCN)的对抗训练机制。前者结合了梯度反转层和多种损失进行协同优化,后者通过混淆损失驱动特征提取器与判别器交互,共同引导模型学习域不变表示。董等人[24]结合了相关性对齐和深度时间特征提取,提高了跨域特征的一致性。尽管上述方法在不同层面上缓解了域偏差问题,但在样本有限和监督较弱的情况下仍面临泛化能力下降和特征对齐不平衡等瓶颈。
为此,学者们积极探索了信号处理和特征增强方法。多传感器数据的协同采集[27]、[28]、[29]、[30]以及多模态信息的融合[17]、[20]、[31]在一定程度上增强了数据维度的表示能力。康等人[30]构建了一个集成物理建模和数据驱动的多传感器监测框架,确保了工程的部署能力。郝等人[31]通过结合注意力机制的多模态信号特征建模,提高了复杂工作条件下的磨损趋势长期预测能力。在特征维度上,引入了多尺度卷积来捕捉不同频率和粒度的磨损特征,从而解决了单尺度建模导致的局部表示不足问题。彭等人[32]通过构建多尺度并行残差网络,确保了监测模型在非特定信号下的感知泛化能力。徐等人[33]将多尺度卷积与图建模机制相结合,增强了模型同时表征局部和结构信息的能力。马等人[34]引入了多尺度感知模块和模型融合机制,在条件切换场景中表现出更好的特征稳定性和鲁棒性。然而,这些方法通常忽略了高频响应特征与磨损演变之间的动态映射关系。此外,模型结构复杂且调优成本高,难以在监督较弱的情况下稳定适应。值得注意的是,小波卷积作为一种具有时频定位能力的结构[35]已被提出,并已被证明在跨设备轴承故障诊断中有效减轻了特征域偏差,为构建具有物理可解释性的跨域特征提取机制提供了新方向。
此外,注意力机制作为一种增强模型特征选择能力的重要手段,已广泛应用于智能制造中的状态识别和故障监测任务[36]。在工具磨损监测领域,研究人员尝试将注意力结构嵌入监测网络[37]、[38]、[39]、[40]、[41]中,以自适应地突出关键区域的特征响应,从而在一定程度上提高了特征提取的相关性和迁移的稳定性。例如,黄等人[37]结合了残差注意力模块和域对齐策略,实现了关键磨损区域的准确感知并提高了跨域迁移能力。王等人[38]引入了多层注意力机制,分层提取与磨损相关的可迁移特征,提高了跨域预测准确性。段等人[41]采用频域注意力放大了特征敏感区域的响应,从而提高了模型在小样本场景下的鲁棒性。然而,现有的注意力机制对高频振动信号的微妙变化响应不足,缺乏动态建模高频特征和磨损演变过程中频谱变化的能力。
总之,尽管现有研究探索了迁移策略、结构优化和注意力机制,在一定程度上缓解了工作条件下的特征偏差问题,但在实际场景中实现小样本和弱监督条件下的稳定泛化仍然具有挑战性。一方面,主流卷积结构在表达高频特征方面存在感知盲点,难以准确捕捉磨损演变过程中的敏感频带变化。另一方面,当前的注意力机制主要依赖于静态特征分布构建,缺乏对频域关键区域的动态聚焦能力,通常缺乏物理约束和时频一致性,使得在迁移过程中实现源域和目标域之间的有效对齐尤为困难。此外,如传统的最大均值差异(MMD)策略等域对齐方法主要基于全局分布匹配,未能有效利用操作条件之间的过程差异信息,在监督较弱的情况下容易发生匹配错误和模型退化。为了解决这些问题,需要优化特征增强、跨域感知和分布对齐三个层面,以构建更具物理意义和动态适应性的跨条件磨损监测机制。
本文提出了一种适用于小样本和弱监督条件的跨域工具磨损监测方法。通过构建具有高频感知、动态聚焦和显式对齐能力的协同机制,有效抑制了特征迁移中的偏差,并提高了模型在复杂场景中的泛化稳定性。本文的主要贡献体现在三个方面:首先,提出了一种基于平滑Morlet小波的卷积特征建模方法,该方法增强了模型在磨损演变过程中解析高频敏感特征的能力,并通过频域响应调制和梯度平滑机制稳定了梯度传播;其次,构建了一种受蝙蝠启发的注意力机制,该机制结合了能量引导、回声对齐和时频聚焦模块,实现了跨域场景中关键区域的动态感知和稳定对齐;此外,设计了一种结合工作条件先验信息的MMD对齐策略,实现了弱监督下的双域特征显式结构匹配,进一步提高了模型的迁移鲁棒性和对齐透明度。
本文的其余部分结构如下:第2节提出了一种基于频域感知和仿射对齐的协同建模方法,用于跨域工具磨损监测,包括自适应平滑小波感知、受蝙蝠启发的注意力机制和结合先验知识的MMD损失。第3节设计了一种稳态信号无监督提取方法和多权重损失调整机制,并基于NASA铣削实验评估了该方法的域泛化和对齐性能。第4节通过模块消融实验系统评估了每个模块对性能提升的贡献,并将几种主流跨域工具磨损监测方法进行比较,以验证该方法在多种工作条件下的泛化性能。最后,在第5节中得出了结论。
**第5节:结论**
**方法论**
为了解决在小样本和弱监督条件下跨案例工具磨损监测中特征表达有限、领域对齐困难以及可解释性不足的问题,本文提出了一种基于频域感知和仿生对齐的跨领域工具磨损监测协作建模方法。在工具磨损过程中,高频振动信号通常包含关键的状态变化特征,反映了工具与工件之间接触动态的强度。
**实验验证**
本节描述了NASA铣削数据集的实验方案,并提出了一种无监督的稳态信号提取策略,以有效消除非稳态干扰信号。接下来,设计了联合优化的损失函数和自适应加权机制,并描述了模型训练策略。最后,验证了自适应平滑小波卷积和受蝙蝠启发的注意力机制在监测模型中的应用优势。
**结果与讨论**
为了进一步验证所提出方法的有效性,本节进行了定量分析,重点关注模块组成和方法比较。首先,对小波感知模块、受蝙蝠启发的注意力机制和IMMD损失模块进行了消融实验,利用磨损识别曲线和误差分布分析了每个模块对提高识别准确性和模型稳定性的贡献。然后,对所提出的方法进行了评估。
**结论**
在CNC加工中,工具磨损监测面临高频特征建模不足、小样本训练有限以及跨领域分布偏差等问题,这使得模型的迁移泛化变得非常具有挑战性。本文提出了一种面向频域感知和仿生对齐的跨领域协作建模方法。通过使用自适应平滑小波在磨损过程中提取高频敏感特征,该方法有效提高了工具磨损的监测能力。
**作者贡献声明**
彭叶珍:概念化、方法论、软件开发、数据分析、形式化分析、验证、初稿撰写。
康伟民:数据分析、验证。
胡启瑞:验证。
余凤文:数据分析。
周文宏:数据分析。
姚新华:监督。
栾聪聪:监督。
胡松宇:资金筹集、项目管理、资源协调、监督、审稿与编辑。
**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究工作。
**致谢**
本工作得到了浙江省自然科学基金[LDT23E0501, LDT23E05011E05]、国家自然科学基金[项目编号52175440]、浙江省重点研发计划[2023C01167]以及中央高校基本科研业务费[项目编号226–2024–00229]的支持。
生物通微信公众号
生物通新浪微博
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