基于数据的工具磨损监测方法，该方法通过退化流形结构约束，并结合先验知识进行指导

《JOURNAL OF INTELLIGENT MANUFACTURING》：Data-driven tool wear monitoring guided by prior knowledge via degenerate manifold structural constraints

　　

摘要

工具磨损预测是智能制造和状态监测中的一个关键问题，其中的主要挑战在于准确描述切削工具的时间退化过程。现有的深度学习方法主要依赖于端到端的特征学习和回归，从而在预测准确性上取得了一定的改进。然而，这些方法往往忽略了特征空间中深度特征在退化过程中的内在结构组织，这使得模型对噪声干扰和操作条件变化非常敏感，从而限制了它们的泛化能力。为了解决这些限制，本文提出了MDSC（具有退化结构约束的模型），这是一种基于特征空间中隐式退化流形的结构约束退化建模方法。从几何角度来看，MDSC引入了一个参数化变量来描述样本沿隐式退化轨迹的相对位置。进一步施加了序列一致性和近似线性结构约束，以指导模型学习结构一致且按退化顺序排列的特征表示。在不依赖于显式物理模型的情况下，所提出的约束以数据驱动的方式将先验的退化结构信息嵌入到学习过程中，增强了模型表示退化过程的能力。在自收集的工具磨损数据集上进行的实验，包括消融研究和与多个基线模型的比较，验证了MDSC的有效性。此外，通过在训练和测试过程中引入不同强度的随机噪声扰动来进行鲁棒性评估。结果表明，与传统的一维卷积神经网络（1DCNN）和几种代表性的深度学习模型相比，MDSC在预测准确性、特征结构稳定性以及噪声条件下的鲁棒性方面都表现出更好的性能。