💻 computer science

A Tool Wear Prediction Method Based on Multi-Scale Temporal Feature Fusion

本文提出了一种名为 GLDformer 的新型刀具磨损预测模型，该模型集成了多尺度时间特征融合、全局-局部特征建模以及趋势-细节分解，以有效捕捉复杂的信号动态，在跨刀具验证中相比现有基准模型实现了更高的准确性和泛化能力。

原作者： Chen Jinguo, Sun Da, He Genghuang, Luo Manting, Chen Youxing, Li Miao, Zhang Qinkun, Chen Linhan

发布于 2026-10-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Chen Jinguo, Sun Da, He Genghuang, Luo Manting, Chen Youxing, Li Miao, Zhang Qinkun, Chen Linhan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代制造业的世界中，切削刀具是精密制造中默默无闻的英雄。无论是塑造飞机发动机的部件，还是制作医疗植入物，锋利的刀具都能确保表面光滑且尺寸精确。但工具并不会永恒存在。当它们切削金属时，会逐渐变钝，这一过程被称为磨损。这种渐进式的退化是危险的；过于磨损的刀具可能会折断，从而损坏正在加工的高昂零件，甚至可能损坏机器本身。为了防止这种情况，工程师们长期以来一直试图“倾听”机器。通过在设备上安装传感器，他们可以“听到”随着刀具变钝而发生的振动、力和声音的细微变化。这些信号就像是工具与工件之间持续不断的对话，但其语言非常复杂。这些信号包含了一系列缓慢、稳定的变化（显示工具正在老化），以及由切割粗糙度引起的突然、剧烈的尖峰。多年来，旨在读取这些信号的计算机程序一直难以同时理解这种“缓慢的故事”和“突发事件”，往往直到为时已晚才察觉到预警信号。

来自中国大学的一个研究小组开发了一种新的方式来倾听这场对话，这种方式能够关注信号中的每一个细微差别。他们创建了一个名为 GLDformer 的系统，这是一个复杂的软件模型，旨在仅通过观察机器传输的数据来精确预测刀具磨损的具体程度。该方法并没有试图将数据强行塞入单一、简单的模式，而是将信号视为由不同时间尺度构成的丰富织锦。它既观察刀具寿命中缓慢、稳定的漂移，同时也追踪切割过程中快速、混沌的抖动。通过分离这些不同的节奏，然后再将它们重新编织在一起，该模型能够以极高的清晰度洞察工具健康的全局图景。

研究人员使用来自一项涉及铣床的公开挑战赛中的知名数据集测试了他们的想法。他们专注于三把特定的刀具，每把刀具都拥有从锋利状态到最终报废的完整记录。为了使测试真正严谨，他们使用了一种称为“留一工具法”（leave-one-tool-out）的方法。这意味着他们在两把刀具的数据上进行训练，然后要求计算机预测第三把刀具的磨损情况，而这把第三把刀具是计算机从未见过的。这是一个至关重要的测试，因为在真实的工厂中，新工具的表现可能会与计算机学习过的工具略有不同。如果系统能够预测未知工具的磨损，就证明该方法对于实际应用具有足够的鲁棒性。

结果令人瞩目。当新模型观察这把未见的工具时，其预测的磨损量平均误差仅为 6.07。为了直观理解，这意味着模型的误差小于头发丝宽度的十分之一。这种水平的精度显著优于现有的最佳方法，后者的误差要大得多。该模型还在匹配工具寿命的整体趋势方面表现出极高的准确性，能够正确识别工具处于健康状态以及何时正迅速接近使用寿命终点。

这种方法之所以如此有效，是因为它处理了隐藏在传感器数据中的不同类型信息。研究人员意识到，当信号中同时包含长期趋势和短期噪声时，标准的计算机模型往往会产生困惑。他们的解决方案是构建一个拥有两个并行工作的独立“大脑”的系统。系统的一部分专注于大局，观察整个数据序列，以理解工具年龄与性能之间的长期关系。另一部分则进行局部放大，检查信号中的微小局部块，以捕捉单次切割过程中发生的即时、剧烈的波动。随后，一个智能切换机制会决定在任何给定时刻给予每种视角多少权重，并将它们融合为单一的、连贯的理解。

