面向不同磨削条件下条件索引砂带磨损监测的物理信息声学摩擦学信息学算子学习
《Journal of Manufacturing Processes》:Physics-informed acoustic tribo-informatics operator learning for condition-indexed abrasive belt wear monitoring under varying grinding conditions
【字体:
大
中
小
】
时间:2026年10月22日
来源:Journal of Manufacturing Processes 7.8
编辑推荐:
摘要 磨削过程中对砂带磨损的连续监测对于维持表面完整性、材料去除稳定性和工艺可靠性至关重要。现有的数据驱动监测方法通常通过传感器特征到离散磨损标签的逐点映射来估计磨损,这限制了其对累积性和状态依赖性磨损轨迹的描述能力。此外,砂带规格的变更和磨削参数的变化会改变砂带与工件的接触
摘要 磨削过程中对砂带磨损的连续监测对于维持表面完整性、材料去除稳定性和工艺可靠性至关重要。现有的数据驱动监测方法通常通过传感器特征到离散磨损标签的逐点映射来估计磨损,这限制了其对累积性和状态依赖性磨损轨迹的描述能力。此外,砂带规格的变更和磨削参数的变化会改变砂带与工件的接触状态、声发射响应以及磨损累积路径。为解决这一问题,本研究提出了一种具有非负磨损速率正则化的物理信息声学摩擦学算子学习框架,用于砂带磨损监测。声发射被视为演化中的声学摩擦学状态的可观测量表示,而砂带磨损则被建模为时间上的条件索引函数值响应。研究开发了一种条件深度算子网络,其中分支网络编码声发射历史,分解的主干网络表示轨迹坐标和磨削条件。为了提高物理一致性,非负磨损速率网络通过受Preston型磨损演化启发的残差约束与轨迹算子耦合。该设计通过学习到的非负磨损速率场对预测的累积磨损轨迹进行正则化,在不对固定经验公式施加约束的情况下提供了可解释的磨损速率表示。在机器人磨削平台上进行的实验验证了该框架在不同磨削条件下的有效性。结果表明,突发形态和频谱带能量特征提供了有效的声学摩擦学状态表示。同砂带内测试在两种A100砂带上均实现了低于4%的归一化均方根误差与范围比值(NRMSE/range),而留一砂带测试在A45、A100-1和A100-2上分别获得了8.95±0.48%、6.87±0.62%和7.79±0.67%的平均NRMSE/range值。少样本适配减少了砂带特定的幅度偏移,A100-1在六次前导校准通过后将偏移降至1.31±0.31%。学习到的磨损速率场捕捉了从初始高速磨损到准稳态磨损的转变,为知识密集型刀具维护决策提供了可解释的速率表示。数据已公开在GitHub上以支持可复现性和进一步研究。
引言 砂带磨削广泛应用于需要高表面完整性、稳定材料去除和几何一致性的部件精加工,如航空发动机叶片、医用植入物和模具型腔[1]、[2]、[3]。在磨削过程中,砂带由于磨粒尖端扁平化、磨粒断裂和结合剂劣化而经历渐进式退化[4]、[5]、[6]。这些机制降低了切削效率,改变了砂带与工件的接触状态,并最终降低工艺稳定性和表面质量。过早更换会浪费砂带剩余寿命,而过晚更换则会增加不稳定磨削、表面退化和缺陷零件的风险[7]。因此,砂带磨损监测不仅是一个传感或回归问题,更是一个知识密集型工程任务,支持刀具更换、工艺稳定性和自适应运行决策[8]、[9]。
准确表征砂带磨损仍然困难,因为退化分布在众多磨粒上并以微观尺度演化。直接观察方法,如光学成像[10]、[11]、[12]、[13]、显微镜[14]和结构光测量[15],可以提供表面信息,但劳动密集且难以在磨削过程中连续应用。质量损失测量提供了更便利的量化累积砂带磨损的方式,并已用于精细砂带[16]、[17]。这些局限性表明,砂带磨损监测不应仅依赖稀疏测量或孤立标签。关键挑战在于如何从物理世界过程数据中表示磨损如何作为状态依赖性退化轨迹演化。
