结合多核GPR与堆叠去噪自编码器的工具磨损预测

《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》:Tool wear prediction integrating multi-kernel GPR with stacked denoising autoencoder

【字体: 大 中 小 】 时间:2026年01月04日 来源:INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES 11.4

编辑推荐:

  王增辉|张超|周光辉|李坤|魏志杰|常丰天|赵丹中国陕西省西安市710049,西安交通大学机械工程学院摘要在智能制造中,可靠的刀具磨损预测对于提升产品质量和确保设备安全至关重要。传统方法在从监测数据中提取丰富特征、处理不平衡的磨损数据集,以及为高斯过程回归模型中的核函数选择提供理

  王增辉|张超|周光辉|李坤|魏志杰|常丰天|赵丹中国陕西省西安市710049,西安交通大学机械工程学院摘要在智能制造中,可靠的刀具磨损预测对于提升产品质量和确保设备安全至关重要。传统方法在从监测数据中提取丰富特征、处理不平衡的磨损数据集,以及为高斯过程回归模型中的核函数选择提供理论依据方面存在诸多困难。为解决这些问题,本研究提出了一种新的集成式刀具磨损预测框架,该框架将多核高斯过程回归与堆叠去噪自编码器相结合。具体而言,考虑到切削过程的复杂性和时间变性,该方法提取并融合了多领域信号特征,同时利用堆叠去噪自编码器进行深度特征学习,从而提升输入空间的表示能力。为进一步解决磨损数据不平衡的问题,并充分利用多种核函数的优势,本研究还采用了AdaBoosting策略构建了一个自适应集成预测框架。该集成框架能够有效捕捉筛选后特征与刀具磨损之间的非线性关系,同时降低噪声对置信区间的影响。实验结果表明,所提出的方法在预测精度上平均提升了30%以上,并能提供可靠的95%置信区间,从而在精度、不确定性量化以及在不同加工条件下的稳健性方面实现了良好平衡。该框架为在实际制造环境中实现可靠的刀具磨损预测提供了一种将深度学习与概率建模相结合的实用方法。引言本节介绍了研究的背景、相关工作以及研究动机。1.1节阐述了刀具磨损预测的背景及面临的关键挑战。1.2节从物理和数据角度回顾了相关研究。在此基础上,1.3节指出了主要的研究缺口,并明确了本研究的动机。本节介绍了智能制造背景下刀具磨损预测的背景。随着新一代信息技术和先进传感技术,如大数据、人工智能和数字孪生技术的快速发展,制造业正在从传统的自动化加工向智能制造转变[1,2]。这些前沿技术与传统制造工艺的融合极大地重塑了全球制造业格局,推动了智能制造理念的广泛应用,促进了先进装备制造的转型升级[[3], [4], [5]]。智能制造通过智能生产线实现了生产信息在各类制造设备间的无缝连接,这种集成方式有助于高效的信息采集、基于云端的存储以及资源共享,从而显著提升了制造业的数字化水平和生产效率[6,7]。特别是在智能数控设备领域,实时监测机床的损耗状况对于确保生产线的正常运行至关重要[8]。作为数控机床的“牙齿”,切削工具是在切削过程中直接与工件接触的最活跃部件,因此刀具磨损甚至断裂是不可避免的。刀具磨损是由于刀具与工件之间的摩擦力、剪切力和冲击力共同作用而产生的退化现象,同时还受到切削力、高温、机械摩擦以及化学反应等因素的影响。刀具磨损是影响零件质量、刀具使用寿命以及整体加工经济效益的关键因素[[9], [10], [11]]。通常,刀具磨损的发展过程分为三个阶段:初始磨损、正常磨损和严重磨损,如图1所示。在刀具磨损监测与预测任务中,初始磨损阶段和严重磨损阶段的相关数据往往较为稀少,这给模型训练和预测精度带来了挑战[1,12]。未能及时更换严重磨损的刀具会导致表面粗糙度下降、加工质量降低、机床刚性减弱,甚至引发严重的加工事故[13,14]。相反,过早更换刀具则可能中断生产连续性,增加加工现场的停机时间,大幅降低切削效率,并造成刀具浪费。统计数据显示,由刀具故障导致的机床停机时间占所有加工停机时间的7%–20%,而大约40%的加工质量问题可归因于刀具故障。此外,50%的刀具碰撞是由于机床无法预测刀具磨损造成的,超过70%的加工过程缺乏针对刀具状态的预测性维护[[15], [16], [17]]。因此,准确可靠的刀具磨损预测具有重要意义,它具有大幅提升加工性能和刀具使用寿命的巨大潜力。配备刀具磨损预测系统的数控机床在加工过程中取得了显著改进,例如机床停机时间减少了75%,机床利用率提升了至少50%,加工成本则降低了10%至40%[18,19]。