磨削温度预测模型

一种结合物理模型与数据驱动的物理引导神经网络，仅需少量实验即可实现比纯物理或纯数据驱动模型更准确的磨削温度预测，并具有更好的噪声鲁棒性和外推能力。

Zhang, Tianren · 汪文虎 · Rui-zhe, Dong · Wang, Yuanbin · 彭涛 · Zheng, Pai · Yang, Zhongxue

Journal of Engineering Design 2024

技术优势

小样本也能训

通过数据扩增方法与物理引导损失函数，仅用少量真实磨削实验即可训练出高精度模型，缓解了纯数据驱动模型对小样本集的不适应。

比物理模型更准

在相同实验条件下，PGNN 的预测精度高于传统物理模型，能更真实地反映磨削温度变化。

噪声下更稳

当输入数据含有噪声时，PGNN 的预测性能优于纯物理模型和数据驱动模型，更适合现场传感数据质量不稳定的场景。

应用场景

• 磨削加工监控：在加工过程中实时预测温度，提前发现烧伤风险并调整参数。
• 精密制造质量控制：用温度预测结果优化工艺，避免工件烧伤并保证尺寸稳定性。
• 热误差补偿：为热误差补偿模型提供准确的温度输入，从而减少热变形。
• 航空发动机加工：面向航空发动机关键零部件的缓进给磨削，提升加工良率。
• 智能制造传感：作为软测量方法，用少量传感器数据实现温度场的实时估计。