【利默里克大学｜JIM】机器人钻孔质量原位预测

      PART 1    

        文章信息      

      题目    

    In-situ evaluation of hole quality and cutting tool condition in robotic drilling of composite materials using machine learning  

      作者    

    Stephen K. H. Lee, Patrick G. Mongan, Ahmad Farhadi, Eoin P. Hinchy, Noel P. O’Dowd, Conor T. McCarthy*  

      单位    

    爱尔兰利默里克大学工程学院 Confirm 智能制造研究中心与 Bernal 研究所  

      期刊    

    Journal of Intelligent Manufacturing，2025 / 在线发表  

      DOI    

    https://doi.org/10.1007/s10845-024-02528-7  

      PART 2    

        一句话概括      

    本文提出一种基于机器人钻孔伺服电机扭矩与集成机器学习模型的原位方法，用于同时预测复合材料孔质量和刀具状态。  

其核心价值在于不额外加装传感器、不打断生产流程，即可对航空级 CFRP 钻孔质量进行在线判别。

      PART 3    

        研究背景与科学问题      

    航空复合材料结构中存在大量铆接和螺栓连接孔，单架大型飞机可能需要数十万孔位；而 CFRP 各向异性、非均质和磨蚀性强，钻孔时易产生分层、拔出和孔边损伤。  

    传统孔质量检测依赖显微、CT、超声或离线视觉，精度高但难以嵌入产线；间接监测如力、振动、声发射、热成像更易在线化，但常需要外置传感器并受工况影响。  

    本文关注的科学问题是：能否仅利用工业机器人钻孔系统已有伺服电机信号，结合机器学习模型，实现跨进给速度、转速和刀具磨损状态的孔质量原位预测。  

关键挑战

CFRP 钻孔损伤与纤维取向、基体状态、刀具磨损和工艺参数高度耦合。

小样本工程数据容易导致神经网络过拟合。

扭矩阈值随进给速度和转速变化，难以用固定规则判定刀具状态。

孔质量指标 Fda 对局部大面积拔出等异常损伤仍可能存在表征偏差。

本文要解决的核心问题是：如何用机器人系统内生扭矩信号，在不离线检测的情况下可靠判断孔质量与刀具退化。

      PART 4    

        技术原理与创新点      

    实验使用 KUKA KR210 六轴机器人和多功能末端执行器，在航空级 Hexcel IM7/HexPly 8552 CFRP 层合板上钻孔。系统记录旋转扭矩 RT、进给扭矩 FT，并通过末端视觉模块获得孔图像用于标定孔损伤类别。  

    孔质量以调整分层因子 Fda 量化，并基于中等磨损刀具 TC-B 的 Fda 正态分布建立三类阈值：Class 1 为无明显或轻微缺陷，Class 2 为中等缺陷，Class 3 为严重缺陷。模型目标不是回归 Fda，而是直接预测孔质量类别。  

    机器学习部分构建集成神经网络 ENN，每个基学习器为 GA-ANN：遗传算法用于改善 ANN 权重初始化和全局搜索，贝叶斯优化用于确定学习率、隐藏层数和神经元数量，bagging 与九折交叉验证用于提升小样本泛化能力。  

方法分解

1.

采集工艺参数：输入进给速度 FS、转速 RS、刀具状态 TC。

2.

采集过程信号：记录伺服电机进给扭矩 FT 与旋转扭矩 RT。

3.

标定孔质量：用视觉图像和 ImageJ 计算 Fda，并划分 Class 1–3。

4.

训练 ENN：用九个数据子集分别训练 GA-ANN，再取集成平均输出类别概率。

5.

原位预测：钻孔过程中输入 FS、RS、FT、RT，实时输出孔质量类别。

创新清单

将机器人自带伺服电机扭矩用于 CFRP 钻孔孔质量预测，避免额外传感器改造。

提出基于 Fda 分布的孔质量分类阈值方法，可按应用容差调整。

首次将 ENN 用于机器人复合材料钻孔孔质量与刀具状态原位联合评估。

通过 GA、ANN、贝叶斯优化和交叉验证组合，提高小样本模型鲁棒性。

方法流程

1.

信号预处理：输入原始 RT、FT 和空载扭矩；扣除空载噪声并按刀具接触区间分段；输出有效切削扭矩。

2.

高斯滤波：输入分段扭矩；RT 使用 σ=15、FT 使用 σ=9 平滑；输出训练用扭矩特征。

3.

标签生成：输入孔图像；计算 Dmax、Ad、Fda；输出孔质量类别。

4.

模型优化：输入训练集和超参数边界；贝叶斯优化搜索 ANN 结构；输出最优 GA-ANN。

5.

