基于环境鲁棒因果表征的刀具磨损预测方法、终端及存储介质

本技术涉及数控加工和人工智能，尤其涉及的是基于环境鲁棒因果表征的刀具磨损预测方法、终端及存储介质。

背景技术：

1、在数控加工过程中，刀具磨损状态通常需要依赖三向切削力、三向振动和声发射等多源监测信号进行综合表征，以从切削载荷、机械振动和高频能量释放等不同角度全面捕捉刀具退化信息。然而，实际工业现场中的数据质量下降并非仅由单一模态缺失引起，还可能由噪声类型与强度变化、信噪比下降、信号漂移、异常冲击及多种因素组合形成的测量环境变化共同导致。上述环境变化会造成关键退化信息缺失、有效特征受损和环境伪相关增强，使模型难以区分真实磨损演化与测量扰动，并在环境改变时产生显著的表示偏移，严重降低刀具磨损预测的准确性、稳定性和可靠性。

2、针对模态缺失问题，现有方法通常采用完善数据后再建模的处理思路，主要包括直接删除法、统计填补法、机器学习填补法和深度学习插补法。直接删除法在缺失比例较高时会造成样本选择和分布破坏；统计填补和机器学习填补方法难以刻画刀具磨损过程中的复杂非线性动态关系；基于自注意力机制、生成模型或扩散模型的深度插补方法虽然利用时序依赖和跨变量关联进行重建，但其主要目标仍是恢复缺失数据本身，难以保证重建信号与真实刀具退化语义一致。

3、针对噪声污染问题，现有方法通常采用信号预处理后再预测的处理思路，主要包括传统滤波方法、时频分析方法、信号分解方法和深度去噪方法。传统滤波和小波阈值去噪容易在抑制噪声时削弱微弱磨损退化特征；基于经验模态分解或变分模态分解的方法依赖人工规则和先验参数，难以稳定区分真实退化信息与环境扰动；深度去噪方法虽具有较强的非线性建模能力，但在噪声类型、强度和信号质量状态随工况变化时，容易产生过拟合或去噪偏差。

4、现有技术通常将模态缺失和噪声污染作为相互独立的问题分别处理，缺少对缺失状态、噪声类型、噪声强度及信号质量共同构成的测量环境进行统一表示，因而难以刻画不同环境之间的系统性偏移。数据补全或去噪方法以恢复观测信号为目标，无法保证恢复结果保留真实的磨损因果语义，反而可能在抑制噪声时丢失与磨损退化相关的关键特征。普通多模态预测与知识蒸馏方法又容易把完整模态中的强模态捷径或特定噪声模式一并传递给预测分支，导致模型错误学习与环境相关的伪相关关系。此外，现有技术还缺少可显式表征典型缺失噪声环境的原型结构，以及约束同一退化状态跨环境保持一致的机制，因此在未见过的缺失组合、混合噪声或信号质量变化下容易失效，难以满足工业现场对刀具磨损预测在复杂多变的测量环境下保持高鲁棒性的需求。

5、因此，现有技术还有待改进和发展。

技术实现思路

1、本技术要解决的技术问题在于，针对现有技术的上述缺陷，提供基于环境鲁棒因果表征的刀具磨损预测方法、终端及存储介质，旨在解决实际加工环境中因强模态缺失和噪声污染导致监测数据质量下降，从而影响刀具磨损状态表征准确性和预测可靠性的问题。

