在铣削稀疏测量下，基于物理引导伪样本增强的高斯过程回归用于磨损预测

为何更智能的刀具监控至关重要

日常产品——从飞机与医疗植入物到智能手机——都依赖以极高精度加工的金属零件。这些零件由逐渐磨损的切削刀具加工，类似于汽车轮胎花纹的磨耗。过早更换刀具会浪费资金和材料；过晚更换则可能导致零件不合格或设备故障。本研究提出了一种结合物理与统计的新方法来预测刀具随时间的磨损，使制造商能在无需频繁检查的情况下尽可能安全地延长刀具使用寿命。

机器声响与振动中的隐秘线索

在现代数控（CNC）铣削中，传感器持续监听加工过程。它们记录切削力、微小振动甚至声波信号，当刀具切削金属时这些信号中蕴含着关于刀具健康状况的丰富线索，但这些信号过于复杂，难以肉眼解读。传统上，工程师会定期停机、取出刀具并在显微镜下直接测量磨损——这种检查准确但耗时且成本高。挑战在于从实时传感器信号可靠地映射到不可见的磨损值，以便工厂在尽量减少停机的同时仍能保持严格的质量控制。

当今智能监控的局限

许多最新方法使用机器学习——例如神经网络或支持向量机——将传感器特征与磨损联系起来。这些系统在有大量精心标注的数据时表现良好。但收集这类数据代价高昂，因为每个标签都需要停产测量刀具磨损。另一类有前景的方法是高斯过程回归（GPR），它在数据有限时表现出色，且能自带不确定性估计。但即便是这种方法，在需要远超现有测量范围进行预测时也会遇到困难：预测会逐渐回归到中性猜测且不确定性急剧增大，而这正是工厂最需要有把握的长期预测时刻。

用物理引导伪数据填补空白

作者提出了名为GPR-PPS的框架，即带物理引导伪样本的高斯过程回归。该方法不只依赖稀疏的真实磨损测量，而是利用基于物理的刀具磨损模型来描述典型磨损随寿命的演化——开始时变化迅速，随后进入稳定阶段，最后加速失效。在对早期、密集测量的数据训练模型后，它在两次检验点之间预测磨损。然后将物理模型曲线拟合到这些预测上，并微调使其精确通过两个真实测量点。在两次检验之间的每次切削都被分配一个来自此对齐曲线的合成或“伪”磨损值，从而将少量昂贵测量有效转化为密集且符合物理的训练集。

随刀具寿命自适应的学习循环

这些伪数据与真实测量数据结合，循环输入回高斯过程模型。在每个阶段，系统更新对磨损趋势及剩余不确定性的理解。研究人员在一个知名的高速铣削公开数据集上测试了该策略，该数据集中七个不同传感器记录了数百次切削的信号，而实际刀具磨损仅偶尔测量。即便模型只获得了不到10%寿命阶段的标签，它也能用比传统机器学习方法和不使用伪样本的高斯过程更低的误差预测完整的磨损曲线。它还产生了更窄、更具信息量的置信区间，帮助工程师在决定刀具是否可继续使用时更清晰地评估风险。

对实际制造的意义

对非专业读者来说，关键思想是该方法将我们已知的刀具磨损物理规律与有限的测量数据结合，以一种有纪律的方式“填补空白”。通过将少量直接测量转化为许多与物理一致的伪点，模型能够在刀具整个寿命周期内更准确地追踪磨损，同时对每次预测给出不确定性提示。实际上，这可使工厂减少检查频率、降低因过早更换造成的浪费、避免突发失效，并朝着完全自主、自我监控的加工系统更进一步。

引用: Nguyen, HP., Nguyen, DT. & Kim, JM. Gaussian process regression with physics-guided pseudo-sample augmentation for wear prediction under sparse measurements in milling. Sci Rep 16, 7231 (2026). https://doi.org/10.1038/s41598-026-38067-9

关键词: 刀具磨损预测, CNC铣削, 物理引导的机器学习, 高斯过程回归, 预测性维护