作者: Zepeng Liu(a), Zi-Qiang Lang(b), Yufei Gui(b), Yun-Peng Zhu(c), Hatim Laalej(d).论文时间: 2024年机构: a School of Engineering, Newcastle University, NE1 7RU, UKb Department of Automatic Control and Systems Engineering, University of Sheffield, Sheffield, S10 2TN, UKc School of Engineering and Materials Science, Queen Mary University of London, London, E1 4NS, UKd Advanced Manufacturing Research Centre, University of Sheffield, Sheffield, S10 2TN, UK作者简介：刘泽鹏，于2015年获得英国利物浦大学工学学士学位，2016年获得英国伦敦大学硕士学位，2021年获得英国曼彻斯特大学博士学位。2021年至2023年，他在谢菲尔德大学担任研究助理。目前是英国泰恩河畔纽卡斯尔大学工程学院的讲师。(来源：ResearchGate）
智能制造是一个广泛类别的制造，它采用数字信息技术、灵活熟练的劳动力培训和计算机集成制造，是新工业革命的中心驱动力，并将继续是未来几十年制造业转型和升级的主要途径[1]。刀具或切割器是制造中切割、成形和去除工件材料的关键和基本组成部分。然而，刀具通常在过大的力、高应力和高温环境中运行，这可能会增加它们的故障率[2]。刀具的故障通常会损坏工件，并导致生产中断甚至停产，造成经济损失，通常达到材料成本的数倍[2]。因此，刀具状态监测（TCM）对于减少机床停机时间和提高生产可靠性至关重要。广泛的文献综述表明，TCM技术通常有两种类别，即直接和间接方法。在直接方法中，要求必须停止机器，实际的刀具磨损可以通过使用工具制造者显微镜或光学显微镜直接测量，这通常会导致加工过程中不必要的停机时间[3]。相反，间接方法使用间接测量，通过工具磨损和测量之间的经验相关性来推断工具磨损[3]。与直接方法相比，间接方法可能不太准确，但它们的复杂性更低，更适合实时TCM[3]。最广泛报道的间接TCM方法是图1(a)所示的信号分析技术，该技术从部署的传感设备中提取显著的信号特征，例如声发射、切削力、振动、声音和功率，以持续监测刀具的实际健康状况[4]。各种信号特征提取方法，如时域分析[5]、频域分析[6]、小波包分解[7]和基于AI的方法[8]，已经为刀具故障诊断的应用进行了广泛的研究，但其中只有少数在现实世界的应用中得到实施。这是因为基于信号特征的方法有两个基本缺点和限制。首先，信号特征对不同工作环境的影响适应性低，例如工具材料或工件变化、冷却液浓度变化和环境噪声。另一个缺点是信号特征提取的设计复杂，因为候选信号特征的数量理论上是无限的，这大大增加了特征选择的难度[9]。为了解决基于信号特征的方法所面临的挑战，提出了基于模型特征的TCM方法[9]。如图1(b)所示，基于模型特征的方法首先通过传感器数据建模从收集到的信号中构建动态过程模型，而不是直接使用从传感器收集到的数据。之后，提取模型的频率响应特性，并将其用作进行TCM的特征，这些特性被称为模型特征。实验研究验证了与基于信号特征的方法相比，基于模型特征的方法具有更高的适应性和更低的复杂性。图1 TCM技术(a)基于信号特征的TCM和(b)基于模型特征的TCM [9]然而，正如[9]中引用的，基于模型特征的方法仅在简单的加工过程条件下得到了验证，例如直线切削。它尚未应用于实时预测更复杂的动态机械加工过程的工具磨损。然而，据作者所知，目前还没有关于复杂动态机械加工过程实时TCM的出版物和工业标准。数字孪生的概念及其在先进制造中的潜在应用提供了解决这一挑战的绝佳机会。"数字孪生"一词最早出现在2003年，当时Grieves在密歇根大学的产品生命周期管理（PLM：Product Lifecycle Management）执行课程中首次引入了这个术语[10]。尽管当时的概念还不够具体，Grieves提出了一个初步形式的数字孪生，包括三个部分：物理产品、虚拟产品以及它们之间的数据流连接。然而，由于一些技术限制，当时数字孪生的发展相对缓慢[11]。2012年，美国国家航空航天局（NASA：National Aeronautics and Space Administration）和美国空军（USAF：United States Air Force）重新审视了数字孪生的概念。它是一个超保真模拟过程，集成了多物理、多尺度和概率，以实时反映相应孪生的状态，基于历史数据、实时传感器数据和物理模型[12]。从那时起，由于传感器检测、大数据分析、物联网（IoT）、深度学习等的极大发展，数字孪生成为了一个热门的研究课题[13]。近年来，数字孪生在状态监测和故障诊断（CMFD：condition monitoring and fault diagnosis）领域得到了越来越多的应用。Moghadam等人[14]提出了一种基于数字孪生的CMFD方法，用于海上风力涡轮驱动系统，研究中的数字孪生包括扭转动态模型、在线测量和疲劳损伤估计。通过数字孪生可以估计驱动系统的剩余有用寿命。Wang等人[15]提出了一个包括几何模型、物理模型、行为模型和规则模型的数字孪生模型，用于进行高压釜的故障预测。Tao等人[16]提出了一个五维数字孪生模型，用于提高风力涡轮的预测精度。Xia等人[17]提出了一个数字孪生模型，用于机械故障诊断，其中数字孪生是通过建立可以实时数据更新的仿真模型构建的。提出的数字孪生通过一个三重泵故障诊断案例研究进行了验证。Qiao等人[18]提出了一个基于数据驱动的数字孪生和深度学习模型，用于机械加工中的TCM。为了实现更可靠的TCM方法，Luo等人[19]提出了一个混合数字孪生模型，包括基于模型的数字孪生和数据驱动的数字孪生，以考虑工具生命周期中的环境变化。从文献中可以看出，数字孪生可以用于实时进行CMFD，这为复杂机械加工过程的TCM实时实施提供了重要的方法。受先进制造业TCM挑战的驱动，本研究提出了一个创新的基于数字孪生的异常检测框架，用于实时TCM。该框架系统地整合了[9]中提出的新型基于模型特征的TCM的优势和数字孪生概念，旨在全面解决现有TCM技术在适应性、复杂性和实时实施方面的问题。在这个创新的数字孪生框架中，“物理产品”包括机械加工过程的复杂动态，涵盖了主轴、刀具、工件、铣床夹具以及刀具和工件之间的相互作用的动态。“虚拟产品”包括一个在线更新的数据驱动模型，实时描述“物理产品”的总体行为，数据驱动模型的频域分析结果，以及基于数据驱动模型的频域特性执行TCM的诊断算法。“数据流连接”包括实时机床振动数据和机床数控（NC）信息，这些信息需要促进“虚拟产品”的更新、分析和TCM实施。这种创新的基于模型的传感器TCM和数字孪生概念的整合，将首次使TCM真正应用于迄今为止从未实现过的复杂动态机械加工过程。通过进行一系列现场制造实验，全面评估了所提出的基于数字孪生的异常检测方法。取得了非常有希望的结果，证明了新的数字孪生框架对TCM在工业应用中具有重要的潜力。
