應用物理資訊分流神經網路於跨工況刀具磨耗 預測之方法

前言

刀具狀態監測技術被廣泛應用於智慧製造領域，因刀具磨耗會直接影響工件的尺寸精度與表面品質。監測技術可分為直接量測與間接量測，其中直接量測（如影像辨識）雖能取得精確的磨耗尺寸，但須停機檢測且易受切削環境干擾；間接量測則可實現線上即時監測，已成為目前工業應用的主流。在間接量測中，利用機台內建訊號（如扭矩、電流）的方式可避免外掛感測器的安裝與干擾問題［1］［2］［3］。然而，機台內建訊號在傳遞過程中常混合傳動摩擦與伺服系統的波動，當切削參數改變時，會產生訊號偏移，導致預測模型失準。因此，如何在跨工況下提升刀具磨耗的預測精度，至今仍是一項挑戰。

內建訊號的預測精度主要由雜訊過濾與特徵對齊決定，因此對連續訊號進行分段是一項關鍵技術。Yuan 等人［4］透過切削力學模型建立了切削循環對齊的理論基準；Ding 等人［5］則引入有效切削比例，將訊號解耦為切削段與空切段以減少雜訊干擾。這些方式是基於切削特徵進行分段以改善資料品質，但是，現有方法大多未考慮順銑與逆銑的切入幾何差異，且忽略了空切段中蘊藏的機台背景動態。因此，建立具備物理意義且能分離刀具接觸效應與背景雜訊的分段標準，已成為一項關鍵的方法挑戰。

為處理分段後的時序訊號，相關研究提出了卷積神經網路（CNN）、長短期記憶網路（LSTM）與時序卷積網路（TCN）等方法［6］［7］［8］［9］。這些方法透過深度學習架構擷取特徵並預測磨耗，能產生符合精度標準的結果。針對跨工況邊界變動，領域自適應技術亦被引入預測任務中，透過特徵對齊提升模型的泛化能力［10］［11］［12］。此外，部分方法進一步將物理資訊與注意力機制結合，利用切削動力學與退化機制約束模型運算［13］［14］［15］。上述方法說明了結合深度學習與物理機制，能有效調整模型特徵權重，以達到所需的預測精度。

本文為了應對傳統單一模型在跨工況易失準，以及缺乏非對稱切削幾何考量的限制，提出了一種物理資訊引導的分流時序神經網路。儘管訊號解耦技術已應用於狀態監測［5］，但本文提出的標準與既有方法不同，本方法將順銑與逆銑條件下的每刃浸切比例（Immersion Ratio per Tooth，IRT）納入評估。透過物理幾何特徵將訊號精確對齊並分流為切削段與空切段。在完成分段後，採用 TCN 分別萃取特徵，並結合物理條件映射機制，將切削次數與累積能量轉為權重以優化模型。這種方法保留了 TCN 處理長序列的計算效率，同時透過物理特徵分段與權重策略增強了模型對抗雜訊的能力，有效提高了跨工況預測的精確度。

應用物理資訊引導的分流深度學習系統開發

本文分成三個部分，第一部分介紹訊號前處理方法，說明如何進行訊號前處理與物理特徵分離；第二部分提出神經網路設計，講述如何有效學習此分流物理特徵並預測刀具磨耗；第三部分提供模型訓練與驗證，確認本方法之有效性。

一、訊號前處理方法

在純資料驅動模型中，神經網路可能將切削過程中的高頻機台共振與真實刀具磨損特徵混淆。為精確剝離扭矩訊號中的切削段與空切段，本文引入 Altintas［16］提出之銑削動力學模型作為物理約束。利用刀具直徑、徑向切深、軸向切深與螺旋角等加工參數，建立刀刃的理論嚙合周期與受力波峰幾何模型。