砂带磨损监测本质上是一个制造系统中的摩擦学退化问题[18]、[19]、[20]。砂带-工件界面涉及耦合的磨粒-工件接触[21]、界面能量耗散[22]、材料去除[23]和磨料磨损[24]。这些隐藏的界面状态在机器人磨削过程中难以直接观察,但其转变可以通过声发射信号部分反映[25]。在本研究中,这种声发射可观测表示被建模为声学摩擦学状态,它作为砂带-工件接触制度和能量释放通路的基于传感的知识表示。与力和振动信号相比,声发射对与微尺度接触事件相关的瞬态弹性波释放更为敏感,包括切削、犁耕、滑动、磨粒断裂和局部微凸体破裂[26]、[27]、[28]、[29]。其高频内容与低频机器振动和环境干扰相对分离,使其适合学习磨削过程中砂带磨损的演化。
现有的砂带磨损监测研究已从手工特征[30]和浅层学习模型[31]、[32]发展到神经网络[33]、[34]、[35]和多模态传感方法。深度学习方法通过卷积神经网络[17]、循环网络[24]、时间卷积网络[36]和传感器融合策略[37]、[38]进一步提高了磨损分类和预测精度。然而,大多数现有方法仍将磨损估计建模为传感器片段到孤立磨损标签的逐点映射,无法表示砂带退化的累积性、路径依赖性和知识密集型本质。在砂带磨削中,当前磨损状态不仅由瞬时信号模式决定,还受先前接触事件、累积能量释放、磨粒级损伤和砂带寿命轨迹上的位置影响。因此,当相似的声发射响应发生在不同退化阶段或不同磨削条件下时,它们可能对应不同的累积磨损状态[39]。因此,砂带磨损监测应从逐点磨损估计转向函数值磨损演化学习,即模型学习随时间变化的连续磨损轨迹,而非一组不连续的磨损值。
混合数据-物理学习为提高制造工艺监测的物理一致性和泛化能力提供了有前景的途径[40]、[41]。现有的物理信息研究引入了单调性约束、可允许状态范围、趋势连续性和残差损失来引导数据驱动模型趋向物理上合理的刀具磨损监测[37]、[38]、[39]、[40]、[41]、[42]。这些策略是有用的,因为砂带磨损是不可逆的,通常沿着磨削过程累积。然而,在许多监测研究中,物理知识主要通过损失正则化或事后约束引入,而模型仍然学习以数据驱动传感器特征为主的逐点映射。在机器人砂带磨削中,这种局限性变得更加关键,因为磨损演化不仅随砂带类型变化,还随法向力、砂带速度、进给速度和任务相关的接触条件等工艺参数变化。磨粒粒度影响磨粒几何形状和切削刃分布,而磨削参数重塑接触力学、能量耗散、材料去除和声发射产生[25]、[45]。这些变化既改变了声发射特征分布,也改变了底层磨损速率场,使得在耦合工艺变化下的跨砂带迁移比传统的单条件预测更为困难。因此,挑战不仅是传感器特征中的统计分布偏移,更是声学摩擦学状态观测与累积磨损演化之间函数关系的条件依赖性变化。这促使了一种基于深度算子网络(DeepONet)的物理信息算子学习公式,该网络旨在学习函数之间的非线性映射[46]。在该公式中,分支网络编码声发射观测的有限历史,而主干网络表示磨损演化轨迹上的查询坐标,并可以以已知的砂带规格和工艺参数为条件。这种结构允许时间磨损基被运行条件调节,从而在条件索引的轨迹表示内组织连续的成功磨损估计。
为解决这些问题,本研究将砂带磨损监测建模为条件索引算子学习问题,其中所提出的框架学习一种声学摩擦学算子,将声发射历史和磨削条件映射到累积磨损轨迹,而非孤立磨损标签。为考虑变化的磨削条件,主干被分解为时间编码子网络和条件编码子网络,允许时间磨损基被已知的砂带和工艺参数调节,包括砂带规格和磨削过程变量。还通过辅助磨损速率网络引入了非负磨损速率正则化策略,该网络学习以声学摩擦学状态、轨迹坐标和运行条件为条件的非负瞬时磨损速率。预测的磨损轨迹与学习到的速率场耦合。集成该场产生辅助诊断轨迹,引入非负磨损演化指导。该设计反映了砂带磨损的不可逆累积,同时避免了对在变化磨削条件下形式和系数可能不再有效的固定磨损定律的约束。
