《Lubricants》:Friction-Induced Vibration in Ship Water-Lubricated Bearings: A Review
Xu Guo,
Xincong Zhou,
Jian Huang,
Ziyang Yan,
Yun Yang,
Ruichen Liu,
Wu Ouyang and
Yong Jin
编辑推荐:
过度的刀具磨损会降低加工精度并增加成本,使得准确的刀具剩余使用寿命(RUL)预测在智能制造中变得至关重要。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性,无法满足实际需求。为了突破这些瓶颈,研究人员提出了一种鲁棒的刀具RUL预测框架,该框架结合了多
过度的刀具磨损会降低加工精度并增加成本,使得准确的刀具剩余使用寿命(RUL)预测在智能制造中变得至关重要。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性,无法满足实际需求。为了突破这些瓶颈,研究人员提出了一种鲁棒的刀具RUL预测框架,该框架结合了多通道卷积神经网络(Multi-Channel CNN)和跨模态Transformer(Cross-Modal Transformer)。CNN通过卷积操作从磨损信号中提取局部特征,而Transformer则自适应地同步异质特征(切削力、振动和声发射)以捕捉长期退化趋势。在PHM2010数据集上进行的实证评估证明了模型的鲁棒性和泛化能力:在随机洗牌-划分协议下,所提方法实现了高达0.99的决定系数(R2),均方根误差(RMSE)和平均绝对误差(MAE)分别达到2.51和1.98。为了进一步评估框架在域偏移下的外推能力,实施了跨刀具验证协议。在该条件下,实验结果得到R2为0.961,RMSE为6.92,MAE为6.09。此外,系统研究了模态特定注意力权重与其相应物理解释之间的相关性。这些结果证实了该模型在智能制造中跨刀具生命周期管理方面的潜力,能够在噪声密集环境中提供稳定且物理一致的磨损估计和剩余使用寿命预测。
在智能制造中,刀具磨损会降低加工精度并增加成本,因此刀具剩余使用寿命(RUL)预测成为关键需求。传统数据驱动方法在跨模态建模和时间依赖性捕捉方面存在局限,且依赖人工特征工程。深度学习方法中,卷积神经网络(CNN,通过局部感受野提取特征)难以捕捉长期依赖,循环神经网络(RNN)存在梯度消失和并行效率低问题,现有多传感器融合方式(如简单拼接)忽略不同模态的物理特性与动态差异。为突破这些瓶颈,研究人员提出了一种结合多通道CNN和跨模态Transformer(Cross-Modal Transformer)的RUL预测框架。该研究基于PHM2010公开数据集验证了模型有效性,在插值和泛化实验中均取得优越性能,注意力权重分析揭示了物理一致的模态贡献动态。论文发表在《Lubricants》期刊。
关键技术方法(≤250字):研究人员所提框架的核心方法包括:(1)多通道CNN模块,由大(15点)、中(9点)、小(5点)卷积核和池化增强分支(3点最大池化加卷积)并行组成,提取多尺度局部特征并沿通道拼接。(2)跨模态Transformer编码器,以高信噪比的切削力特征为查询(Query),振动和声发射特征为键(Key)和值(Value),通过自适应注意力实现融合,并用残差连接保留宏观退化信息。(3)训练采用AdamW优化器(权重衰减1×10
-4),余弦退火重启学习率调度(初始1×10
-3),部分实验引入单调性约束。(4)实验基于PHM2010数据集,该数据集记录6把硬质合金球头铣刀加工Inconel 718工件的315次切削循环,包含三向力、三向振动和声发射共7通道信号。研究选取C1、C4、C6三把刀具,采用随机划分(9:1)和跨刀具(源域C1、C6,目标域C4)两种验证协议。
研究结果(保留小标题):
**插值实验(Protocol A)**:通过随机洗牌-划分协议评估模型在已见数据分布下的拟合能力。所提方法在所有刀具子集上均取得最低的均方根误差(RMSE)和平均绝对误差(MAE)。以C1刀具为例,RMSE为2.51,MAE为1.98,决定系数(R
2)达0.99,较LSTM基线误差降低超过60%,验证了模型在插值场景的高精度预测能力。
**模型泛化测试(Protocol B)**:通过跨刀具验证协议检验模型对完全未见刀具C4的泛化性能。所提方法取得R
2=0.961,RMSE=6.92,MAE=6.09,较简单拼接的CNN-Transformer基线,RMSE降低37.32%,R
2提升6.19%。单样本推理时间7.64ms,满足工业实时性要求,证实了模型跨刀具外推的稳健性。
**注意力权重的物理解释**:提取并分析不同磨损阶段(初始0-30μm、稳态30-90μm、严重90-150μm、失效≥150μm)的跨模态注意力权重。从初始到稳态阶段,振动模态权重较高;严重磨损阶段振动权重逐渐下降,声发射(AE)权重上升;失效阶段AE权重达0.69,振动权重降至0.31。该动态分配符合物理机制:稳态时振动反映宏观磨损,失效时微裂纹等高频事件由AE捕捉。研究验证了物理驱动注意力设计的有效性,并解释了模型在稳态和失效阶段优于拼接基线的性能。
讨论部分:所提模型性能优势源于多通道CNN的高保真前端滤波与跨模态Transformer的全局语义对齐的协同;动态注意力分配策略在多模态RUL预测中展现出有效性。但模型在早期切削阶段误差高于简单拼接基线,归因于注意力机制的固有适应期;模型在不同切削条件或工件材料下的泛化性尚未完全验证;基于注意力的决策过程可解释性有限。
研究结论:所提框架的性能优势源于超越传统特征提取的架构协同。它集成了基于多通道CNN的高保真前端滤波器和由跨模态Transformer驱动的语义对齐器。协议A证明了模型对特定同质刀具的高插值能力,协议B则证实了模型对完全未见刀具的稳健外推精度和泛化稳定性。实验结果进一步验证了通过跨模态注意力进行动态权重分配是多模态RUL预测的一种可行策略,为未来预测研究提供了见解。然而,模型在早期切削阶段误差较大,反映了注意力机制的适应期;模型在不同切削条件或工件材料下的泛化性尚未完全验证;基于注意力的决策过程可解释性有限。未来工作将致力于通过先验信息初始化加速注意力收敛,通过无监督域适应扩展验证,以及通过因果推断增强可解释性。