此外，该模型包含一个特殊的步骤，用于将缓慢、稳定的衰减与快速、不规则的振动分离开来。想象一下，试图在嘈杂的管弦乐队中听清一种乐器；如果你只关注音量，你可能会错过旋律。同样，该模型将刀具磨损的缓慢“旋律”从切割过程的“噪声”中分离出来。通过分别分析这两个组成部分并将其重新组合，该系统避免了常见的错误，即过度平滑重要细节或被暂时的尖峰所干扰。这种分离使得模型即使在切割过程变得混乱时，也能保持冷静和准确。

研究人员还测试了逐一移除这些特殊功能后会发生什么。当他们移除观察局部细节的部分时，模型的准确性显著下降，这证明了微小的、剧烈的波动对于做出正确预测至关重要。当他们移除观察长期趋势的部分时，模型无法理解工具的整体寿命。而当他们移除分离缓慢趋势与快速噪声的步骤时，模型产生了较大的误差，尤其是在工具磨损加快的过程中。这些测试证实了系统的每一个部分都发挥着至关重要的作用，并且正是这种不同视角的结合带来了如此高性能。

这项工作表明，通过尊重数据的复杂性——承认刀具的生命是缓慢变化与快速事件的结合——我们可以构建更好的工业机器监测工具。该模型不仅仅是在猜测；它学会了区分信号与噪声、趋势与事件。虽然这项研究是在特定的受控条件下进行的，但其能够预测完全未知工具磨损情况的成功，表明这种方法可以成为现代制造业工具箱中的强大补充。它提供了一种让机器保持顺畅运行、防止意外故障并确保我们赖以生存的产品能以最高精度制造出来的方法。

技术摘要：一种基于多尺度时序特征融合的刀具磨损预测方法

问题陈述
标准的 Transformer 架构往往难以同时表征多传感器切削信号的复杂特性，这些信号包含多尺度的局部波动、长程依赖以及缓慢变化的退化分量。现有的间接监测方法，无论是基于手工特征还是深度学习，都面临着局限性：传统模型过度依赖领域专家知识和特定的信号处理策略；而深度学习方法（如 CNN、RNN）则可能受到感受野受限或递归计算瓶颈的影响。此外，目前缺乏一个能够显式分离并重新组合趋势分量与细节分量，同时在严格的数据隔离协议下保持对不同刀具强健泛化能力的统一框架。

