Characterising domain gaps in milling tool wear prediction: the primary bottleneck for scalable Digital Twins
P. Flore, P. M. Simon, M. Hussong & N. Krenkel
Institute for Manufacturing Technology and Production Systems, Rheinland-Pf€alzische Technische Universit€at
Kaiserslautern-Landau, Kaiserslautern, Germany
可扩展的数字孪生刀具健康监测需要在异构机床配置之间实现迁移学习。然而，阻碍这种泛化能力的结构性领域鸿沟目前尚缺乏系统表征。本研究将传感器维度、目标变量语义和传感器模态三类差异确定为实现数字孪生规模化部署的主要瓶颈。这些问题首先出现在模型推理之前的数据协调层，并进一步影响后续预测性能。
研究基于三个公开铣削数据集，采用卷积神经网络和循环神经网络，在三种训练范式下开展了78组分类实验，并进一步结合回归分析和多通道分析进行验证。
结果揭示出明显的频率对齐非对称性：在25–50 kHz高频数据上训练的模型能够较好地迁移至250 Hz低频目标数据，准确率损失低于5%；而反向迁移则出现严重失效，性能下降超过40%。微调能够改善67%的迁移组合，但模型性能与域内训练基线之间仍存在持续的10%–20%差距。
此外，模型架构与预测目标之间的匹配关系同样会影响泛化能力。例如，对于采用全局定义的间接刀具磨损目标的数据集，循环神经网络表现出明显失效。本文并未构建一个完整的数字孪生系统，而是聚焦于识别任何可规模化数字孪生部署都必须解决的结构性数据协调前提条件。
数字孪生通过构建物理系统的虚拟映射，并结合实时数据反馈，可支持状态监测、预测性维护和生产过程优化。然而，数字孪生的实际性能高度依赖其预测模型的可靠性。对于铣削加工而言，刀具磨损预测直接影响产品质量、生产效率和运行成本。
现实制造环境中，不同机床往往具有不同的传感器配置、采样频率、加工条件和数据形式。因此，在某一实验平台上训练得到的模型往往难以直接迁移到另一台设备。如果每一种设备配置都需要重新采集数据并训练模型，数字孪生就难以实现真正意义上的规模化部署。
文章据此提出：问题的关键并不只是如何设计性能更高的神经网络，而是首先要回答不同制造环境之间究竟存在哪些结构性的领域鸿沟，以及哪些鸿沟能够通过迁移学习跨越。
作者从数字孪生架构角度，将问题定位于数据协调层。物理层负责采集传感器数据，而数据协调层需要将不同来源的数据转换为可供统一模型处理的表示。如果这一环节无法有效处理异构数据，后续的模型推理、同步和反馈机制都将受到影响。
2.1 铣削刀具状态监测
传统刀具监测通常依赖预设换刀周期，而利用振动、切削力、电流、功率和声发射等信号，可以实现刀具状态的连续评估。随着深度学习的发展，CNN、LSTM、Transformer和物理信息机器学习等方法被广泛用于刀具磨损预测，并在特定实验环境下取得较高精度。
然而，这些模型通常假设训练环境与部署环境较为一致。当机床、传感器配置或加工参数发生变化时，模型性能可能明显下降。
2.2 迁移学习与领域自适应
迁移学习和领域自适应通过预训练、微调或领域不变特征学习，提高模型在不同设备之间的预测能力。已有研究证明，这些方法能够在目标域数据有限的情况下改善跨设备预测。
但现有研究更多关注“如何提高迁移效果”，而较少回答一个更基础的问题：不同传感器配置、采样频率和目标变量定义之间的结构性差异，究竟如何限制模型迁移？因此，本文重点对制造环境中的领域鸿沟进行分类和量化。
2.3 基于数字孪生的刀具磨损监测
现有数字孪生刀具监测系统通常将传感器、预测模型和维护决策结合，实现设备状态实时更新。但这些系统大多针对单一机床设计，传感器布局、采样频率和预测目标均已固定。
对于拥有不同型号、不同年代和不同传感器基础设施的机床群，如果每台设备都需要单独建立和校准模型，实施成本较高。因此，跨设备、跨传感器配置的模型泛化能力，是数字孪生规模化应用的重要瓶颈。
文章将制造环境中的领域鸿沟划分为三个主要类别。
3.1 传感器配置鸿沟
不同数据集在采样频率、信号维度和信号长度方面存在显著差异。例如，NASA Milling采用250 Hz的低频RMS振动信号，NATURE2024采用25 kHz三轴振动信号，PHM2010采用50 kHz高频三轴振动信号，最高存在约200倍的采样频率差异。
将三轴振动压缩为RMS标量虽然有利于数据统一，但会损失方向、相位以及多轴耦合信息。
3.2 目标变量语义鸿沟
NASA和PHM2010采用直接刀具后刀面磨损量作为预测目标，而NATURE2024采用距离失效的加工循环次数。前者描述实际磨损程度，后者还受到加工参数、刀具初始状态等因素影响。