2、本技术解决问题所采用的技术方案如下：

3、第一方面，本技术实施例提供一种基于环境鲁棒因果表征的刀具磨损预测方法，所述方法包括：

4、在推理阶段，获取数控加工过程中的多模态监测数据与对应的测量环境变量；所述测量环境变量包括模态缺失状态、噪声与信号质量状态；

5、通过已训练的多环境鲁棒预测分支，基于所述多模态监测数据和所述测量环境变量生成鲁棒因果投影特征，并基于所述鲁棒因果投影特征输出刀具磨损预测结果；

6、所述多环境鲁棒预测分支的结构包括：

7、多种模态的编码器，用于对所述多模态监测数据中的可用模态进行数据编码，并对缺失模态进行缺失掩码标记，得到若干模态编码特征；

8、多模态融合模块，用于对各所述模态编码特征进行多模态融合，得到融合特征；

9、因果-偏置解耦模块，用于对所述融合特征进行因果-偏置解耦，得到所述多模态监测数据对应的因果表征和偏置表征；

10、缺失-噪声去偏模块和环境原型字典，用于根据所述多模态监测数据对应的因果表征、偏置表征以及所述测量环境变量生成所述多模态监测数据对应的鲁棒去偏因果表征；

11、投影头，用于对所述多模态监测数据对应的鲁棒去偏因果表征进行投影，得到所述多模态监测数据对应的鲁棒因果投影特征；

12、预测头，用于根据所述多模态监测数据对应的鲁棒因果投影特征输出刀具磨损预测结果。

13、在一种实现方式中，所述多模态监测数据包括：三向切削力信号、三向振动信号以及声发射信号。

14、在一种实现方式中，所述缺失-噪声去偏模块和所述环境原型字典具体用于：

15、根据所述多模态监测数据对应的偏置表征与所述测量环境变量，对所述多模态监测数据对应的因果表征进行校正，得到所述多模态监测数据对应的去偏因果表征；

16、计算所述多模态监测数据对应的偏置表征与所述环境原型字典中每一环境原型之间的距离值，基于各所述环境原型的距离值计算注意力权重；

17、基于所述注意力权重生成环境偏置向量；根据所述环境偏置向量对所述多模态监测数据对应的去偏因果表征进行校正，得到所述多模态监测数据对应的鲁棒去偏因果表征。

18、在一种实现方式中，所述多环境鲁棒预测分支的训练方法包括：

19、在训练阶段，获取数控加工过程中的历史多模态监测数据、对应的历史测量环境变量及对应的刀具磨损标签；

20、根据所述历史多模态监测数据和所述历史测量环境变量构造多环境扰动输入样本；

21、通过高质量参考分支，基于所述历史多模态监测数据和所述历史测量环境变量生成参考因果投影特征，并基于所述参考因果投影特征输出第一刀具磨损预测结果；所述高质量参考分支的结构与所述多环境鲁棒预测分支的结构相同；

22、通过所述多环境鲁棒预测分支，基于所述多环境扰动输入样本对应的鲁棒因果投影特征输出第二刀具磨损预测结果，所述鲁棒因果投影特征与所述参考因果投影特征的维度相同；

23、以所述参考因果投影特征作为知识源对所述多环境扰动输入样本对应的鲁棒因果投影特征进行蒸馏，并联合多种损失函数对所述多环境鲁棒预测分支进行训练。

24、在一种实现方式中，通过高质量参考分支，基于所述历史多模态监测数据和所述历史测量环境变量生成参考因果投影特征，并基于所述参考因果投影特征输出第一刀具磨损预测结果的步骤包括：

25、通过所述高质量参考分支中多种模态的编码器，对所述历史多模态监测数据进行数据编码，得到所述历史多模态监测数据对应的模态编码特征；

26、通过所述高质量参考分支中的多模态融合模块，对所述历史多模态监测数据对应的各个模态编码特征进行多模态融合，得到参考融合特征；

27、通过所述高质量参考分支中的因果-偏置解耦模块，对所述参考融合特征进行因果-偏置解耦，得到所述参考融合特征对应的因果表征和偏置表征；

28、通过所述高质量参考分支中的缺失-噪声去偏模块和环境原型字典，根据所述参考融合特征对应的因果表征、偏置表征以及所述历史测量环境变量生成参考去偏因果表征；

29、通过所述高质量参考分支中的投影头，对所述参考去偏因果表征进行投影，得到所述参考因果投影特征；

30、通过所述高质量参考分支中的预测头，根据所述参考因果投影特征输出所述第一刀具磨损预测结果。

31、在一种实现方式中，通过所述多环境鲁棒预测分支，基于所述多环境扰动输入样本对应的鲁棒因果投影特征输出第二刀具磨损预测结果，所述鲁棒因果投影特征与所述参考因果投影特征的维度相同的步骤包括：

32、通过所述多环境鲁棒预测分支中模态的编码器，对所述多环境扰动输入样本中的可用模态进行数据编码，并对缺失模态进行缺失掩码标记，得到所述多环境扰动输入样本对应的若干模态编码特征；

