一种不确定性加权物理信息铣削粗糙度预测方法及系统

本技术属于机械质量预测，更具体地，涉及一种不确定性加权物理信息铣削粗糙度预测方法及系统。

背景技术：

1、表面粗糙度是评价铣削加工质量的重要指标，直接影响零件的摩擦磨损、疲劳寿命、装配精度和服役可靠性。传统粗糙度检测主要依赖离线测量，实时性不足，难以满足高价值零件加工过程中的在线质量控制需求。

2、现有表面粗糙度预测方法主要包括物理模型方法和数据驱动方法。物理模型方法具有可解释性，但通常依赖理想化假设和固定经验参数，难以适应材料、刀具和工况变化；数据驱动方法能够利用切削力、振动和工艺参数建立预测模型，但在小样本、强噪声和跨工况条件下容易过拟合，且难以给出预测不确定性。

3、物理信息神经网络能够将物理约束嵌入神经网络训练过程，但现有方法通常采用固定的物理损失权重，无法根据数据预测误差和物理模型误差动态调整；同时，多数模型仅输出点预测值，缺少置信区间，导致预测结果的可信度不足。

4、此外，铣削过程中的传感器信号具有明显的非平稳性和多源耦合特征。切削力信号能够反映刀具与工件接触状态，振动信号能够反映加工过程稳定性，而主轴转速、进给速度和切削深度等工艺参数又会改变切削力和振动的分布规律。若仅采用简单拼接方式融合上述数据，模型难以区分高可信样本和异常噪声样本，进而影响预测稳定性。

5、因此，如何提高铣削表面粗糙度预测的可信性、准确性以及稳定性，是当前亟需解决的技术问题。

技术实现思路

1、针对现有技术的缺陷，本技术的目的在于提供一种不确定性加权物理信息铣削粗糙度预测方法及系统，旨在解决现有技术因模型构建和训练过程中存在的缺陷，导致预测结果的可信性、准确性以及稳定性不足的问题。

2、为实现上述目的，第一方面，本技术提供了一种不确定性加权物理信息铣削粗糙度预测方法，包括：

3、采集机床铣削加工过程中的切削信号和工艺参数，并对所述切削信号进行预处理，得到预处理序列；

4、将所述预处理序列和工艺参数进行融合，得到融合特征并利用构建的表面粗糙度预测网络进行预测，以提取与表面粗糙度相关的关键特征；所述表面粗糙度预测网络是基于卷积网络、双向长短期记忆网络、注意力机制以及预测头网络构建的；

5、将构建的表面粗糙度物理模型作为物理约束嵌入所述表面粗糙度预测网络的训练损失函数中，基于不确定性加权策略训练所述表面粗糙度预测网络，得到训练好的表面粗糙度预测网络；

6、利用训练好的表面粗糙度预测网络，通过分位数回归输出多个分位数预测值，选择中间的分位数作为表面粗糙度点预测值，并结合自适应带宽核密度估计得到表面粗糙度预测值的置信区间；

