数据驱动制造过程中的数据监测与分析 | CJME论文推荐
Ke Xu, Yingguang Li, Changqing Liu, Xu Liu, Xiaozhong Hao, James Gao and Paul G. Maropoulos. Advanced Data Collection and Analysis in Data-Driven Manufacturing Process[J]. Chinese Journal of Mechanical Engineering, 2020 33: 43.
对本文感兴趣的朋友可以速戳屏幕下方的“阅读原文”，免费获取全文阅读！
制造过程伴随大量物理、化学等耦合的非线性时变过程，在对制造过程建模时往往需要引入各种假设和简化，求解时还要进行大量近似，因此模型的准确性难以保证。数据驱动的制造方法对制造过程进行监测并采集大量数据，基于数据构建学习模型，能够在一定误差范围内表征复杂制造过程，为实现制造过程的智能诊断、预测及决策提供了新思路。制造过程中的数据监测与数据分析质量直接决定了数据驱动模型的表征精度，是数据驱动智能制造的重要组成部分。本文围绕数据驱动智能制造的研究现状展开介绍，针对制造过程中的数据监测与数据分析研究进展展开综述，并结合具体案例总结了发展趋势。
针对制造过程中的数据监测，本文概述了典型加工过程中切削力、颤振、刀具磨损、工件质量等关键指标的相关监测方法，包括直接监测与间接监测。制造过程中如何针对特定目标物理量，通过先进传感技术构建其直接监测方法，从而获得更加精准的数据来源，是目前需要解决的研究问题之一。
针对制造过程中的数据分析，本文围绕加工过程中刀具、工况以及工件状态，概述了基于物理模型、传统机器学习模型以及深度学习模型三种数据分析方法构建输入输出映射关系。传统包括有限元在内的物理模型构建方法仅依赖少量边界条件数据进行模型求解，然而建模及求解过程存在大量近似与简化，限制了模型精度。传统机器学习方法通过构建包括神经网络在内的通用学习模型辅以一定量真实数据实现模型逼近，然而由于输入维度受限，需要人为对原始数据提取有效特征来减小输入维度，这一过程极度依赖人工经验，且特征提取过程有可能引入偏差造成精度下降。深度学习方法通过引入表征学习框架构建原始数据与目标量的端到端映射，能够实现任意复杂模型的精确逼近，然而训练过程需要巨量样本数据，样本数据的获取成为了制约深度学习在制造领域应用的实际难题。如何在保证模型精度的前提下，减小对制造数据的依赖从而降低训练所需样本量是目前需要解决的研究问题之一。
本文通过案例分析，给出了面向制造过程的数据监测及数据分析的发展趋势。其中，制造过程的数据监测从监测间接数据逐渐发展为监测直接数据，从根源上消除了间接监测带来的传递误差，为数据驱动的智能制造提供更加精准的数据来源，是数据监测的发展趋势之一。制造过程的数据分析从基于机理模型逐渐发展到采用（深度）机器学习模型，改善了机理模型由于假设、近似及简化求解带来的分析误差，而深度学习的表征能力进一步改善了信号特征提取带来的信息丢失，实现了端到端的映射关系构建。相比于互联网数据，制造数据的获取难度大，周期长，成本高，未来的发展趋势之一是利用迁移学习、元学习等小样本学习方法，降低训练模型所需样本量，减少对制造数据的依赖；同时，将学习模型与物理模型融合进行制造过程建模，实现对实际制造过程更好的表征，也是潜在的发展趋势之一。
李迎光，男，1976年4月生，博士，南京航空航天大学机电学院教授，博士生导师，教育部 “长江学者特聘教授”，国家自然科学基金杰出青年基金获得者，国防科技创新团队和国家自然科学基金创新研究群体主要成员。
现担任英国机械工程师协会会刊《Journal of Engineering Manufacture》（SCI收录）副主编、制造工程师协会（SME）会刊《Journal of Manufacturing Systems》（SCI收录）副主编、中国机械工程学会会刊《中国机械工程学报》（英文刊，SCI收录）编委会副主任等。
1999年毕业于南京航空航天大学，获学士学位。2004年毕业于南京航空航天大学，获博士学位。2008年5月破格晋升为教授。
主要研究方向包括智能数控加工和复合材料新原理固化技术与装备。主持国家自然科学基金航天联合基金重点项目、国家04科技重大专项等科研项目10余项。第一或通讯作者发表的学术论文SCI收录80余篇，第一完成人获国家发明专利授权30余项。受邀在德国、英国、西班牙举办重要国际学术会议上作大会主题报告4次。第一完成人获2016年度国家技术发明二等奖一项。培养的学生获德国洪堡学者博士后基金、上银优博、江苏省优博、江苏省优硕等，指导的学生获 “互联网+”大赛全国金奖、“挑战杯”全国特等奖。
[1] G Chen, Y Li* , X Liu. Transfer learning under conditional shift based on fuzzy residual[J]. IEEE Transactions on Cybernetics, 2020.
[2] Y Li*, C Liu, J Hua, et al. A novel method for accurately monitoring and predicting tool wear under varying cutting conditions based on meta-learning[J]. CIRP Annals-Manufacturing Technology, 2019, 68(1): 487-490.
[3] G Chen, Y Li*, X Liu. Pose-dependent tool tip dynamics prediction using transfer learning[J]. International Journal of Machine Tools and Manufacture, 2019, 137: 30-41.
[4] K Xu, Y Li*. Region based five-axis tool path generation for freeform surface machining via image representation[J]. Robotics and Computer-Integrated Manufacturing, 2019, 57: 230-240
[5] X Hao, Y Li*, G Chen, et al. 6+ X locating principle based on dynamic mass centers of structural parts machined by responsive fixtures[J]. International Journal of Machine Tools and Manufacture, 2018, 125: 112-122.
[6] C Liu, Y Li*, G Zhou, et al. A sensor fusion and support vector machine based approach for recognition of complex machining conditions[J]. Journal of Intelligent Manufacturing, 2018, 29(8):1739-1752.
[7] Y Li*, N Li, J Zhou, et al. Microwave curing of multidirectional carbon fiber reinforced polymer composites[J]. Composite Structures, 2019, 212: 83-93.
[8] J Zhou, Y Li*, D Li, et al. Online learning based intelligent temperature control during polymer composites microwave curing process[J]. Chemical Engineering Journal, 2019, 370: 455-465.
编辑：金程 编校：张彤
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
推荐阅读
1.CJME最新SCI影响因子1.413，Q3区
2.最新机械工程领域SCI期刊一览(2018JCR)3.轮足式仿生软体机器人设计与运动分析 | JME文章推荐4.深海海底钻机收放装置关键零部件可靠性分析与试验丨JME封面文章5.绿色切削微量润滑增效技术研究进展丨JME封面文章6.摩擦纳米发电机在自驱动微系统研究中的现状与展望 |JME封面文章7.激光加工平面型微超级电容器的研究进展与发展趋势丨JME封面文章8.面向灾难搜索救援场景的空地协同无人群体任务规划研究丨JME文章推荐9.基于微流控芯片的生物细胞电阻抗成像检测技术丨JME文章推荐10.双臂协调机器人相对动力学建模丨JME文章推荐11.针对高维优化问题的快速追峰采样方法丨JME论文推荐12.C基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计丨JME文章推荐
版权声明：
本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！
在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!
商务合作：
联系人：张强
电话：010-88379891
E-mail：cjmezhang@126.com
网 址：http://www.cjmenet.com.cn
官方微信号：jmewechat