［本站讯］近日，机械工程学院、低空科学与工程学院刘战强教授团队，在物理-数据融合驱动高性能制造领域取得了一系列创新性进展，先后在制造系统与智能制造领域Top期刊Journal of Manufacturing Systems（IF=14.2）、Advanced Engineering Informatics（IF=9.9）发表系列研究论文，刘战强教授为唯一通讯作者，博士研究生刘德霖为第一作者，山东大学为第一完成单位，论文合作作者包括山东大学教授宋清华、王兵，副研究员赵金富；澳门大学助理教授汪澎洋，航天五院高级工程师郑立彦。
在高端制造迈向智能化、柔性化和小批量定制化的背景下，刀具磨损监测是保障加工质量与实现预测性维护的关键。然而，真实加工中磨损过程受材料差异、振动、热漂移、噪声和工况波动等因素影响，呈现随机性、非线性和不可逆退化特征；在小样本场景下，传统数据驱动模型易过拟合，物理模型泛化不足，在线监测面临“小样本、高噪声、弱泛化、低解释性”等瓶颈。针对上述难题，团队开展了面向小样本刀具磨损监测的物理信息融合研究，形成了“特征融合—机理嵌入—跨域迁移”的系统技术路线。该系列研究将磨损机理、物理约束与数据驱动模型深度结合，旨在数据有限、噪声显著条件下可靠提取刀具规律，为智能制造中的刀具状态感知与预测性维护提供新方法。
图1 基于引力理论的特征降维方法
针对高维传感特征在小样本和强噪声条件下容易产生冗余、失真和物理一致性不足的问题，团队提出了知识引导的引力理论启发式降维方法，将高维退化特征映射到超球面流形，通过伪引力势场描述特征之间的全局相互作用，并利用特征通量捕获机制自适应识别信息密集特征子集（如图1）。在此基础上，进一步引入信号不连续检测与约束补偿机制，使降维后的低维表征更符合刀具磨损退化过程的连续性和单调性，实现以物理先验引导特征压缩，在小样本和噪声耦合条件下获得稳定、可解释的特征，为后续监测模型提供了高质量输入。相关研究发表在Advanced Engineering Informatics(2026,74,104818)。
图2 面向小样本刀具磨损监测的机理嵌入框架
团队进一步提出了面向小样本刀具磨损监测的机理嵌入框架（如图2）。该研究不再仅将物理模型作为外部约束，而是将刀具磨损机理抽象并嵌入循环神经单元，构建机制驱动循环单元，并与Transformer结构结合，形成兼顾短程扰动抑制和长程退化趋势捕获的监测网络。该框架能够在建模过程中显式表征磨损机理的动态演化，既提高监测精度，又增强模型解释性，有助于突破传统黑箱模型在小样本场景下“能预测、难解释”的局限。相关研究发表在Journal of Manufacturing Systems(2026,86,277-299)。
图3 物理信息驱动的跨域监测方法
面向小批量个性化加工中不同刀具、不同工况和不同寿命周期之间存在分布偏移的问题，团队提出了一种物理信息驱动的跨域监测方法（如图3）。该方法从“数据层”和“模型层”两个层面协同建模：在数据层，将非线性刀具磨损经验模型与域判别生成对抗网络相结合，构建目标域刀具磨损数据生成框架；在模型层，设计融入磨损机理非线性关系的特征提取器，并通过“生成—适应—微调”策略提升模型对随机磨损演化和域偏移的适应能力。研究表明，该方法能够在高度不平衡和小样本数据条件下保持较强鲁棒性，为小批量个性化加工中的刀具磨损状态识别和跨域应用提供了有效支撑。相关研究发表在Journal of Manufacturing Systems(2025,80,694-722)。
该系列成果对于推动刀具磨损监测从“数据依赖型识别”向“机理引导型智能感知”转变具有重要意义。未来，这类物理信息融合方法有望进一步应用于关键工业部件的退化建模，并与边缘计算、数字孪生和智能运维系统结合，为高端装备制造中的在线监测、质量控制和自主决策提供更加坚实的理论与技术基础。
近年来，刘战强教授团队创新性地开展跨学科交叉研究，通过整合多个学科的理论与方法，解决单一学科无法应对的复杂问题。将切削加工研究与计算机科学、材料学、物理学及化学相结合，取得了系列研究进展，相关成果已发表于IJMTM、JMS、IEEE Trans、CIRP Ann和JMPT等国际期刊。
相关研究工作得到了国家自然科学基金和国家重点研发计划的资助。