集成预测：输入多个 GA-ANN 输出概率；取均值；输出最终类别。

与固定阈值或离线视觉检测相比，该方法的本质差异是把“过程扭矩—刀具磨损—孔损伤”的非线性关系交给集成模型在线学习。

      PART 5    

        实验验证与性能      

    研究采用 3³ 全因子实验设计，变量包括三档进给速度、三档转速和三种刀具状态：未磨损 TC-A、中等磨损 TC-B、严重磨损 TC-C。每组参数重复三次，以验证信号重复性和模型训练可靠性。  

    ANOVA 用于分析工艺参数对扭矩和孔质量的贡献；训练后的 ENN 进一步在六组未见测试数据上验证原位预测能力。  

评测维度

1.

扭矩对刀具状态的敏感性

•

进给扭矩 FT：刀具状态贡献率 95%，显著性 P<0.05。

•

旋转扭矩 RT：刀具状态贡献率 57%，显著性 P<0.05。

2.

孔质量影响因素

•

Fda：刀具状态贡献率 52%，P=0.001，为最主要因素。

3.

模型分类性能

•

DoE 验证集：孔质量分类准确率 100%。

•

未见测试集：6 组中 5 组预测正确，成功率超过 80%。

4.

生产效率

•

单孔钻孔约 10 s，视觉检测约 10 s；若采用原位预测替代逐孔视觉检测，周期可由 20 s 降至 10 s，约减少 50%。

关键结果表

最关键结论是：刀具状态显著主导钻孔扭矩和孔质量，ENN 可利用这一关系在机器人钻孔过程中原位识别大多数孔质量类别。

      PART 6    

        学术贡献      

建立了机器人 CFRP 钻孔中伺服电机扭矩、刀具磨损和孔质量之间的统计与机器学习关联。

提出一种可调整阈值的孔质量分类方法，使 Fda 从连续指标转化为工程可执行类别。

证明 ENN 在小样本、多工况机器人加工监测中的可行性。

为航空复合材料钻孔的数字孪生、在线质量追溯和自适应控制提供了基础。

该工作推动复合材料钻孔检测从“加工后离线检验”向“加工中数据驱动判定”转变。

      PART 7    

        局限性与未来方向      

    模型在 6 组未见数据中出现 1 次误判，主要与 Fda 指标对局部大拔出损伤的表征局限有关：测试 2 的分层面积小于测试 3，但 Fda 更高，导致真实标签与扭矩模式不完全一致。  

    此外，实验仅覆盖特定 CFRP 层合板、有限刀具和有限工艺窗口；材料批次、层合板内部差异、更多刀具几何和工业现场扰动仍需进一步纳入训练。  

待解决问题

引入更鲁棒的孔质量量化指标，减少异常损伤对分类边界的影响。

扩展不同层合板、纤维体积分数和基体固化状态的数据。

验证扭矩信号可反映刀具状态，但仍需更多工业规模数据支撑。

将模型扩展到大规模产线并与自适应钻孔控制闭环结合。

最重要的下一步是用更丰富的材料与刀具数据训练模型，使其从实验室机器人系统走向航空制造现场。

      PART 8    

        总结      

    本文展示了利用工业机器人内置伺服扭矩和 ENN 模型进行 CFRP 钻孔质量原位预测的可行路径。结果表明，刀具状态是扭矩和孔质量变化的主导因素，模型在未见数据上取得超过 80% 的预测成功率，并具备减少离线检测节拍的潜力。  

不加传感器、不停产检测，用机器人自己的扭矩信号判断复合材料钻孔质量。

      PART 9    

        图文赏析      

Figure 1

a 钻头几何形状，b 实验试样，c 机器人钻孔实验装置

Figure 2

本工作中考察的三种刀具磨损水平（后刀面磨损）

Figure 3

（MFEE）：a 钻头的初始位置，b 夹紧过程和信号采集过程开始，c 切削过程开始，d 钻孔模块回撤，e 视觉模块移动并捕获钻孔图像，f 夹紧鼻返回初始位置

Figure 4

a 使用视觉模块拍摄的钻孔图像 b 使用 ImageJ 处理的孔，展示用于确定分层因子的关键特征

Figure 5

a 与其 Fda 值对应的钻孔示例 b 使用从 TC-B 刀具数据获得的均值 μ 和标准差 σ 测得的 Fda 正态分布

Figure 6

本研究中使用的分段和滤波扭矩信号：a 滤波后的旋转扭矩信号 RT，b 滤波后的进给扭矩信号 FT。插图显示刀具的位置。这些数据使用未磨损刀具（TC-A）获得

Figure 7

不同刀具状态水平下的过程信号重复性

Figure 8

创建 ENN 的流程图

Figure 9

ENN 预测过程

Figure 10

优化的 ANN 配置。插图显示单个计算神经元

Figure 11

测试数据的钻孔原始图像和损伤分析

Figure 12

相应刀具产生的孔质量分布曲线