Металлообработка и ЧПУ · Научный обзор
Прогноз износа инструмента на ЧПУ: мультисенсорные сигналы, остаточные сети и пошаговое предсказание
На фрезерных и токарных операциях с ЧПУ износ режущей кромки накапливается незаметно для оператора, но быстро проявляется в размере детали, шероховатости и риске внезапного отлома. В литературе неоднократно приводят оценки, что простои из‑за аномального состояния инструмента могут «съедать» заметную долю времени станка, а фактический ресурс часто не дотягивает до номинального. Для мелкосерийного цеха и лаборатории вроде IPM Lab прямой вывод простой: менять фрезу «по календарю» — дорого и небезопасно, а снимать инструмент под микроскоп после каждого прохода — нереально. Поэтому индустрия и академия сходятся на косвенном мониторинге: вибрация, усилие резания, ток шпинделя, акустическая эмиссия превращаются в признаки износа, а последние полтора–два года исследований смещают акцент с «оценить текущий VB сейчас» к «предсказать износ через N минут и заранее спланировать смену».
От одного датчика к слиянию каналов
Классическая схема — один тип сигнала и классический регрессор (SVR, случайный лес). На практике заготовка, люфт, смена режима и шум станка делают одномерный канал хрупким. В открытом доступе в журнале Sensors (2024) команда Beijing Institute of Technology (K. Wang, A. Wang и соавторы) описывает связку вибрации, тока шпинделя и силы резания при обработке тонкостенных деталей. Признаки объединяют фильтром Калмана, а прогноз строят гибридом ResNet-LSTM: свёрточная остаточная сеть снимает пространственные паттерны из многоканального окна, LSTM удерживает динамику износа во времени. На экспериментах при разных режимах авторы сообщают среднюю ошибку прогноза порядка 0,0085 мм и точность распознавания состояния около 98,25 % — заметный выигрыш относительно отдельных ResNet и LSTM. Для технолога это означает, что «смешать три дешёвых канала правильно» часто выгоднее, чем ставить дорогую оптику на каждый шпиндель.
Параллельно Anuj Kumar и Velagapudi Vasu в Production Engineering (ноябрь 2024) показывают другой путь для токарных операций: многоканальные данные с экспериментов при переменных режимах, channel attention поверх residual-связей и сравнение с MLP, CNN и SVR по RMSE, MAE и R². Предложенная модель превосходит базовые архитектуры по всем метрикам — акцент на том, что не все частотные полосы и датчики одинаково информативны, и сеть должна «взвешивать» карты признаков, а не усреднять их слепо. Для IPM Lab, где партии алюминия и стали чередуются с разной подачей, такой подход ближе к реальности, чем модель, обученная на одном режиме.
Когда мгновенный сигнал врёт: DResNet-1d и encoder–decoder
Даже при хороших датчиках одно измерение в момент t может отражать включ твердых включений, а не износ. Группа Harbin Institute of Technology (Z. Li, H. Liu, D. Li и др.) в Machines (2024) формулирует задачу иначе: нужен контур, который одновременно мониторит и прогнозирует износ на несколько шагов вперёд. Авторы строят одномерную остаточную сеть DResNet-1d (20 residual-блоков, BatchNorm, dropout) для слияния мультисенсорных рядов, затем seq2seq-модель encoder–decoder с механизмом внимания для краткосрочного слежения и многшагового предсказания; отдельный temporal-блок сглаживает локальные выбросы на кривой износа лучше, чем классическое тройное экспоненциальное сглаживание.
На открытом наборе PHM2010 (фрезерование) их DResNet-1d даёт, по таблицам статьи, MAE мониторинга порядка 1,76–2,70 мкм (в зависимости от сценария) против 4–10 мкм у BiLSTM/BiGRU и двузначных значений у SVR. Для прогноза на 5, 10 и 15 шагов вперёд предложенная temporal-модель удерживает MAE примерно в диапазоне 2,6–3,8 мкм на коротком горизонте и опережает Transformer и SMAML на длинном — с ожидаемым ростом ошибки по мере удлинения горизонта. Дополнительно авторы проверили обобщение на фрезеровании CFRP: MAPE остаётся на уровне ~1,2–1,5 %. С инженерной точки зрения ценность не в абсолютных микрометрах (набор и станок другие), а в разделении задач: глубокая сеть извлекает признаки, temporal-блок отвечает за инерцию износа и раннее предупреждение до выхода VB за допуск.
