在航空航天零部件和精密模具从实心金属中雕刻出来的精密制造的高端领域，切削刀具正不断地与工件进行着一场剧烈且有节奏的搏斗。这种被称为铣削的过程并非平滑的滑动，而是一系列快速、间歇性的冲击。随着旋转刀具切入材料，它产生的力决定了最终产品的质量、工具的使用寿命以及机器的安全。如果这种力过大或发生不可预测的波动，刀具可能会过早磨损，机器可能会产生危险的振动，或者零件可能会被损坏。几十年来，工程师们一直依赖笨重且昂贵的传感器（即动力仪）来直接测量这种力。然而，这些设备难以安装，可能会改变机器的刚度，并且在繁忙的工厂中往往不具备长期使用的实用性。一个更具吸引力的替代方案存在于：倾听机器的振动。正如医生可以通过脉搏的节奏推断心脏病一样，工程师知道机器工具的振动包含着反映切削力的隐藏代码。然而，挑战在于每台机器都是不同的。由于金属结构、传感器位置或信号在结构中传播方式的差异，一台机器上代表特定力的振动模式在另一台机器上可能看起来完全不同。这使得在一部机器上训练计算机模型并期望其在另一部机器上准确运行变得极其困难，尤其是当第二部机器缺乏用于教导模型识别目标的昂贵力传感器时。
新乡职业技术学院的研究人员开发了一种新方法来解决这一问题，创建了一种允许计算机模型利用极少的数据来学习如何预测新机器上切削力的方法。他们并没有试图强行让一个在第一台设备上训练的模型适用于另一台设备，而是构建了一个系统，该系统首先学习振动的基本语言，然后再适应特定的机器。该过程始于向计算机输入来自原始机器和新目标机器的海量原始振动数据。至关重要的一点是，这些初始数据不需要带有力测量值的标签。计算机被要求玩一场“填空游戏”，即隐藏振动信号的一部分，并要求模型根据周围的模式重建缺失的部分。这种自监督训练使模型能够在尚未了解确切力值的情况下，学习铣削振动的内在节奏和结构。它学习稳定的切削看起来是什么样的，学习当刀具撞击材料时信号如何变化，以及不同频率如何相互作用，从而有效地构建了一部通用的铣削声音词典。
一旦模型学习了这种通用语言，它就准备好适应特定的机器。研究人员随后引入了来自目标机器的一小部分带标签数据——即振动与实际测得的力相匹配的数据。他们使用了一种称为“领域自适应”的技术，该技术就像一个翻译官，将从第一台机器学到的特征与第二台机器的独特特征进行对齐。这一步确保了模型能够理解，即使由于新机器独特的结构导致信号看起来略有不同，特定的振动模式也对应着相同的物理力。最后，模型通过使用现有的少量标记样本进行短暂的微调。这会对预测进行校准，调整输出以匹配新环境的特定振幅和动态响应。结果是一个能够利用新机器上丰富的无标签振动数据，并仅通过极小比例的带标签力数据，就能高精度预测切削力的系统。
该方法的有效性通过与传统方法进行对比得到了验证。当模型仅在源机器上进行训练并直接应用于目标机器，而没有进行任何自适应时，其预测效果很差，往往会产生显著的偏差。即使是简单的调整也无法弥补两台不同机器之间的差距。然而，这种结合了自监督预训练、领域自适应和微调的新方法展现出了卓越的效果。在目标机器上，仅使用百分之五的可用数据作为标记示例，该模型的预测精度即可解释百分之九十五点七的实际力变化。预测的平均误差降低到了十七点八牛顿，这一精度水平足以媲美使用更大规模数据集训练的模型。即使当带标签数据的量减少到仅百分之一时，该方法仍然优于其他技术，保持了高度的可靠性。研究人员还发现，即使振动信号受到噪声污染（这在实际工业环境中很常见），该方法依然保持稳健。通过专注于信号的底层模式而非死记硬背特定的数据点，模型可以忽略静电干扰并专注于真实的切削力。
这项工作证明，无需用昂贵的传感器对每一次切削进行重新测量，就可以实现知识在不同机器之间的转移。研究明确排除了仅仅通过增加神经网络的深度或复杂性就能解决不同机器问题的观点；如果没有自监督学习和领域对齐的具体步骤，模型往往会被信号结构的差异所迷惑。研究结果表明，成功的关键在于教导模型在预测特定力之前，先理解振动的通用物理特性。通过利用工厂现有的丰富的无标签数据，并辅以极少量的带标签数据，这种方法为实现切削过程的智能化、实时监控提供了一条切实可行的路径。它使工业界更接近于这样一个未来：机器可以监测自身的健康状况和性能，而无需承担复杂、侵入式传感器装置的负担，从而使先进制造更加高效且触手可及。
技术摘要：通过自监督预训练与领域自适应实现跨设备铣削力预测
1. 问题陈述
铣削力是衡量刀具磨损、表面完整性和加工安全性的关键指标。虽然使用动力仪进行直接测量非常准确，但由于成本高昂、安装限制以及可能改变系统刚度，在工业部署中往往并不现实。因此，利用振动信号进行间接预测更具优势。然而，现有的数据驱动模型在跨设备应用方面面临重大瓶颈：
- 分布差异（Distribution Discrepancy）： 不同的机床具有独特的结构刚度、主轴系统和传感器安装位置。这导致相同的切削力在不同设备上会产生具有不同振幅尺度、频率分布和时间特性的振动信号。
- 标签稀缺（Label Scarcity）： 在目标设备上获取带标签的铣削力数据需要昂贵的设备和同步过程，这导致了一个场景：目标域拥有大量的无标签振动数据，但仅有极少量的有标签力样本。
- 模型失效（Model Failure）： 在源设备上训练的模型在直接应用于目标设备时往往会失效，因为它们学习的是特定于设备的特征，而非稳定的力相关动力学特性。
2. 方法论