这类系统不仅提升了机床的数字化水平并提高了刀具的使用效率,还降低了因刀具磨损导致的工件损坏和设备故障风险,因此受到了全球学术界和工业界的广泛关注[20,21]。目前,随着人工智能和工业大数据的快速发展和广泛应用,刀具磨损预测正在经历一场变革。基于先进传感技术[22,23]、信号处理技术[24,25]以及机器学习技术[[26], [27], [28]]的各种预测方法不断涌现,推动刀具磨损预测向智能化方向发展。然而,在实际的加工过程中,高速度、高温和高负荷等恶劣条件会对传感器的精度和稳定性带来极大挑战。此外,磨损数据分布的不平衡严重限制了传统数据驱动型预测方法的泛化能力。再加上噪声、切屑干扰以及其他不确定因素的存在,使得这些方法难以满足复杂多变加工场景的需求。上述讨论凸显了大数据、人工智能和数字孪生等先进技术在推动制造业向智能化系统发展中的作用,尤其是在数控加工的刀具磨损预测领域。尽管这些创新提升了实时监测能力和加工效率,但刀具磨损仍然是一个影响加工质量和成本效益的重大问题。数据稀少、磨损数据分布不平衡以及难以量化不确定性(如噪声)等问题依然存在。为解决刀具磨损监测系统中的这些局限,本研究提出了一种基于强大集成技术的刀具磨损预测方法,旨在提升智能加工环境中的预测精度和可靠性。本节首先回顾了关于加工过程中刀具磨损预测的现有文献,随后分析了当前的研究缺口及其背后的动机。近年来,围绕刀具磨损预测已经开展了大量研究,取得了许多重要且具有代表性的成果。这些研究可根据从刀具监测中获取的数据类型大致分为两类——直接方法和间接方法[1,29]。直接方法依靠光学或机器视觉设备直接测量切削刃的几何形状变化,如侧前磨损[30,31]、磨损面积[32,33]以及磨损体积[34,35]。这些指标可以从多个维度定量评估刀具的磨损和损伤情况,具有较高的测量精度。然而,直接方法极易受到切削液、照明条件以及切屑干扰等因素的影响,从而导致机床停机时间增加,难以满足在线智能监测的要求[36,37]。因此,间接方法逐渐成为主流的预测策略。这些方法又可进一步分为物理驱动型和数据驱动型。物理驱动型方法利用物理原理和数学公式来研究刀具磨损的复杂机制,从而建立可解释的刀具退化模型[38,39]。近几十年来,研究人员提出了许多基于物理原理的刀具磨损预测模型,包括基于切削力、切削功率和切削温度的模型,以及泰勒刀具寿命模型及其扩展版本[[40], [41], [42], [43]]。不过,刀具磨损的退化过程通常是动态的且极为复杂,显然仅依靠简化的或经验性的公式来描述这类过程是不可靠的。近年来,随着人工智能技术的快速发展,数据驱动型方法逐渐成为刀具磨损预测的主流方式[42,44]。借助深度学习和非线性映射的强大功能,这些方法无需深入理解磨损机制,就能有效捕捉刀具磨损的退化趋势[45,46]。目前,数据驱动型方法领域已出现了许多具有代表性的研究,包括支持向量机模型[47]、长短期记忆网络[LSTM][48]、卷积神经网络[CNN][49]、多层感知器模型[50]以及高斯过程回归模型[21,25]。例如,徐等人[51]采用了反向传播神经网络与小波包变换相结合的方法,提取特征以预测高速钢钻头的刃口和棱角磨损。吴等人[52]则采用随机森林方法预测铣削过程中的刀具磨损,并指出随机森林的性能优于人工神经网络和支撑向量回归模型。为了进一步提高预测效率,刘等人[53]开发了一种多输入并行卷积网络架构,该架构能够从各种传感器采集的监测数据中提取多尺度特征,从而提升预测精度。基于这些研究,秦等人[30]构建了一个结合K均值聚类、特征选择以及反向传播神经网络的刀具磨损识别与预测模型,实现了对切削工具磨损的有效预测。上述研究正在推动刀具磨损预测向智能化方向发展。然而,基于深度学习的方法通常需要大量标注数据进行离线训练,这就导致了数据标注和模型训练的高成本。此外,由于这些模型的可解释性较差,常常被批评为“黑箱”技术,而且几乎无法为其预测结果提供不确定性估计[54,55]。在实际的加工过程中,分析和量化不确定性对于提升产品质量和运营效率至关重要[56,57]。在本研究中,采用高斯过程回归模型作为决策模型,用于描述信号特征与刀具磨损之间的非线性关系。作为一种灵活且强大的贝叶斯推理技术,高斯过程回归相比传统的机器学习和深度学习方法具有多项优势[47,58,59]。具体而言,高斯过程回归不需要大量标注数据,还能同时给出预测结果及其置信区间,从而实现不确定性的量化与分析。此外,高斯过程回归非常适合处理涉及高维数据和小样本量的复杂回归问题,同时还具备强大的非线性学习能力[60]。例如,张等人[61]提出了一种混合自回归模型与高斯过程回归模型,用于概率风速预测,结果表明高斯过程回归在预测精度方面优于人工神经网络和支撑向量机模型。