所提出的框架在具有代表性磨削条件的机器人砂带磨削平台上进行评估。考虑了三种协议:同砂带监测、留一砂带迁移和少样本适配。它们评估了已知条件下的时间外推、向未见条件的跨砂带迁移以及有限前导通过下的校准。跨任务特征稳定性分析用于识别鲁棒的声学摩擦学状态表示,学习到的非负磨损速率场作为物理约束知识被检验,以表征从初始高速磨损到准稳态磨损的转变。主要贡献总结如下:
1. 为摩擦学驱动的刀具磨损监测提出了条件索引磨损轨迹学习公式。监测任务从逐点传感器到标签回归重新建模为函数值退化轨迹学习,使砂带磨损被表示为累积的、路径依赖的、条件依赖的工程过程,而非一组孤立磨损标签。
2. 开发了声学摩擦学表示学习框架以形式化工序中传感数据中的工艺知识。声发射特征被解释为隐藏的砂带-工件接触制度和能量释放通路的声学摩擦学状态表示,而砂带规格和磨削参数作为条件索引的运行知识嵌入。
3. 引入了非负磨损速率正则化策略以将磨损演化知识作为结构先验嵌入。学习到的非负磨损速率场通过残差一致性约束与磨损轨迹耦合,在不对固定经验磨损定律施加约束的情况下提供了可解释的磨损速率表示。多协议验证展示了预测能力、跨砂带可迁移性和物理合理性,支持知识密集型刀具维护决策。
本文其余部分组织如下。第2节介绍声学摩擦学状态表示和声发射源机制。第3节阐述算子学习框架和非负磨损速率正则化策略。第4节描述实验装置。第5节报告结果和讨论,包括特征稳定性、同条件监测、跨砂带迁移、少样本适配、消融研究和磨损速率可解释性。图1展示了所提出框架的总体流程图。
各节节选
砂带磨损的声学摩擦学状态表示 声发射是指砂带-工件相互作用过程中由局部变形、断裂、摩擦和结构重排产生的瞬态弹性波。在砂带磨削中,声发射并不直接测量累积砂带磨损。根据我们的先前工作[47],声发射被视为与磨粒-工件相互作用相关的传感响应,包括滑动、犁耕、切削、磨粒断裂和裂纹萌生,如图2所示。在本研究中,声学
问题建模 如第2节所述,在变化磨削条件下,砂带磨损监测被建模为从有限的声发射观测历史及对应的磨削条件特征估计每个查询点的累积磨损。沿磨削过程的连续估计构成估计的磨损轨迹。
τk = (tk - tmin)/(tmax - tmin)
其中tk表示磨削通过坐标,包括单个声发射波形的分数位置。缩放界限由……确定
实验装置与验证 磨削实验在配备机器人砂带磨削末端执行器的库卡工业机器人平台上进行,如图10所示。采用TC4钛合金板作为工件。所有测试均在干式逆磨条件下进行。砂带磨削机由压缩空气驱动,砂带旋转的空气供应压力维持在6 bar。法向接触力Fn根据表1中列出的磨削参数独立设定。
声学摩擦学状态特征稳定性与冗余削减 分支网络从每个1秒声发射波形段接收特征向量。如第3.2节所述,该向量由十二个固定的声发射特征和由频谱划分决定的可变数量的带能量特征组成。在特征削减之前进行了一项受控的划分敏感性扫描,以评估频谱表示如何影响预测精度。随后四种划分方案与三种砂带组合形成……
结论 本研究开发了一种具有物理信息的声学摩擦学框架,从有限的声发射历史估计累积砂带磨损。该框架结合了条件调制的分支-主干表示和辅助非负速率网络以支持磨损预测和磨损演化正则化。主要结论如下:
(1) 通过将接触制度转变和声发射能量分配转化为磨粒接触状态转变来建立声学摩擦学状态表示……
CRediT作者贡献声明 丁亦娴:撰写——原始草稿、可视化、验证、软件、方法论、调查、资金获取、数据整理、概念化。
Yueming Liu:撰写 – 审阅与编辑,项目管理,资金获取。Meng Nie:撰写 – 审阅与编辑,项目管理,数据整理。Hongtao Zhu:撰写 – 审阅与编辑。Ce Yang:验证,数据整理。Yuhang Liu:软件,数据整理。资助:本研究由中央高校基本科研业务费 [编号 M26YJS00140] 和国家自然科学基金 [编号 52275399] 支持。利益冲突声明:作者声明没有已知的与本文报告的工作相冲突的经济利益或个人关系。Yixian Ding|Yueming Liu|Meng Nie|Hongtao Zhu|Ce Yang|Yuhang Liu
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