面向数控机床铣削功率预测的形态感知双向状态空间模型

《Journal of Cleaner Production》:Morphology-aware bidirectional state-space model for power prediction in CNC milling

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Cleaner Production 10.7

编辑推荐:

   ## 摘要 - MA-BiSSM 可预测 CNC 铣削中的轴和主轴功率曲线。 - 双向扫描利用历史轨迹和预定轨迹上下文信息。 - 形态感知与物理引导融合可捕捉切削载荷的变化。 - 该模型在 10 个随机种子下优于七个序列学习基线模型。 - 该框架支持刀具路径评估和更干净的加

  ## 摘要- MA-BiSSM 可预测 CNC 铣削中的轴和主轴功率曲线。- 双向扫描利用历史轨迹和预定轨迹上下文信息。- 形态感知与物理引导融合可捕捉切削载荷的变化。- 该模型在 10 个随机种子下优于七个序列学习基线模型。- 该框架支持刀具路径评估和更干净的加工决策。## 引言功率预测在 CNC 加工中是绿色与智能制造的一项基本能力。准确的功率曲线可支持制造系统及其他高能耗领域的工艺级能源核算、需求管理和碳感知运营决策(Eren and Kü?ükdemiral, 2024;Somu et al., 2021;Souza et al., 2023)。从宏观层面看,工业部门约占全球终端能源消费的 40%,而电动机系统约占工业用电的 72%(国际能源署, 2025;IEA 4E 电动机系统平台, 2025)。在工艺层面,CNC 加工被广泛用于现代制造业,依赖电机驱动的主轴和进给系统。因此,提高机床功率预测与工艺级能效提升、生产成本降低和低碳制造密切相关(Soori et al., 2024)。更广泛地说,智能功率建模已成为可持续制造领域的重要研究方向,其中已探索了工艺信息、刀具路径特征以及基于学习的预测模型来支持能源感知决策(Aramcharoen and Mativenga, 2014;Brillinger et al., 2021;Wang et al., 2022b)。除了宏观统计数据外,工艺级精度的准确预测正日益被数字孪生、MES 级调度、碳感知派调和闭环生产优化所需求(Al Mazroa, 2025)。例如,当工艺规划人员在比较替代刀具路径、参数集或机床分配时,可靠的功率估计可帮助选择平衡生产周期、质量和碳排放强度的方案。在车间层面,预测功率曲线可支持峰值负荷管理,改善功率感知调度,并减少多机床单元中的意外功率超支。因此,高保真的铣削功率预测不仅是一项学术任务,也是实用低碳制造的使能组件。尽管其重要性不言而喻,但可靠的预测仍具挑战性,因为铣削功率由耦合、非线性且非平稳的动力学行为所支配。主轴转速、进给率、刀具啮合、轴加速度和刀具路径几何形状在不同时间尺度上相互作用,从毫秒级伺服瞬态到更长的热和摩擦演化过程。先前关于可持续制造的研究表明,工艺几何形状、刀具路径特征和多模态工艺信息可显著影响功率表现和预测精度(Wang et al., 2022a;Wang et al., 2023;Pawar et al., 2023)。在加工过程中,进刀、拐角和退刀阶段可能导致载荷突然重新分配,而变化的切屑厚度和啮合波动进一步放大了瞬时功率变化。在真实车间中,这些效应与机床异质性、刀具磨损进程、材料批次差异和控制器调谐差异叠加,导致训练数据与部署数据之间的分布偏移。因此,在一个加工窗口中表现良好的模型,当转移到新轨迹、新机床或新生产条件时可能性能下降。总之,图 1 展示了 CNC 铣削功率预测的研究意义、动态功率特征和潜在应用场景。基于机理的功率模型可提供可解释的逐组件估计,但依赖于特定机床的参数识别和重新标定(Aramcharoen and Mativenga, 2014;Bhinge et al., 2017)。通用序列学习器减少了人工建模,可捕捉非线性时间关系,但通常仅依赖历史信号,并仅隐式地表示几何形状引起的载荷变化(He et al., 2020;Huang et al., 2021)。基于 NC 代码和几何感知的方法引入了程序、材料去除率、力或去除体积信息,但通常与单向时间骨干结构结合使用手工构造或标量特征(Cao et al., 2021;Str?bel et al., 2023;Wald et al., 2025)。因此,现有方法很少同时利用预知的预定轨迹上下文信息和材料去除的显式空间表示来进行瞬态功率估计。鉴于此,本研究将 CNC 铣削功率预测定义为预定轨迹条件下的功率曲线估计,用于预执行或近执行评估。MA-BiSSM 结合了用于历史和预知指令上下文的双向状态空间分支、带有去除高度门的二维材料去除形态表示,以及物理启发的运动功率基线和材料去除相关修正的门控融合。所得的时间分辨功率曲线可为比较替代刀具路径和工艺参数设置提供定量支持,识别峰值负荷区间,并开展能源感知的工艺规划。主要贡献如下:- 我们提出了一种用于状态空间序列建模的双向扫描策略,通过将过去状态与预知的预定轨迹上下文融合,提高了进刀、拐角和退刀过渡时的预测可靠性。- 我们提出了一种材料去除形态模块,将 Z 轴映射导出的二维材料去除图与去除高度门相结合。通过物理启发的门控融合,该模块将运动功率基线与材料去除相关的修正耦合,实现了在不同刀具路径模式下的自适应功率建模。- 基于真实 CNC 铣削数据的广泛实验,包括与七个代表性序列学习模型在 10 个随机种子下的比较和针对性消融分析,证明了 MA-BiSSM 在轴和主轴功率预测任务中的有效性。本文其余部分组织如下。第 2 节综述了 CNC 铣削功率建模、序列学习方法和形态感知混合学习的相关研究。第 3 节提出了 MA-BiSSM 框架,包括问题定义、双向选择性状态空间建模、材料去除形态表示和物理引导的跨模态融合机制。第 4 节描述了用于评估所提模型有效性的实验数据集、数据预处理流程、对比实验和消融研究。最后,第 5 节总结全文并讨论未来研究方向。## 章节片段### 方法所提 MA-BiSSM 的整体框架如图 2 所示。该模型以运动状态序列、Z 轴映射导出的二维材料去除图和材料去除门作为输入。然后通过两个分支分别提取时间运动特征和材料去除形态特征,最后以物理引导的方式融合,预测轴和主轴功率曲线。### 结论本文提出了 MA-BiSSM,一种形态感知双向状态空间模型,用于 CNC 铣削功率预测。所提方法结合了双向选择性状态空间建模与材料去除形态表示,使模型能够同时捕捉加工过程中的时间上下文依赖性和几何形状引起的载荷变化。通过引入 Z 轴映射导出的材料去除图、材料去除门和物理引导的融合机制,MA-BiSSM 可以联合建模…### 作者贡献声明**Kang Wang:** 撰写–审稿与编辑、监督、方法学、概念构思。**Jinjie Fang:** 撰写–初稿、验证、软件、方法学。**Xiaojian Liu:** 撰写–审稿与编辑、监督、资金获取。**Yangjian Ji:** 资源。**Shuyou Zhang:** 资源。**Jianrong Tan:** 资源。### 资金本研究由中国浙江大学机械工程学院启动资金以及浙江省自然科学基金(LD24E050009)资助。### 利益冲突声明作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
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