Aye和Heyns[62]提出了一种新型高斯过程回归模型,用于预测低速轴承的剩余使用寿命,取得了良好的预测效果。Kong等人[21]则开发了一种将高斯过程回归与改进后的核主成分分析技术相结合的刀具磨损预测模型。实验结果表明,该模型能够在多种加工条件下提供可靠的预测结果,同时还能进行不确定性估计。需要指出的是,不同类型的核函数具有不同的特征捕捉特性,这些特性会直接影响高斯过程回归模型的预测性能。然而,在实际应用中,核函数的选择往往仍依赖于经验判断或简单的线性组合,缺乏坚实的理论支撑[60]。此外,在涉及多维度、不规则形状数据以及高维特征空间且分布不均的实际预测任务中,单核高斯过程回归模型往往无法实现准确预测,甚至可能完全失效。为克服单核高斯过程回归模型的局限性,更好地捕捉高维监测数据中固有的非线性映射关系,国内外学者已经进行了初步探索。高等人[63]提出了一种基于小波包变换和广义多核支持向量机的模拟电路初期故障诊断方法,提升了故障诊断的准确性。宋等人[60]则开发了一种基于多核加权高斯过程回归模型的刀具磨损预测方法,用于预测干式切削过程中的刀具磨损。李等人[64]则利用特征重要性图处理电池的原始循环数据,进而构建了多核支持向量机模型。研究结果表明,该模型的RUL预测精度高于单一核模型,误差低于1%。尽管这些研究已取得初步进展,但关于多核模型的研究仍然有限。此外,对于核权重和超参数的选择,目前尚未形成共识。另外,加工过程中的大规模监测数据不可避免地包含噪声,这会严重影响置信区间的稳定性。而且,无论采用何种预测模型,面对大规模监测数据以及复杂或冗余的特征问题依然存在。因此,降维技术逐渐成为解决这些问题的有力工具[35,65,66]。张等人[67]采用主成分分解提取信号特征,再结合GPR进行非线性映射与建模,从而实现了对复杂系统状态的高效精准预测。何等人[28]提出了一种新的深度学习方法,将堆叠稀疏自编码器与多传感器特征融合相结合,该方法成功应用于铣刀磨损预测,有效解决了噪声和过拟合问题。王等人[68]将PCA与小波变换结合,建立了多尺度PCA方法,提升了预测模型的准确性与稳健性。段等人[69]通过引入稀疏性、多尺度滤波器和多尺度池化层,改进了PCANet结构以用于刀具磨损预测,进而提升了预测性能。孔等人[21]提出了一种名为KPCA_IRBF的新型非线性维度增广技术用于特征融合,不仅实现了高精度的刀具磨损预测,还得到了更窄且更平滑的置信区间。这些研究凸显了特征提取和降维在刀具磨损预测中的关键作用。然而,这些方法仍需精心选择核函数和超参数,因为这些因素会直接影响融合结果的可靠性。基于上述综述,本节总结了现有刀具磨损预测方法的主要局限性,并阐明了本研究的出发点。总体而言,人工智能的快速发展推动了众多预测方法的出现,促进了刀具磨损预测的智能化与数字化转型。不过,实际加工环境中恶劣且高度动态的条件往往会导致监测数据质量下降。信号噪声、切削液的影响以及不同磨损阶段的数据不平衡等问题,继续制约着许多现有方法的有效性和泛化能力。首先,现有的自动特征提取技术,无论是基于端到端深度网络还是降维方法,在小样本和非平稳条件下仍表现出有限的稳健性,且提取出的特征表示往往对噪声和领域差异较为敏感。其次,严重磨损阶段的数据稀缺导致严重的数据不平衡,增加了获取可靠标签的难度和成本,使得模型容易过拟合,进而降低预测的稳定性和泛化能力。第三,传统的基于GPR的预测方法通常依赖单一核函数,这限制了它们在高维特征空间中捕捉复杂非线性关系的能力,可能导致预测结果不稳定甚至失败。鉴于这些局限性,本研究提出了一种集成框架,将基于堆叠去噪自编码器的深度特征提取与多核GPR建模相结合。SDAE模块可用于在小样本和非平稳条件下从多通道监测信号中获取更稳健的特征表示。多核GPR组件则提供了一种灵活的方法来捕捉非线性关系,同时提供不确定性估计以辅助决策。此外,还采用了基于AdaBoost的加权策略,通过自适应调整各核和样本的贡献度,提升不同磨损阶段的预测稳定性。总体而言,所提出的框架为降低噪声敏感性、解决特征冗余问题以及应对磨损阶段不平衡问题提供了实用方案,从而提升了加工应用中刀具磨损预测的可靠性。本文的其余部分安排如下:第2节详细阐述预测框架;第3节讨论相关理论和技术;第4节描述实验设置、评估指标及具体案例研究;最后,第5节对全文进行总结。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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