《Engineering Applications of Artificial Intelligence》：Deep learning based two-stage multi-source data fusion model with transformer and cross-attention for surface roughness prediction in precision turning
编辑推荐：
摘要：表面粗糙度是评价精密车削质量的关键指标，直接影响零部件的性能与使用寿命。针对精密车削表面粗糙度预测中多源传感器数据与工艺参数协同动态-静态建模的难题，研究人员提出了一种融合卷积神经网络(Convolutional Neural Network, CNN)
摘要：表面粗糙度是评价精密车削质量的关键指标，直接影响零部件的性能与使用寿命。针对精密车削表面粗糙度预测中多源传感器数据与工艺参数协同动态-静态建模的难题，研究人员提出了一种融合卷积神经网络(Convolutional Neural Network, CNN)、双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)、Transformer及交叉注意力(Cross-Attention)机制的新模型，命名为CB-TCAM。该模型采用两阶段渐进式深度学习架构实现多源数据融合。首先，通过集成非接触式激光测振与接触式测力获取高质量多源动态信号数据；随后利用CNN和BiGRU从传感器数据中提取初步动态特征。在第一阶段数据融合中，采用Transformer编码器对振动与切削力特征进行交互融合，其多头自注意力(Multi-Head Self-Attention)机制可并行计算各特征位置间的交互权重，从而充分捕捉特征间的互补性与双向依赖关系。在第二阶段，采用工艺参数引导的交叉注意力机制实现动态-静态特征融合，该机制以静态工艺参数为先验条件，动态调制并增强多源动态特征。最终通过多层感知机(Multilayer Perceptron, MLP)预测表面粗糙度。结果表明，CB-TCAM模型有效集成了多源传感器数据与工艺参数数据，取得了优异的预测精度，性能超越现有方法，为智能制造中的质量控制提供了数据驱动支持。
论文解读：基于深度学习两阶段多源数据融合与Transformer及交叉注意力机制之精密车削表面粗糙度预测模型(CB-TCAM)研究
在现代制造领域，车削是生产机械零件的核心工艺，表面粗糙度(Ra, Surface Roughness)是衡量加工表面完整性的关键指标，直接影响零件的摩擦特性、疲劳强度及配合精度。传统表面粗糙度评估依赖加工后接触式触针测量或非接触式光学仪器检测，存在成本高、效率低及难以测量复杂工件等局限。为此，学界发展了基于物理机理的解析模型与数据驱动的预测模型。基于物理机理的模型虽具解释性，但过度依赖理想假设，难以表征实际加工中复杂时变因素；而基于工艺参数或单一传感器信号的常规数据驱动方法，在捕捉多源异构信号深层关联及动态—静态参数耦合关系上存在不足，多采用简单拼接或浅层加权融合，未能充分利用多传感器间时空依赖关系及工艺参数对动态信号的调制作用。此外，仅靠接触式加速度计采集振动信号易受干扰导致信噪比低。因此，研究人员开展了本研究，提出CB-TCAM模型，通过非接触与接触式混合传感获取高质量信号，并设计两阶段融合架构分别处理多源动态信号交互及工艺参数引导的动态—静态特征融合，以提高预测精度与泛化能力。相关成果发表于《Engineering Applications of Artificial Intelligence》。
本研究采用的主要关键技术方法为：在精密数控车床上对氟金云母陶瓷材料进行单因素变量法车削实验，同步采集非接触激光测振仪(Laser Vibrometer)振动信号与接触式测力仪(Cutting Force Sensor)切削力信号及静态工艺参数(切削速度、进给量、切深)。构建CB-TCAM深度学习模型：首先通过一维CNN提取局部特征后经BiGRU捕获时序依赖，得到振动与切削力初步动态特征；第一阶段利用Transformer编码器之多头自注意力机制进行双路动态特征交互融合；第二阶段以静态工艺参数为Query、融合后动态特征为Key-Value进行交叉注意力(Cross-Attention)机制引导的动态—静态特征融合；最终由MLP输出Ra预测值。以均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R2)等为评价指标与多种基准模型对比验证。
Two-stage multi-source data fusion model for surface roughness prediction
研究人员详细阐述了CB-TCAM整体框架，包含多源数据采集、初步动态特征提取(CNN-BiGRU)、第一阶段动态特征融合(Transformer Encoder多头自注意力交互融合振动与切削力特征)、第二阶段动态—静态特征融合(工艺参数引导之Cross-Attention调制增强动态特征)及MLP预测模块，明确分阶段融合可反映"传感器交互发生于工艺参数设定框架下"及"工艺参数→信号"物理因果关系的归纳偏置。
Experimental setup
在CAK5058高精度数控车床平台对氟金云母陶瓷进行精密车削实验，采用单因素变量法设置切削速度、进给量、切深三关键工艺参数，共获得243组实验配置，同步采集激光振动与切削力动态信号及对应表面粗糙度实测值作为数据集。
Conclusion（研究结论部分翻译）
本研究开发了CB-TCAM模型——一种两阶段深度学习框架，成功解决了精密车削表面粗糙度预测中多源动态传感器数据与静态工艺参数集成融合的难题。通过系统的实验验证与理论分析，得出以下主要结论：
(1) 集成非接触激光测振与接触式测力的多源动态信号采集方案，在提升振动信号质量与可靠性的同时保留了切削力信号的有效性；
(2) 针对多源动态信号特征分离与交互不足问题提出的首阶段动态特征融合模块(CNN-BiGRU + Transformer Encoder多头自注意力)，实现了振动与切削力特征间深层交互与全局依赖融合，增强了动态特征表征与融合效率；
(3) 针对动态—静态数据高异质性与融合难点引入的次阶段动态—静态特征融合模块(工艺参数引导之Cross-Attention)，以静态工艺参数为先验动态调制增强动态特征，输出了统一表征动态—静态数据的融合特征；
(4) CB-TCAM模型经多工况系统验证，利用融合后动态—静态特征通过MLP实现表面粗糙度预测，在预测精度、鲁棒性及泛化能力上均优于现有对比方法。
综上，该文通过创新的两阶段融合架构将物理因果认知嵌入网络设计，有效克服了传统方法中多源信号交互弱及动态—静态特征简单拼接之缺陷，为精密加工表面质量智能监控与数据驱动质量控制提供了新范式。
