Physics-informed deep learning method for surface roughness prediction in milling process

Liangshi Sun

doi:10.1016/j.aei.2025.103803

Physics-informed deep learning method for surface roughness prediction in milling process

2025-09-09

0

PRE

AI

DOI：10.1016/j.aei.2025.103803

原文链接

原文求助

摘要

En 中文

表面粗糙度对机械部件的功能性和美学性能至关重要，需要在铣削过程中进行精确预测与控制。然而，基于物理的方法和数据驱动方法要么性能较差，要么缺乏可解释性，限制了其实际应用。为解决这些问题，本文提出了一种新颖的面向铣削表面粗糙度预测的物理信息深度学习（PIDL）方法。其核心思想是利用切削力学和表面粗糙度的原理来指导模型构建并调控网络学习过程。首先，建立高保真度的动态铣削力模型，以生成用于与其它测量信号进行多传感器融合的模拟力信号。然后，利用表面粗糙度物理模型的输出作为物理引导知识，基于交叉物理-数据融合构建注意力增强的BiLSTM-BiGRU网络。此外，设计了一种物理信息损失函数来指导模型训练，从而提升预测性能和可解释性。通过一系列不同条件下的铣削试验验证了所提方法的有效性和优越性。结果表明，所提PIDL方法能够在复杂铣削场景中实现准确的表面粗糙度预测，其决定系数为0.9845，均方根误差为0.0350，平均绝对百分比误差为1.2895%，平均绝对误差为0.0284，优于基于物理的方法和数据驱动方法。

Physics-informed deep learning method for surface roughness prediction in milling process

摘要

期刊

机构