通过掩蔽特征预训练减少基于振动的钻头状态监测对标签的依赖

为什么更“聪明”的钻头对车间很重要

在现代工厂中，细小的钻头悄无声息地在金属零件上钻出成千上万个精确孔。当这些工具磨损或崩刃时，后果可能很严重：零件超出公差、表面变粗糙，以及机器因操作员查找问题而停机。本研究提出了一种通过振动“倾听”钻头并用人工智能评估其健康状态的新方法，同时大幅减少训练此类系统通常需要的人为标注数据量。

倾听振动中隐藏的故事

当钻头转动并切削时，会产生复杂的振动，随着工具从崭新到磨损或损坏而发生变化。研究人员在立式加工中心的主轴箱体上安装了灵敏的加速度计，并在钻孔过程中记录了振动信号。他们关注钻削过程的稳态部分，将信号切成短时间窗口，并使用基于小波的去噪方法对其进行清理，以使与磨损相关的模式更为明显。从每个窗口中提取了20个简单的数值描述符，描述振动在时域和频域上有多强、尖峰性和分散程度——例如平均能量、变异性、冲击样峰值以及能量在低频和高频间的分布等。

在不直接告诉答案的情况下教会模型

工业上的一个主要难题是，通常每个振动样本都必须由专家标注为“健康”或某种特定磨损，这既费时又昂贵。为了解决这一问题，作者采用了一种称为自监督学习的策略。他们并非一开始就向模型提供带标签的样本，而是构建了一个通过填补缺失信息来学习的系统。对于每个振动特征向量，他们随机隐藏其中四分之一的数值，并要求神经网络仅从剩余数值重建那些缺失部分。输入将实际特征与一个简单的指示器（显示哪些条目被隐藏）结合起来。通过反复解决这个“拼图”，网络发现了不同振动特征之间的相互依赖，形成了对钻头行为的紧凑内部表示，而无需看到任何磨损标签。

从隐藏模式到明确的刀具健康决策

完成预训练阶段后，去掉了重建头并将一个轻量的分类器连接到所学表示上。此时团队才引入了适量的标注数据，覆盖七种状态：健康、刃崩、外角磨损、前刀面磨损、凿刃磨损、坑蚀磨损和刃边磨损。分类器学会将内部的振动“指纹”映射到这些类别。在单独的测试集上，系统正确识别刀具状态的概率超过99%，且对各类磨损几乎保持平衡。刃崩与坑蚀之间出现了一些混淆——这两种模式自然会产生非常相似的高频冲击特征——但总体预测与专家标签高度一致，由强有力的汇总统计和清晰的混淆矩阵所证实。

用更少标注样本做更多事情

当标注数据稀缺时，这种方法的真正优势显现出来。作者逐步限制分类器可见的标注样本数量——最低降至通常训练标签的10%——同时保持对未标注振动进行相同的自监督预训练。即便在这种严苛条件下，系统的准确率仍保持在94%以上，而纯依赖标签的传统机器学习和深度学习模型则损失了15–25个百分比点或更多。额外分析表明，模型认为最重要的特征，如低频能量以及频谱“无序度”和冲击性指标，与已知的磨损物理特征高度一致。可视化所学特征空间显示，大多数磨损状态形成了紧密且分离良好的簇，这表明模型对数据的内部视角既有结构性又具有物理意义。

这对真实工厂意味着什么

对于制造商而言，这项工作指向了一条实用路径，可以实现基于振动的智能钻头监测，而无需庞大且精心标注的数据集。通过先教会模型预测工程化振动特征的缺失部分，系统构建了对正常与故障切削行为的丰富理解，然后可以用相对少量的专家标签进行微调。其结果是一个标签高效且可解释的刀具健康监测器，能够在出现报废或停机前发现微小的磨损和损伤，并能随着车间条件的变化进行再训练或调整。

引用: Chandan, M.N., Badadhe, A., Kebede, A.W. et al. Reducing label dependence in vibration-based drill-bit condition monitoring with masked feature pretraining. Sci Rep 16, 6555 (2026). https://doi.org/10.1038/s41598-026-37192-9

关键词: 刀具磨损监测, 振动分析, 自监督学习, 钻削, 状态监测