xLSTM, VMD и классическое ML при смене режимов
Ещё один слой — выбор архитектуры памяти. J. Tian и S. Wang в Journal of Mechanical Science and Technology (2025) комбинируют variational mode decomposition для time–frequency признаков, Pearson-разложение для отбора и extended LSTM (xLSTM) с efficient channel attention (ECA). Мотивация авторов — преодолеть ограничения классического LSTM по параллелизму и ёмкости памяти при длинных сериях станочных сигналов. В трёх перекрёстных экспериментах модель xLSTM-ECA показывает наилучшие RMSE, MAE, MSE и R² среди LSTM, Transformer, LSTM-ECA и «голого» xLSTM. Для цеха это сигнал, что гонка архитектур продолжается, но выигрыш всё ещё приходит от связки физически осмысленной декомпозиции сигнала + внимание к каналам + рекуррентный блок, а не от замены одной аббревиатуры на другую без данных.
Не все задачи требуют GPU-кластера. Shaoyang Chen и коллеги (International Journal of Advanced Manufacturing Technology, июнь 2024) решают проблему переменных рабочих условий (в первую очередь скорости шпинделя) классическим стеком: рекурсивное исключение признаков RFE на силе и моменте (сокращение размерности признаков на 94,22 % при росте точности модели на 10,64 %), затем XGBoost с гиперпараметрами, подобранными улучшенным алгоритмом sparrow search (ISSA). Итоговая классификация состояния износа — 93,62 %, с отрывом от PSO-, GWO- и SSA-вариантов XGBoost на несколько процентов. Такой подход удобен там, где мало размеченных данных, но много табличных экспериментов по режимам — типичная ситуация для наладки серии на одном станке.
Что из этого следует для заказа и контроля обработки
Свежие работы 2024–2025 рисуют практичную лестницу зрелости мониторинга. Уровень 1 — логирование силы/тока/вибрации и простые пороги (лучше, чем ничего). Уровень 2 — fusion (Kalman, attention) и модели вроде ResNet-LSTM или ISSA-XGBoost, устойчивые к смене режима. Уровень 3 — прогноз на горизонт нескольких интерполяционных шагов (DResNet-1d + encoder–decoder, xLSTM-ECA), чтобы сменить фрезу в окне между деталями, а не после брака.
Между прямым и косвенным контролем по-прежнему лежит различие в метрологии: офлайн-измерение VB10 или длины режущей кромки задаёт «истину» для обучения модели, а онлайн-канал даёт прокси. Исследователи PHM2010 и CFRP в работе Li et al. явно разделяют эти роли — сначала накопить размеченную историю, затем переносить модель на похожие материалы. Для заказчика это означает: первый запуск серии может быть дороже из‑за наладочных прогонов, зато последующие партии получают предсказуемый ресурс инструмента.
IPM Lab не обязан разворачивать полный PHM на каждом станке, но при постановке задачи на серию стоит обсуждать с исполнителем: фиксируются ли режимы и сигналы, есть ли повторяемость setup, допустима ли остановка для контрольного замера VB, какие допуски по профилю критичны. Научные статьи не заменяют калибровку вашего конкретного шпинделя, но показывают, что ошибка прогноза износа уже измеряется в микрометрах и долях миллиметра — и что основной риск смещается от «не хватило данных» к «не собрали правильный pipeline». Если в ТЗ заложены микронные допуски на длинных карманах, имеет смысл заранее согласовать, какие каналы мониторинга доступны на стороне исполнителя и как будет документирован момент смены инструмента: это снижает споры о том, был ли брак следствием износа или смены режима. Отдельно стоит помнить ограничение всех перечисленных моделей: они обучены на конкретных станках и сенсорных комплектах; перенос «как есть» на другой обрабатывающий центр без дообучения остаётся исследовательской задачей, а не готовым коробочным решением.