用于海军黄铜摩擦搅拌焊接多参数预测的鲁棒机器学习建模：面向工业4.0的案例研究

摘要

本研究构建了一个全面的机器学习（ML）框架，用于准确预测海军黄铜摩擦搅拌焊接（FSW）的关键性能参数，重点关注焊接温度、强度和硬度。为了解决实验数据不足的问题，研究人员使用了一种定制的变分自编码器（VAE）来生成高保真的增强数据集。通过分布相似性分析和特征相关性差异度量，验证了这些增强数据集的真实性，确保合成样本严格遵循实验数据的物理统计特征。对四种机器学习算法（支持向量回归SVR、AdaBoost、XGBoost和决策树DT）的比较评估表明，SVR在预测准确性方面表现最佳。SVR模型在焊接温度上的平均绝对百分比误差（MAPE）为1.0%，在焊接强度上为3.2%，在焊接硬度上为1.6%。该模型的泛化能力通过独立实验数据集得到了进一步验证，证明了其在实际工业应用中的可靠性。研究结果表明，机器学习模型能够有效揭示海军黄铜摩擦搅拌焊接过程中复杂的工艺-性能关联，减少了对实验的依赖，并实现了数据驱动的优化。所提出的框架有助于实现智能工艺监控、质量控制，并将工业4.0技术应用于先进的焊接工艺中。