基于序列到序列学习的机械加工监控安全风险：CNC 轴位位置重建
硬件体系结构
2026-03-03 v1 机器学习
摘要
基于加速度计的机械加工监控在现代制造系统中广泛部署。当传感器安装在移动机械部件上时，这些传感器会隐式捕获与机械运动和工具轨迹相关的运动学信息。如果能够重建这些信息，条件监控数据就构成了严重的安全威胁，尤其是对于 retrofitted 或保护薄弱的传感系统。经典信号处理方法因传感器和工艺的非理想因素（如噪声或传感器安装位置）而难以实现从宽带加速度信号重建位置。本文演示了序列到序列机器学习模型能克服这些非理想因素，实现 CNC 轴和工具位置的重建。我们的方法采用基于 LSTM 的序列到序列模型，并在工业切削数据集上进行评估。我们展示，基于学习的模型在低复杂度运动轨迹上将重建误差降低最高 98%，在复杂加工序列上降低最高 85%，远超数值积分方法。此外，工具轨迹的关键几何特征和工件相关运动特征得以保留。据我们了解，这是首个证明从工业条件监控加速度计数据进行基于学习的 CNC 位置重建的研究。
引用
@article{arxiv.2603.01702,
title = {Security Risks in Machining Process Monitoring: Sequence-to-Sequence Learning for Reconstruction of CNC Axis Positions},
author = {Lukas Krupp and Rickmar Stahlschmidt and Norbert Wehn},
journal= {arXiv preprint arXiv:2603.01702},
year = {2026}
}
备注
Accepted for presentation at the 2026 IEEE Symposium on Artificial Intelligence for Instrumentation and Measurement (AI4IM 2026). Proceedings to be included in IEEE Xplore