方法论：GLDformer
作者提出了 GLDformer，这是一种旨在集成全局-局部特征建模与多尺度趋势-细节分解的刀具磨损预测模型。该方法通过以下阶段进行：

数据预处理与特征构建：
- 对 PHM Society 2010 数据集（三轴切削力、三轴振动和声发射）的原始信号进行处理，丢弃初始和末尾 2.5% 的数据，仅保留稳定的切削阶段。
- 将信号划分为 100 个连续的时间窗口。对于每个窗口，提取每个传感器通道的三个统计特征（最大值、平均值、方差），从而得到每个窗口 21 维的特征向量。
- 使用基于训练集的极差标准化（Min-Max scaling）对特征进行归一化，以防止信息泄漏。
多尺度卷积嵌入：
- 模型并未采用标准的线性投影，而是使用了多尺度卷积分词器（Multi-Scale Conv Tokenizer）。三个并行的 1D 卷积分支（卷积核大小分别为 3、7 和 15）分别捕捉不同感受野下的局部模式（细粒度、中等范围和宽泛上下文）。
- 这些输出经过拼接、归一化，并通过 GELU 激活函数和 Dropout 处理，形成初始序列表示。
全局-局部双支路门控融合：
- 模型利用双支路架构来处理嵌入后的特征：
  - 全局支路（Global Branch）： 由 Transformer 编码器层组成，用于对 100 个时间窗口之间的长程依赖进行建模。
  - 局部支路（Local Branch）： 由堆叠的局部卷积块（LocalConvBlocks，使用深度卷积和逐点卷积）组成，用于捕捉邻域动态特性。
- 通过**自适应门控机制（Adaptive Gating Mechanism）**融合这两个支路。门控矩阵通过对拼接后的全局和局部特征进行 Sigmoid 激活生成，动态控制每个时间步和每个特征维度上全局与局部信息的平衡。
多尺度趋势-细节自适应建模：
- 为了解决趋势与波动之间的相互掩盖问题，专门设计了一个模块对融合后的特征进行分解。
- 趋势提取： 使用三个深度卷积（卷积核为 5, 11, 21）提取缓慢变化的趋势分量。
- 细节提取： 细节分量通过残差计算得出（ $D = H_F - T$ ）。
- 自适应重组： 门控机制根据上下文动态分配趋势和细节分量的权重，然后通过残差相加的方式进行重组。
预测头（Prediction Head）：
- 时序注意力池化（Temporal Attention Pooling）： 侧重于捕捉信息丰富的时序窗口，而非简单的平均。
- 残差回归（Residual Regression）： 最终预测结合了主支路输出（经过注意力的特征）和辅助支路输出（全局平均池化）。辅助支路的权重设为 0.1，提供一种向整体磨损水平靠拢的归纳偏置，以防止过度偏差。

核心贡献

统一框架： 本文引入了一个能够在单一 Transformer 架构内显式协调多尺度局部波动、长程依赖和缓慢变化分量的框架。
新颖的架构组件：
- 多尺度卷积分词器取代了线性投影，以更好地编码局部上下文。
- 门控融合机制实现了在全局和局部表示之间进行基于内容的自适应选择。
- 趋势-细节分解模块显式地分离并重组了退化趋势与局部扰动。
严谨的验证策略： 研究在 PHM2010 数据集（使用工具 C1, C4 和 C6）上采用了**留一工具交叉验证（Leave-One-Tool-Out, LOTO）**策略。这确保了训练、验证和测试数据相互隔离，从而对未知工具的泛化能力进行了严格评估。

实验结果
模型针对包括 LSTM、BiLSTM-Attention、CNN、GRU 和标准 Transformer 在内的基准模型进行了评估。

性能指标： GLDformer 实现了平均 MAE 为 6.07 μm，RMSE 为 8.25 μm，以及 R² 为 0.94。
提升效果： 与表现最好的基准模型相比，GLDformer 将 MAE 降低了 30.9%，将 RMSE 降低了 28.5%，R² 提升了约 0.05。
消融实验：
- 移除局部卷积支路导致性能下降最为显著（MAE 增加 50.6%），凸显了捕捉细粒度局部波动的必要性。
- 移除 Transformer 支路导致 MAE 增加了 44.7%，证实了长程依赖建模的重要性。
- 移除趋势分解模块导致 RMSE 增加了 32.4%，表明其在抑制大幅预测误差方面的作用。
- 使用线性投影替换多尺度分词器会导致性能下降，验证了在嵌入阶段进行多尺度特征提取的益处。

意义与结论
论文声称 GLDformer 有效提高了对未知刀具磨损预测的准确性和泛化能力，解决了单一尺度或单一时序建模方法的局限性。作者认为，局部特征、长程相关性和显式的趋势-细节分离之间的互补作用，对于表征刀具磨损演变至关重要。

研究同时也承认了局限性，指出实验验证仅限于三种固定操作条件下的工具，且模型在某些工具（如工具 C4）的末端加速磨损阶段倾向于低估磨损程度。作者建议未来的工作应研究模型在不同工具和加工条件下的适用性。该工作为多传感器刀具状态监测提供了一种可行的方法，为处理工业切削信号中固有的复杂时序动态提供了一种鲁棒的方法。

技术摘要：一种基于多尺度时序特征融合的刀具磨损预测方法

类似论文