33、通过所述多环境鲁棒预测分支中的多模态融合模块，对所述多环境扰动输入样本对应的各个模态编码特征进行多模态融合，得到所述多环境扰动输入样本对应的融合特征；

34、通过所述多环境鲁棒预测分支中的因果-偏置解耦模块，对所述多环境扰动输入样本对应的融合特征进行因果-偏置解耦，得到所述多环境扰动输入样本对应的因果表征和偏置表征；

35、通过所述多环境鲁棒预测分支中的缺失-噪声去偏模块和环境原型字典，根据所述多环境扰动输入样本对应的因果表征、偏置表征以及所述历史测量环境变量生成所述多环境扰动输入样本对应的鲁棒去偏因果表征；

36、通过所述多环境鲁棒预测分支中的投影头，对所述多环境扰动输入样本对应的鲁棒去偏因果表征进行投影，得到所述多环境扰动输入样本对应的鲁棒因果投影特征；

37、通过所述多环境鲁棒预测分支中的预测头，根据所述多环境扰动输入样本对应的鲁棒因果投影特征输出所述第二刀具磨损预测结果。

38、在一种实现方式中，以所述参考因果投影特征作为知识源对所述多环境扰动输入样本对应的鲁棒因果投影特征进行蒸馏，并联合多种损失函数对所述多环境鲁棒预测分支进行训练的步骤包括：

39、根据所述刀具磨损标签与所述第一刀具磨损预测结果，计算得到磨损回归损失；根据所述高质量参考分支对应的因果表征和偏置表征，计算得到正交约束损失；根据所述高质量参考分支对应的偏置表征预测模态缺失状态、噪声与信号质量状态，并结合所述历史测量环境变量计算得到偏置预测损失；根据所述高质量参考分支在不同测量环境下基于同一样本计算的因果表征与对应的所述第一刀具磨损预测结果，计算得到跨环境不变性损失；

40、通过多目标联合优化方式，根据所述高质量参考分支对应的磨损回归损失、正交约束损失、偏置预测损失以及跨环境不变性损失对所述高质量参考分支进行训练；

41、根据所述刀具磨损标签与所述第二刀具磨损预测结果，计算得到磨损回归损失；根据所述多环境鲁棒预测分支对应的因果表征和偏置表征，计算得到正交约束损失；根据所述多环境鲁棒预测分支对应的偏置表征预测模态缺失状态、噪声与信号质量状态，并结合所述历史测量环境变量计算得到偏置预测损失；根据所述多环境鲁棒预测分支在不同测量环境下基于同一样本计算的因果表征与对应的所述第二刀具磨损预测结果，计算得到跨环境不变性损失；基于所述参考因果投影特征和所述多环境扰动输入样本对应的鲁棒因果投影特征，计算得到蒸馏损失；

42、通过多目标联合优化方式，根据所述多环境鲁棒预测分支对应的磨损回归损失、正交约束损失、偏置预测损失、跨环境不变性损失以及蒸馏损失对所述多环境鲁棒预测分支进行训练。

43、在一种实现方式中，所述蒸馏损失为kullback-leibler散度。

44、第二方面，本技术实施例还提供一种终端，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如上述任一所述的基于环境鲁棒因果表征的刀具磨损预测方法的指令；所述处理器用于执行所述程序。

45、第三方面，本技术实施例还提供一种计算机可读存储介质，其上存储有多条指令，所述指令适用于由处理器加载并执行，以实现如上述任一所述的基于环境鲁棒因果表征的刀具磨损预测方法的步骤。

46、本技术的有益效果：本技术实施例在推理阶段仅部署多环境鲁棒预测分支，需采集加工过程中的多模态监测数据，但不依赖完整模态数据，并将模态缺失状态、噪声与信号质量状态统一编码为测量环境变量，以实现统一环境建模。经模态编码与融合后，将多模态融合特征分离为因果表征与偏置表征，使磨损退化信息与环境扰动信息在表征空间中有效分离。基于环境原型字典和缺失-噪声去偏模块生成去偏因果表征并对其进行校正，得到鲁棒去偏因果表征。对鲁棒去偏因果表征进行投影后，用其得到刀具磨损预测结果。本技术可适应低成本传感器配置和部分传感器失效场景，并实现鲁棒、准确的刀具磨损预测。