《Lubricants》:Research on the Analysis Method of the Life Modification Factor for Grease-Lubricated Wind Turbine Pitch Bearings
Qinghu Wu,
Pengge Wu,
Lei Zhang,
Shuai Zhao and
Miaojie Wu
编辑推荐:
过量刀具磨损会损害加工精度并增加成本,因此准确的刀具剩余有用寿命(Remaining Useful Life, RUL)预测在智能制造中至关重要。传统方法在跨模态建模精度和捕捉时间依赖性方面存在固有局限,无法满足实际需求。为解决这些瓶颈,本研究提出一种结合多通
过量刀具磨损会损害加工精度并增加成本,因此准确的刀具剩余有用寿命(Remaining Useful Life, RUL)预测在智能制造中至关重要。传统方法在跨模态建模精度和捕捉时间依赖性方面存在固有局限,无法满足实际需求。为解决这些瓶颈,本研究提出一种结合多通道卷积神经网络(Convolutional Neural Network, CNN)与跨模态Transformer(Cross-Modal Transformer)的鲁棒刀具RUL预测框架。CNN通过卷积操作提取磨损信号的局部特征,而Transformer自适应地同步异构特征(切削力、振动和声发射Acoustic Emission, AE)以捕捉长期退化趋势。基于PHM2010数据集的实验评估证明了模型的鲁棒性和泛化能力:在随机打乱划分(random shuffle–split)协议下,所提方法R2高达0.99,RMSE和MAE分别达2.51和1.98;在跨刀具验证(cross-cutter validation)协议下,R2为0.961,RMSE为6.92,MAE为6.09。此外,研究人员系统研究了各模态注意力权重与其物理意义的相关性。结果表明,该模型在噪声环境下可为智能制造中的跨刀具生命周期管理提供稳定且物理一致的磨损估计与RUL预测。
研究背景与意义
切削刀具是数控机床核心部件,其磨损严重影响加工精度与生产安全。据统计,合理的刀具更换策略可减少停机时间达75%,提升生产效率10–60%。传统机器学习方法依赖手工特征提取且难以捕捉非线性退化规律;单一深度学习模型(CNN或RNN/LSTM)分别受限于局部感受野无法建模长时依赖,或存在梯度消失与并行计算困难。此外,现有多传感器融合多采用简单拼接或线性加权,忽视切削力(高信噪比、反映稳态退化)与振动/声发射AE(高灵敏度、反映瞬态微观事件)在物理特性上的异质性。为此,研究人员提出一种融合多通道CNN与跨模态Transformer的刀具磨损回归及RUL预测框架,并在公开PHM2010数据集上验证其同分布插值能力与跨刀具泛化能力。该论文发表于《Lubricants》。
关键技术方法
研究人员采用PHM2010铣刀磨损数据集(Inconel 718工件,C1/C4/C6刀具,315次切削循环),对切削力、三向振动及AE信号进行z-score标准化(统计量仅来自训练集)。每一切削循环提取稳态切削段末段T=20000个时间点,构建三维张量X∈RN×T×S(N样本数,S=7传感通道),磨损标签取同周期多次测量均值。多通道CNN模块设四条并行卷积分支(核尺寸15/9/5及MaxPooling-3),经BatchNorm与GeLU激活后沿通道拼接得多尺度局部特征;跨模态Transformer以高SNR切削力特征为Query(Q),振动与AE特征分别为Key(K)和Value(V)做交叉注意力融合并加力信号残差连接,堆叠3层Encoder(8头注意力)后经全连接回归头输出磨损预测值?,RUL由失效阈值Wth=150μm处磨损曲线交点推算。训练采用AdamW优化器、MSE损失(跨刀具实验加单调性约束)及CosineAnnealingWarmRestarts调度,评估指标为RMSE、MAE与R2,分别进行随机切分(Protocol A)与跨刀具验证(C1&C6训练、C4测试,Protocol B)。
研究结果
4.1. Dataset Introduction
选用PHM2010标准数据集,C1/C4/C6刀具在规范切削参数下完成315次循环,磨损阶段划分为初始(0–30μm)、稳态(30–90μm)、严重(90–150μm)及失效(≥150μm)。
4.2. Signal Pretreatment
包括传感器数据标准化(式7)、张量结构化(式8,T=20000,S=7)及磨损标签取多次测量均值(式9),确保无测试集信息泄露与样本间独立性。
4.3. RUL Estimation Logic
定义刀具寿命为预测磨损曲线W(t)与失效阈值Wth=150μm的交点循环数Tfailure,当前循环t的RUL=Tfailure?Tt(式10),RUL精度依赖于磨损回归保真度。
4.4. Experimental Results and Performance Analysis
Protocol A(随机切分9:1):所提模型在C1子集上RMSE=2.51、MAE=1.98、R2=0.99,较LSTM基线误差降低超60%;CNN与SVR难应对随机波动,LSTM在磨损阶段跃迁时有延迟响应,而本模型兼顾局部高频瞬变与全局退化趋势。Protocol B(跨刀具C1&C6→C4):所提模型RMSE=6.92、MAE=6.09、R2=0.961,较简单拼接CNN-Transformer基线RMSE降低37.32%、R2提升6.19%;单CNN(R2=0.649)与单Transformer(R2=0.743)泛化有限。单样本推理延时约7.64ms,批处理均延时1.13ms,315样本总耗时1218.4ms,满足工业实时性。
4.4.3. Physical Interpretation of Attention Weights
跨模态注意力权重具物理可解释性:初始→稳态磨损阶段振动权重较高(反映稳定周期振动指示渐进磨损体积);严重磨损阶段振动权重渐降;失效阶段AE权重升至0.69、振动降至0.31(涂层剥落与微裂纹扩展释放高频弹性应变波被AE捕获)。动态权重分配使模型在稳态与失效阶段跟踪优于简单拼接基线。
讨论与结论
研究人员得出结论:(i)所提框架通过多通道CNN多尺度卷积构建去噪机制提取频域特征,并以切削力作Q、振动/AE作K/V的交叉注意力实现自适应跨模态融合,桥接了短时脉冲特征与长期退化趋势建模;(ii)Protocol A验证了对同刀具的高插值精度(R2达0.99),Protocol B确认了对完全未见刀具的强外推精度与泛化稳定性(R2=0.961,RMSE=6.92);(iii)跨模态注意力动态权重分配策略在多模态RUL预测中可行且物理合理。局限性含初期磨损阶段因缺乏稳定平衡存短暂适应期致误差略高、未充分验证变工况/变工件材料泛化性及注意力决策可解释性待增强;未来工作将引入先验初始化加速注意力收敛、通过无监督域适应扩展验证及借助因果推断增强可解释性。