
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理信息的深度自适应去噪与多尺度特征融合方法在刀具磨损预测中的应用
《JOURNAL OF INTELLIGENT MANUFACTURING》:Physics-informed deep adaptive denoising and multi-scale feature fusion method for tool wear prediction
【字体: 大 中 小 】 时间:2026年03月19日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.4
编辑推荐:
智能工具状态监测通过融合物理信息神经网络与深度自适应去噪方法解决工业噪声干扰和物理知识整合不足问题。采用自适应谱块信号处理增强关键频段,结合深度残差收缩网络实现特征域深度去噪,集成双池聚合通道注意力机制和多层次卷积模块捕捉多尺度特征,运用双向门控循环单元建模长时序关联,并通过PINN框架引入非线性磨损累积模型约束优化,实验表明MAE降低9.9-29.0%,RMSE下降2.0-20.1%。
为了提高智能制造中的表面质量并提升加工效率,实施智能刀具状态监测至关重要。然而,现有的智能监测方法往往难以应对恶劣工业环境中普遍存在的频谱混叠噪声,并且由于物理知识的整合程度不足,导致预测精度不够高。为了解决这些挑战,本文提出了一种结合深度自适应去噪的物理信息预测方法。首先,采用基于自适应频谱块的信号处理模块进行智能去噪,并通过可学习的频域滤波来增强切割信号中的关键频率成分。接着,基于深度残差收缩网络的特征提取器通过内在的自适应软阈值机制在特征域实现深度噪声抑制和特征提取。同时,该特征提取器整合了基于双池化聚合的信道注意力机制以突出显著特征,并结合了多尺度卷积模块来高效捕捉不同时间尺度上的特征模式。随后,采用双向门控循环单元来模拟特征序列中的长距离时间相关性。最后,整个网络在物理信息神经网络(PINN)框架内进行优化,该框架动态地将数据驱动模型的拟合能力与非线性磨损累积模型的物理约束相结合,利用自适应加权机制考虑预测误差的不确定性。实验验证表明,所提出的模型显著降低了预测误差:与其它先进模型相比,平均绝对误差(MAE)降低了9.9–29.0%,均方根误差(RMSE)降低了2.0–20.1%。这为复杂工业条件下的高精度刀具磨损预测提供了一种稳健可靠的解决方案。
为了提高智能制造中的表面质量并提升加工效率,实施智能刀具状态监测至关重要。然而,现有的智能监测方法往往难以应对恶劣工业环境中普遍存在的频谱混叠噪声,并且由于物理知识的整合程度不足,导致预测精度不够高。为了解决这些挑战,本文提出了一种结合深度自适应去噪的物理信息预测方法。首先,采用基于自适应频谱块的信号处理模块进行智能去噪,并通过可学习的频域滤波来增强切割信号中的关键频率成分。接着,基于深度残差收缩网络的特征提取器通过内在的自适应软阈值机制在特征域实现深度噪声抑制和特征提取。同时,该特征提取器整合了基于双池化聚合的信道注意力机制以突出显著特征,并结合了多尺度卷积模块来高效捕捉不同时间尺度上的特征模式。随后,采用双向门控循环单元来模拟特征序列中的长距离时间相关性。最后,整个网络在物理信息神经网络(PINN)框架内进行优化,该框架动态地将数据驱动模型的拟合能力与非线性磨损累积模型的物理约束相结合,利用自适应加权机制考虑预测误差的不确定性。实验验证表明,所提出的模型显著降低了预测误差:与其它先进模型相比,平均绝对误差(MAE)降低了9.9–29.0%,均方根误差(RMSE)降低了2.0–20.1%。这为复杂工业条件下的高精度刀具磨损预测提供了一种稳健可靠的解决方案。