7、基于所述表面粗糙度点预测值和置信区间确定铣削粗糙度预测的预测结果。

8、可选地，所述表面粗糙度预测网络包括卷积子模块、双向长短期记忆子模块和注意力子模块以及预测头子模块；

9、所述卷积子模块用于提取多轴切削力信号和多轴振动信号的局部时序特征；

10、所述双向长短期记忆子模块用于基于所述局部时序特征提取双向时序依赖关系；

11、所述注意力子模块用于结合所述双向时序依赖关系对关键时间步和关键通道特征进行加权，得到加权后的关键特征；

12、所述预测头子模块用于基于加权后的关键特征输出表面粗糙度点预测值和多个分位数预测值。

13、可选地，所述对所述切削信号进行预处理，包括：

14、根据所述切削信号的幅值截取稳态切削片段，去除进刀阶段信号、退刀阶段信号和非切削阶段信号；

15、对所述稳态切削片段进行低通滤波，对滤波后的切削信号进行定长采样或降采样；

16、对所述切削信号和工艺参数进行归一化处理。

17、可选地，所述基于不确定性加权策略训练所述表面粗糙度预测网络，包括：

18、将所述表面粗糙度物理模型作为软约束嵌入训练损失函数，根据数据驱动预测残差方差和物理模型预测残差方差动态调整数据损失项和物理约束损失项的权重；

19、在训练前期，固定所述物理模型中尺度修正系数，使预测网络先学习切削信号、工艺参数与表面粗糙度之间的基本映射；

20、当训练达到预设热身轮数后，解锁所述尺度修正系数，并采用小于预测网络学习率的更新步长进行更新。

21、可选地，所述结合自适应带宽核密度估计得到表面粗糙度预测值的置信区间，包括：

22、根据各样本的预测残差计算全局带宽，并在全局带宽下估计各样本残差的局部概率密度；

23、计算所有样本局部概率密度的几何均值，根据各样本局部概率密度与所述几何均值的比值，确定各样本的局部自适应带宽；

24、基于各样本的局部自适应带宽，重构预测误差的概率密度函数，并由累积分布函数确定给定置信水平下的置信区间上下界，得到表面粗糙度预测值的置信区间。

25、可选地，所述表面粗糙度物理模型输出的表面粗糙度预测值基于以下过程确定：

26、基于刀具刃口半径或等效接触半径、工件材料的布氏硬度与流动应力的比值，确定第一项物理模型数据；

27、根据刀具刃口半径或等效接触半径、刀具材料和工件材料的泊松比与弹性模量，结合刀具工件接触区域的等效切削力或法向接触力，得到第二项物理模型数据；

28、将所述第一项物理模型数据和第二项物理模型数据作差并乘以尺度修正系数，得到表面粗糙度预测值；

29、其中，所述尺度修正系数用于表征实际加工条件、材料状态及测量尺度对粗糙度结果的综合修正。

30、可选地，所述表面粗糙度预测网络的训练总损失函数是基于分位数回归损失项、物理约束损失项和网络参数正则化项加权求和构成的；

31、所述总损失函数的构建方法包括：根据真实表面粗糙度值、预测表面粗糙度值和样本噪声权重计算得到所述分位数回归损失项；

32、根据预测表面粗糙度值和输入特征计算得到所述物理约束损失项；

33、将所述分位数回归损失项、物理约束损失项和网络参数正则化项分别乘以对应的权重系数后求和，作为总损失函数。

34、可选地，还包括：

35、当目标铣削材料、刀具材料或刀具涂层发生变化时，更新所述表面粗糙度物理模型中的材料参数、刀具参数、参考切削力，以实现不同铣削工况下的迁移应用。

36、第二方面，本技术还提供一种不确定性加权物理信息铣削粗糙度预测系统，包括：

37、数据采集单元，用于采集机床铣削加工过程中的切削信号和工艺参数，并对所述切削信号进行预处理，得到预处理序列；

38、网络预测单元，用于将所述预处理序列和工艺参数进行融合，得到融合特征并利用构建的表面粗糙度预测网络进行预测，以提取与表面粗糙度相关的关键特征；所述表面粗糙度预测网络是基于卷积网络、双向长短期记忆网络、注意力机制以及预测头网络构建的；

39、物理约束单元，用于将构建的表面粗糙度物理模型作为物理约束嵌入所述表面粗糙度预测网络的训练损失函数中，基于不确定性加权策略训练所述表面粗糙度预测网络，得到训练好的表面粗糙度预测网络；

40、不确定性量化单元，用于利用训练好的表面粗糙度预测网络，通过分位数回归输出多个分位数预测值，选择中间的分位数作为表面粗糙度点预测值，并结合自适应带宽核密度估计得到表面粗糙度预测值的置信区间；

41、结果输出单元，用于基于所述表面粗糙度点预测值和置信区间确定铣削粗糙度预测的预测结果。

42、第三方面，本技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

43、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

44、第五方面，本技术提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

45、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

46、总体而言，通过本技术所构思的以上技术方案与现有技术相比，具有以下有益效果：

47、本技术通过物理模型约束提高预测过程的可解释性，通过动态损失权重平衡物理模型和数据驱动模型的贡献，通过分位数回归和自适应带宽核密度估计输出置信区间，提高小样本和噪声工况下的预测可信度；在训练过程中采用分阶段参数更新策略，在模型训练前期固定物理模型中的尺度修正系数，使预测网络先学习切削信号、工艺参数与表面粗糙度之间的基本映射；当训练达到预设热身轮数后，再解锁所述参数并采用较小学习率进行更新，使物理模型能够适应实际工况，同时避免物理参数过早偏移造成训练不稳定，进而提高了铣削粗糙度的预测结果的可信性、准确性以及稳定性。