本文提出了一个统一的框架，整合了自监督预训练（SSL）、领域自适应（DA）和少标签微调（Few-Label Fine-Tuning），旨在将振动-力映射能力从源设备迁移到目标设备。
2.1 数据预处理与任务构建
- 信号处理： 对原始振动信号进行稳定切削段提取、归一化处理（以解决振幅差异）以及时间对齐（通过互相关函数使振动与力信号同步）。
- 分窗（Windowing）： 将连续信号分割成重叠的滑动窗口，以捕捉局部动态模式和周期性齿尖冲击。
- 数据划分： 该框架利用以下数据：
- Ds：有标签源域（振动 + 力）。
- Dtu：无标签目标域（仅振动）。
- Dtl：少量的有标签目标域样本（少标签）。
2.2 自监督预训练（掩码振动建模）
为了利用来自源设备和目标设备的丰富无标签数据，作者采用了**掩码振动建模（Masked Vibration Modeling）**任务：
- 机制： 通过掩盖随机的时间-频率段来破坏输入的振动窗口。解码器根据可见的上下文重建缺失的值。
- 目标： 这迫使特征提取器（编码器）在不依赖力标签的情况下，学习内在的时间结构、通道相关性和局部动态模式。
- 益处： 编码器在开始监督训练之前，学习到了对特定设备特征偏差较小的可迁移表示。
2.3 领域自适应特征学习
在预训练之后，模型通过联合优化来对齐源域和目标域的分布：
- 监督损失（Lpreds）： 使用有标签的源数据确保特征对铣削力的变化保持敏感。
- 对抗性领域自适应： 引入一个领域判别器来区分源特征和目标特征。编码器通过训练来“欺骗”判别器（通过梯度反转层），从而促进**领域不变特征（domain-invariant features）**的学习。
- 损失函数： 目标函数结合了监督回归、对抗性领域损失和自监督重建损失。
2.4 少标签微调
为了修正特定于目标设备的残余偏差（包括力振幅和动力学响应）：
- 使用少量有标签的目标样本（Dtl）来校准回归头和特征提取器的上层。
- 编码器的底层通常被冻结或以较小的学习率进行更新，以保留预训练阶段学到的通用表示。
2.5 模型架构
该预测网络是一个混合特征融合网络：
- 深度分支（Deep Branch）： 使用残差卷积块进行局部模式提取，使用双向循环层（Bi-LSTM/GRU）捕获时间依赖性，并使用多头注意力机制对重要的振动片段进行加权。
- 物理分支（Physical Branch）： 显式地提取统计、频谱和时频特征（如能量、频率分布），以提供稳定的物理描述。
- 融合： 深度特征与物理特征进行拼接并归一化，随后通过全连接回归头。
3. 核心贡献
- 统一框架： 建立了一个跨设备预测框架，能够共同利用有标签源数据、无标签目标数据和少量的有标签目标样本，降低了对大规模目标域标注数据的依赖。
- 自监督策略： 设计了掩码振动建模任务，从无标签数据中学习可迁移的时间和频谱表示，使模型能够在力监督之前理解内在的振动动力学。
- 集成自适应： 将对抗性领域自适应与少标签微调相结合，同时减少了设备引起的分布偏移并校准了目标特定的预测偏差。
4. 实验结果
实验使用来自两台不同立式加工中心（源设备：EM800A；目标设备：FANUC 系统）且加工对象为 Inconel 718 工件的数据进行。
- 设备内性能： 在源设备上，模型的平均 R2 达到 0.9923。在目标设备上（经过微调后），其维持了 0.9908 的平均 R2。
- 跨设备性能（SSL + DA）：
- 0% 目标标签： 实现 R2 为 0.862，RMSE 为 47.3 N（优于直接迁移和仅使用 DA 的基准模型）。
- 1% 目标标签： R2 提升至 0.917，RMSE 下降至 35.2 N。
- 5% 目标标签： R2 达到 0.957，RMSE 为 24.9 N，MAE 为 17.8 N。
- 20% 目标标签： RMSE 进一步降低至 19.4 N，R2 为 0.973。
- 特征对齐： 经过完整训练过程后，源特征与目标特征之间的最大均值差异（MMD）距离从 1.00（原始状态）下降到 0.22，表明分布对齐成功。
- 鲁棒性： 在强噪声（5 dB SNR）条件下，所提方法保持了 0.794 的 R2，显著优于直接迁移方法（R2 为 0.515）。
- 效率： 该模型使用 1.68M 参数，每个样本耗时 0.058 ms，与基于 Transformer 的模型相比，在精度与推理速度之间取得了良好的平衡。
5. 意义与主张
本文主张，本研究为将铣削力预测从单设备实验验证扩展到跨设备、少标签及实际工业部署场景提供了一种可行方案。
- 解决瓶颈： 通过展示在结合自监督预训练和领域自适应后，仅需 5% 的有标签目标样本即可实现高精度，本文直接解决了目标域有标签数据不足的关键瓶颈。
- 可迁移性： 结果证实，所提方法能有效实现不同结构和动力学特性的设备间的振动-力映射能力迁移，克服了传统模型假设数据分布一致的局限性。
- 工业可行性： 通过减少在每个目标机器上部署昂贵力传感器的需求，并保持对噪声和参数变化的鲁棒性，该方法支持非侵入式的实时过程监控与智能加工控制。
作者总结道，自监督学习、领域自适应与少标签微调的集成，构建了一个能够平衡工业应用中预测精度、可迁移性与计算效率的稳健框架。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。