近日，中国科学院合肥物质院智能所朱锟鹏研究员团队在铣削动力学精准建模与预测领域提出一种物理引导深度学习新框架，实现变切削条件下瞬时铣削力与主轴振动的同步精准预测。相关研究成果以“Physics-Guided Deep Network for Milling Dynamics Prediction”为题发表在综合性国际工程科技学术期刊Engineering上。
铣削是精密装备制造领域应用最广泛的加工工艺之一，其铣削力作为解析切削机理、调控加工过程的核心参数，精准预测铣削力对优化工艺、抑制刀具磨损与振动、提升生产效率和保障产品精度具有重要意义。传统物理模型依赖简化假设，未知工况下泛化能力有限；而纯数据驱动模型缺乏物理规律引导，可解释性差，难以直接落地复杂加工场景。如何兼顾预测精度、泛化能力与模型可解释性，是该领域亟待攻克的关键难题。
针对上述痛点，研究团队提出了一种高速铣削动力学引导的深度网络模型，可实现变切削条件下瞬时铣削力与主轴振动的同步精准预测。该模型的技术创新主要体现在三大层面：一是采用铣削动力学模型生成仿真数据集对深度网络开展预训练，将动力学先验知识嵌入网络初始参数，既解决了真实训练样本稀缺的问题，也大幅提升了网络对真实铣削动力学特征的学习适配效率；二是创新性地将振动方程作为物理约束纳入损失函数设计，有效增强了预测结果的物理一致性，破解了传统数据驱动模型可解释性不足的短板；三是引入真实铣削实验数据对预训练模型开展微调，进一步提升了模型在实际加工场景下的泛化能力与预测精度。此外，团队开展了多组铣削加工对照实验验证模型性能，结果表明，物理机制的引入有效提升了网络的学习能力与可解释性，预测结果与实测值高度吻合，平均误差低至2.6705%，相比纯数据驱动模型，预测精度提升达24.4367%。
该研究为高速铣削加工过程的动力学预测提供了新的技术路径，可直接用于指导加工参数在线优化，其模型结构与设计思路可快速迁移到车削、钻削等其他切削加工动力学研究场景，为高端制造领域数据驱动模型的可解释性提升提供了新的解决方案。智能所朱锟鹏研究员为论文第一作者与通讯作者。该研究获国家重点研发计划等项目支持。
文章链接：https://www.sciencedirect.com/science/article/pii/S2095809924006490
图1 铣削过程物理引导的深度网络模型架构
图2 在不同阶段下物理引导机制对深度学习模型参数的影响
图3 铣削过程力与振动的预测值和实际值的比较
