在数控加工场景中，刀具磨损往往先于崩刃出现，但传统依赖定时换刀的策略会造成刀具浪费或批量超差。本期数据分析实验室以铣削工序为对象，尝试用主轴振动与切削声信号做磨损量回归，而非直接判断“好/坏”。
实验采用三轴加速度计与近场麦克风采集信号，按每刀次切深区间切段，提取时域均方根、频段能量比与倒频谱峰值等特征。由于磨损标签获取成本高，我们先用少量实测磨损量做锚点，再用同工况下的信号做半监督扩充，模型输出 0~1 的磨损健康度并给出置信区间。
要点：
1）进展：在 12 组刀具、约 430 刀次数据上，健康度预测与实测后刀面磨损量的平均绝对误差约为 0.07 mm，接近人工测量的重复性水平；
2）下一步：将磨损健康度接入机床换刀提醒，按剩余寿命而非固定刀次触发，并验证不同材料批次下的漂移补偿策略。
我们认为，磨损量回归比二分类更利于设置可解释的阈值，也便于与工艺参数联动。实验仍在继续，后续会补充断续切削与冷却液开启状态下的对比数据。
评论