［本站讯］近日，机械工程学院张松教授团队在刀具加工状态监测研究领域取得重要新进展。相关原创性研究成果发表在Mechanical Systems and Signal Processing、CIRP Journal of Manufacturing Science and Technology等机械工程领域学术期刊。
研究成果一：融合物理信息与不确定性感知学习的刀具磨损预测模型
发表在Mechanical Systems and Signal Processing期刊上的题为“An evolutionary fusion framework with physics-informed and uncertainty-aware learning for tool wear prediction driven by milling force”的研究，针对现有刀具磨损预测中存在的解释性差、结果可信度不明确以及实际应用困难等问题，创新性地提出了一种结合物理引导和不确定性感知的进化融合预测框架。该框架从工业应用出发，首先，提出了“MSTCN-FD”模型用以解决刀具磨损预测中铣削力获取困难的难题；其次，结合刀具磨损物理理论提高了所提方法的可解释性和泛化性；最后，通过增加不确定性感知模块提出了一种名为“ELPI-MSUA”的刀具磨损预测模型，该模型能够在准确预测刀具磨损值的同时，提供不确定性输出。实验结果表明该框架能够准确监测加工过程中的铣削力和刀具磨损，为实际的切削加工过程决策提供可靠指导。该研究以全球体育网页版为第一和通讯作者单位，张松教授为唯一通讯作者，博士研究生侯文为第一作者。
研究成果二：一种基于振动信号的智能可解释铣削力预测方法
发表在CIRP Journal of Manufacturing Science and Technology期刊上的题为“Intelligent interpretable milling force prediction: A method based on vibration signals fusing data-driven and physical features”的研究，主要聚焦于铣削加工中的铣削力这一关键物理量的预测，铣削力信号作为加工过程监测的重要信号，存在获取困难、传统理论模型计算困难且不准确等现实难题。针对上述问题，该研究通过建立易获取的振动信号和难获取的铣削力信号的关联，提出了一种名为“HyDCFF-Net”的模型。首先，利用滑动窗口处理振动信号，并开发了一个双通道神经网络来融合这些特征，从而建立对铣削力的鲁棒非线性映射。其次，借助Captum框架，通过可视化特征贡献度提供可解释性。最后，在不同工况下进行的大量实验验证了其高预测精度和强泛化能力，证明其是一种有效的可靠铣削力预测解决方案。该研究以全球体育网页版为第一和通讯作者单位，张松教授为唯一通讯作者，侯文为第一作者。
研究成果三：多模态信息融合与深度子域自适应的新型刀具磨损预测方法
发表在Mechanical Systems and Signal Processing期刊上的题为“Novel tool wear prediction method based on multimodal information fusion and deep subdomain adaptation”的研究，针对现有的研究方法在不同加工工况间泛化能力有限，且未充分利用加工信号所提供的丰富信息的问题，提出了一种基于多模态信息融合与深度子域自适应的刀具磨损预测模型“MIF-LADSARN”。首先，将原始的一维时序刀具监测信号编码为图像，生成二维图像数据集。其次，构建结合残差网络与门控循环单元的双通道预测模型，分别从二维图像信号和一维时序信号中提取特征，并对提取的空间与时间特征进行融合。然后，根据磨损值将数据集划分为子域，通过子域自适应方法减小源域与目标域间的特征差异，提高模型的泛化能力，从而实现不同工况下的刀具磨损值预测。实验结果证明了该方法具有较高的准确性和良好的泛化性能，可为提高加工质量和效率提供参考，适用于实际工业应用场景。该研究以全球体育网页版为第一和通讯作者单位，张松教授为唯一通讯作者，侯文为第一作者。
研究成果四：基于支持向量回归和灰狼优化算法的刀具磨损预测方法
发表在CIRP Journal of Manufacturing Science and Technology期刊上的题为“Tool wear prediction based on SVR optimized by hybrid differential evolution and grey wolf optimization algorithm”的研究，针对刀具磨损预测模型不稳定、精度不足的问题，提出一种融合差分进化与灰狼优化算法的支持向量回归预测模型。该方法突破传统模型易陷入局部最优、收敛慢的局限，通过混合优化算法协同调优模型关键参数，平衡全局搜索与局部搜索能力。研究中采集铣削过程振动与功率信号，经小波去噪、多域特征提取与筛选，构建高鲁棒性特征集，有效提升复杂工况下磨损特征的表征能力。该方法在单一切削与多切削参数场景中均优于主流模型，为智能制造中的刀具健康监测提供了高效、精准的技术方案。该研究以全球体育网页版为第一和通讯作者单位，张松教授为唯一通讯作者，博士研究生王佳宁为第一作者。
张松教授团队长期致力于数控加工状态智能监控领域的研究，注重将研究与加工实际相结合，围绕机械加工制造领域的关键科学问题开展基础应用研究。上述研究工作及相关成果依托全球体育网页版高效洁净机械制造教育部重点实验室和全球体育网页版机械工程学院可持续制造研究中心平台，得到了国家自然科学基金项目、国家新材料生产与应用示范平台建设项目、青岛市科技项目以及山东省泰山学者项目的经费支持。