因此，即使模型能够学习刀具退化特征，也未必能够在不同语义的预测目标之间直接迁移。
3.3 未受控制的加工过程差异
不同数据集还存在工件材料、刀具结构、主轴转速和冷却方式等差异。这些因素都会改变振动信号与刀具磨损之间的关系，也是工业环境中难以避免的异构性。
研究采用NASA Milling、NATURE2024和PHM2010三个公开数据集，并通过数据协调将不同数据转换到统一输入空间：
信号维度统一：将三轴振动转换为RMS标量；
信号长度标准化：统一为9,216个时间步；
目标变量二值化：统一为“健康”和“磨损”两类；
标准化处理：采用Z-score进行归一化。
这一方案属于低复杂度基线，虽然实现了数据形式统一，但也会损失方向信息、高频细节和连续磨损演化特征，体现了数据协调中互操作性与信息保真度之间的权衡。
模型采用1D CNN和LSTM，并比较三种训练范式：域内训练、零样本迁移和使用50%目标域数据的微调迁移。核心实验共78组，加上消融和超参数测试后，总实验规模接近264次。
5. 实验结果：领域鸿沟比模型复杂度更决定迁移成败
5.1 域内性能存在显著差异
域内实验表明，不同数据集本身的可预测性存在明显差异，模型性能也受到数据特征和模型架构的共同影响。研究同时发现，单纯依赖Accuracy可能掩盖实际刀具监测能力，例如某些模型虽然具有较高准确率，但对真正磨损刀具的识别能力很弱。因此，刀具健康监测需要综合考虑Recall等指标。
5.2 RQ1：传感器配置鸿沟是否能够跨越？
研究发现，采样频率差异对迁移具有明显的方向性影响。高频数据训练的模型通常能够较好迁移到低频环境，而低频模型向高频环境迁移时更容易出现性能下降。这表明，低频数据难以覆盖高频信号中的细粒度特征，传感器配置因此成为跨设备迁移的重要限制因素。
5.3 RQ2：目标变量语义是否决定迁移性能？
在二元分类任务中，不同目标变量语义对迁移性能的影响并未呈现稳定规律。将不同连续目标统一转换为“健康/磨损”标签后，原有语义差异被部分削弱，信号频率和数据分布等因素可能发挥了更直接的作用。因此，仅通过分类任务难以充分识别目标变量语义鸿沟的影响。
5.4 RQ3：微调能否解决领域鸿沟？
微调能够改善多数迁移任务的性能，但仍存在负迁移现象，而且通常无法达到目标域独立训练的水平。因此，微调只能缓解领域鸿沟，而不能从根本上消除不同制造环境之间的结构性差异。这意味着新设备接入数字孪生系统时，仍需要一定程度的目标域数据采集和模型校准。
5.5 回归分析：目标变量语义鸿沟更加明显
连续回归实验进一步表明，直接刀具磨损量与局部振动信号之间能够建立较为有效的映射，而cycles-to-failure等全局、间接指标则难以通过局部振动信号准确预测。因此，目标变量语义鸿沟在连续回归任务中比二元分类更加明显，预测目标的物理含义是影响跨域泛化的重要因素。
5.6 多通道分析：数据协调会带来信息损失
多通道实验表明，保留更多传感器信息在部分情况下能够提升模型性能，但不同数据集之间的通道差异本身也会增加迁移难度。
这说明数据协调不能简单追求格式统一，而需要在数据互操作性与物理信息保真度之间取得平衡。
研究最重要的启示是：对于异构制造环境，数字孪生规模化的瓶颈可能并不主要位于模型推理层，而在于数据协调层。如果数据协调过程中已经丢失方向信息、高频特征或连续磨损演化信息，后续再复杂的模型也难以恢复。因此，未来研究除了发展更强的预测模型，还需要关注多通道数据表示、频率信息保持、物理信息驱动的数据归一化以及跨传感器统一表示。
研究还表明，高频传感器具有更好的迁移潜力，因此在条件允许时，可优先采用较高采样频率的数据作为模型训练基础。同时，零样本迁移不应被视为异构机床部署的默认方案，目标域数据采集和模型校准应被纳入数字孪生系统的正常部署流程。
此外，模型架构需要与预测目标相匹配。对于长序列振动数据和全局性的间接退化指标，CNN在部分任务中表现出优于LSTM的适应性，说明模型选择不能脱离具体的数据结构和物理任务。
本文通过三个公开铣削数据集的跨域实验，系统分析了影响刀具磨损预测模型迁移的主要因素。研究表明，限制数字孪生规模化部署的关键并不只是模型能力，而是不同制造环境之间存在的结构性领域鸿沟。
主要结论包括：
传感器频率差异具有方向性影响，高频向低频迁移通常比低频向高频迁移更加容易；
目标变量语义的影响与任务形式有关，在连续回归中表现得更加明显；
微调只能部分缓解领域鸿沟，无法完全替代目标域数据和模型校准；
数据协调本身会影响模型泛化能力，过度的数据压缩和统一可能造成关键物理信息损失。
因此，实现跨异构机床群的可扩展数字孪生，需要从单纯关注预测模型进一步转向数据协调、领域泛化与模型适配的协同设计。本文的主要价值在于定量揭示了模型迁移背后的数据结构性障碍，为未来的传感器规划、数据协调和数字孪生模型部署提供了实验依据。
