磨料带瓣轮（ABFWs）是金属加工、精密制造和表面处理中广泛使用的关键磨具。它们的优势在于高材料去除效率和强大的适应性，适用于各种工件几何形状，因此在先进制造系统中对于加工高硬度材料和复杂轮廓至关重要[1]。然而，ABFWs的固有柔顺性和制造变异性引入了独特的动态效应，如离心力引起的径向膨胀和偏心振动。因此，渐进式工具磨损不仅减少了磨削力，还加剧了这些动态问题，导致材料去除率降低和表面质量下降[2]。
为了解决这些挑战，大量研究集中在磨损力建模上。最近的研究进展提高了对磨削过程的机理理解。例如，黄等人[3]、[4]、[5]研究了砂带磨损与残余应力分布之间的关系，发现持续磨削过程中热积累使应力分散增加了25–45%。他们的有限元模型能够动态模拟磨损对磨削力学的影响。李等人[6]使用伽马分布改进了未变形切屑厚度的建模，结合了柔顺接触力学和异质磨粒高度演变。此外，赵等人[7]将磨削切向力确定为磨料磨损的关键因素，并提出了一种基于力比的方法来提高表面一致性。同时，刘等人[8]观察到随着砂带磨损，从宏观切削转变为微观切削，并通过赫兹接触、阿查德磨损和普雷斯顿方程对材料去除率进行了指数衰减建模。
尽管取得了这些进展，但大多数基于物理的模型所采用的确定性假设限制了它们对像ABFWs这样的柔性工具的复杂动态特性的适用性。杨和林[9]针对磨料布瓣轮进行的专门研究清楚地说明了这一缺陷。他们的实验结果表明，现有模型无法捕捉到以下核心物理现象：(i) 高主轴速度下离心膨胀的显著影响，这加剧了磨粒断裂和拔出；(ii) 工具接触过程中由于柔顺背衬引起的动态刚度变化；(iii) 与柔性基底相关的异质磨粒脱落模式。这些因素共同导致了非稳态磨损率和随机力波动[10]、[11]、[12]，而这些在刚性工具建模范式中并未得到考虑。即使是先进的接触力学模型，如赵等人[13]基于磨损面积比（Rat）的方法，也假设了一个刚性骨架，因此无法表示ABFWs特有的速度依赖性变形。
在工业大数据和深度学习快速发展的背景下，数据驱动的工具磨损监测模型受到了广泛关注[14]。这些模型通常分为两类：传统机器学习和深度学习。传统方法采用了K最近邻（K-NN）[15]、支持向量机（SVM）[16]和随机森林[17]等算法。例如，薛等人[18]基于Isomap流形学习和K最近邻加权随机森林建立了工具磨损识别系统，在不同条件下实现了98.74%的识别精度和更好的泛化能力。王等人[19]使用贝叶斯方法预测切削工具的剩余使用寿命，而马哈塔等人[20]应用希尔伯特黄变换和SVM使用低成本加速度计实现了100%的分类精度。最近，卷积神经网络（CNN）[21]、图神经网络（GNN）[22]、长短期记忆（LSTM）网络[23]和Transformer架构[24]等深度学习算法也被越来越多地采用。秦等人[25]使用堆叠稀疏自编码器（SSAE）进行特征融合，并结合BP网络进行回归，实现了高精度的磨损状态识别和预测。张等人[26]结合条件卷积变分自编码器（CCVAE）和CNN进行磨损状态监测，并使用多阶段非线性维纳过程进行预测，有效解决了小样本量和数据不平衡的问题。葛等人[27]开发了一种改进的ICNN-GRU模型，结合了自注意力机制和鲸鱼优化算法，实现了97.78%的准确率和实时能力。李等人[28]基于信息器编码器建立了堆叠双向门控循环单元网络进行精确的工具磨损预测，而司等人[29]结合Transformer编码器和双向门控循环单元监测砂轮加工过程中的电流变化。
尽管上述数据驱动模型在预测工具磨损方面表现出色，但它们往往缺乏对磨削过程深入的理解和机理解释。为了解决这一限制，研究人员开始开发结合物理指导和数据驱动方法的混合方法。例如，严等人[30]开发了一个条件自适应的隐半马尔可夫模型，Berndt等人[31]将有限元模拟与XGBoost结合。贾马利等人[32]提出了一个包含有限元模拟、切削信号和元启发式特征选择的灰箱框架，用于铣削工具磨损预测。方等人[33]设计了基于物理信息的神经网络（PINN），用于数字孪生铣削，将物理磨损率约束作为硬损失嵌入以提高准确性和一致性。津内尔等人[34]将物理约束纳入LSTM，秦等人[35]将分阶段物理模型与稀疏自编码器结合。从频域角度来看，傅等人[36]将动态磨削力模型与CNN结合。
尽管有这些创新，但在将这些模型应用于ABFWs方面仍存在关键差距。即使是基于物理的方法也主要是为刚性工具系统设计和验证的，没有考虑ABFWs特有的物理约束。因此，它们无法捕捉控制ABFWs退化的基本物理机制，导致预测不稳定和泛化能力差。
基于物理-数据集成范式，本文提出了一种物理引导的混合信息器（PG-HI）框架，专门针对ABFWs的动态磨损特性设计。该方法结合了机械学的幂律磨削力模型和非线性磨损衰减公式，以捕捉可解释的宏观趋势，同时残余信息器网络学习更高阶的未建模动态。通过针对多个先进基准测试（包括Physics-CNN、ICNN-GRU [27]和TransBiGRU [29]）的全面实验验证，证实了所提出框架的有效性。
本文的其余部分结构如下：第2节详细介绍了PG-HI框架的理论基础和架构设计。第3节描述了实验设置并展示了结果比较分析。第4节总结了主要发现和结论。
