physics-constrained-wear-nn：物理约束神经网络实现刀具磨损预测

physics-constrained-wear-nn 是一个面向 CNC 车削加工场景的物理约束神经网络项目，核心目标是通过力传感器信号预测刀具后刀面磨损量（VB）。项目创新点包括：采用架构级单调性保证（移位 Softplus 激活函数）确保磨损曲线单调不减，阶段感知损失函数适配刀具磨损的三个阶段（初期、稳定、急剧），以及两阶段流水线（信号处理+模型训练）解决稀疏标注与密集信号的数据匹配问题。该系统无需后处理即可保证预测结果的物理一致性，为工业预测维护提供可靠方案。

在 CNC 车削加工中，刀具后刀面磨损量直接影响加工质量、效率和成本。传统磨损监测面临核心挑战：磨损测量多为离散手动操作，时间间隔不规则，而加工过程中的力信号（Fx、Fy、Fz）却是连续高频采集的，形成数据密度不匹配问题。如何从密集力信号中学习磨损规律，同时仅依赖稀疏标注数据，是项目要解决的关键问题。

项目采用两阶段流水线方案：

1. 信号处理阶段：通过阈值分割、间隙桥接等算法识别有效切削时段，提取三轴力信号的9维统计特征（均值、峰值、标准差等），共27维特征；
2. 模型训练阶段：使用MLP架构，输入为27维特征+累积切削长度，输出层采用移位Softplus激活函数保证磨损增量非负（架构级单调性）；损失函数为复合形式，包含MSE、增量监督项及三个磨损阶段的形状约束损失（初期对数、稳定线性、急剧指数）。 此外，项目通过预测磨损增量（ΔVB）而非绝对磨损值，避免累积误差，提升数值稳定性。

实验对比了多种模型的性能：

模型	测试R²	测试MAE(µm)	测试RMSE(µm)	单调性保证
XGBoost（含切削长度）	0.922	12.89	17.49	仅后处理
单调NN（Softplus，无阶段）	0.864	18.51	22.87	架构级
阶段感知NN（本项目）	0.864	18.51	22.88	架构级

分析：树模型（如XGBoost）精度更高，但本项目模型通过架构级设计保证物理一致性，无需后处理；阶段感知损失当前效果有限，但为后续扩展预留空间。

工程亮点：

• 模块化设计：signal_processing.py可独立复用；
• 灵活数据划分：支持按刀具样本、涂层系统、实验批次划分；
• 可解释性：集成SHAP分析特征重要性；
• 实验追踪：自动生成预测结果、超参数、训练曲线等。

应用场景：智能刀具管理（预测剩余寿命）、加工参数优化、质量控制（异常磨损预警）。 扩展方向：多刀具类型适配、在线学习、不确定性量化、数字孪生集成。

本项目展示了物理信息机器学习在工业预测维护中的成功应用，核心方法论价值包括：

1. 将物理规律（单调性）嵌入模型架构，实现端到端训练；
2. 重构问题为增量预测，降低学习难度并保持可解释性；
3. 平衡精度与物理合理性，满足工业应用需求。 在智能制造背景下，这类物理感知模型将在智能工厂中发挥重要作用，为时间序列预测问题提供参考范式。