近日，中國科學院合肥物質(zhì)院智能所朱錕鵬研究員團隊在銑削動力學精準建模與預測領(lǐng)域提出一種物理引導深度學習新框架，實現(xiàn)變切削條件下瞬時銑削力與主軸振動的同步精準預測。相關(guān)研究成果以“Physics-Guided Deep Network for Milling Dynamics Prediction”為題發(fā)表在綜合性國際工程科技學術(shù)期刊Engineering上。

銑削是精密裝備制造領(lǐng)域應用最廣泛的加工工藝之一，其銑削力作為解析切削機理、調(diào)控加工過程的核心參數(shù)，精準預測銑削力對優(yōu)化工藝、抑制刀具磨損與振動、提升生產(chǎn)效率和保障產(chǎn)品精度具有重要意義。傳統(tǒng)物理模型依賴簡化假設(shè)，未知工況下泛化能力有限；而純數(shù)據(jù)驅(qū)動模型缺乏物理規(guī)律引導，可解釋性差，難以直接落地復雜加工場景。如何兼顧預測精度、泛化能力與模型可解釋性，是該領(lǐng)域亟待攻克的關(guān)鍵難題。

針對上述痛點，研究團隊提出了一種高速銑削動力學引導的深度網(wǎng)絡(luò)模型，可實現(xiàn)變切削條件下瞬時銑削力與主軸振動的同步精準預測。該模型的技術(shù)創(chuàng)新主要體現(xiàn)在三大層面：一是采用銑削動力學模型生成仿真數(shù)據(jù)集對深度網(wǎng)絡(luò)開展預訓練，將動力學先驗知識嵌入網(wǎng)絡(luò)初始參數(shù)，既解決了真實訓練樣本稀缺的問題，也大幅提升了網(wǎng)絡(luò)對真實銑削動力學特征的學習適配效率；二是創(chuàng)新性地將振動方程作為物理約束納入損失函數(shù)設(shè)計，有效增強了預測結(jié)果的物理一致性，破解了傳統(tǒng)數(shù)據(jù)驅(qū)動模型可解釋性不足的短板；三是引入真實銑削實驗數(shù)據(jù)對預訓練模型開展微調(diào)，進一步提升了模型在實際加工場景下的泛化能力與預測精度。此外，團隊開展了多組銑削加工對照實驗驗證模型性能，結(jié)果表明，物理機制的引入有效提升了網(wǎng)絡(luò)的學習能力與可解釋性，預測結(jié)果與實測值高度吻合，平均誤差低至2.6705%，相比純數(shù)據(jù)驅(qū)動模型，預測精度提升達24.4367%。

該研究為高速銑削加工過程的動力學預測提供了新的技術(shù)路徑，可直接用于指導加工參數(shù)在線優(yōu)化，其模型結(jié)構(gòu)與設(shè)計思路可快速遷移到車削、鉆削等其他切削加工動力學研究場景，為高端制造領(lǐng)域數(shù)據(jù)驅(qū)動模型的可解釋性提升提供了新的解決方案。智能所朱錕鵬研究員為論文第一作者與通訊作者。該研究獲國家重點研發(fā)計劃等項目支持。

文章鏈接：https://www.sciencedirect.com/science/article/pii/S2095809924006490

圖1 銑削過程物理引導的深度網(wǎng)絡(luò)模型架構(gòu)

圖2 在不同階段下物理引導機制對深度學習模型參數(shù)的影響

圖3 銑削過程力與振動的預測值和實際值的比較