基于XGBoost-PSO混合算法的PMMA微通道激光微铣削几何特征预测研究

本研究针对激光微铣削PMMA（聚甲基丙烯酸甲酯）微通道的几何特征（Kerf Depth和Kerf Deviation）预测难题，提出了一种结合XGBoost与粒子群优化（PSO）的混合机器学习框架。通过36组多参数实验（激光功率30–40 W、扫描速度20–25 mm/s、1–4次加工），模型实现了高精度预测（R2 =0.99），并通过SHAP分析揭示了加工次数与激光功率对热累积效应的主导作用。该研究为微加工提供了轻量化、可解释的智能预测工具，显著降低了实验优化成本。

　　

激光微加工技术因其高精度和非接触特性，在医疗、电子和微流控器件领域备受青睐。聚甲基丙烯酸甲酯（PMMA）凭借优异的生物相容性和光学性能，成为微通道制备的理想材料。然而，多参数耦合下的激光加工几何特征（如Kerf Depth和Kerf Deviation）预测仍面临挑战：传统实验设计（DOE）成本高昂，现有模型难以兼顾小样本精度与物理机制解释性。为此，bdul Khalad与Aakif Anjum等研究人员在《Optics》发表研究，通过融合XGBoost与粒子群优化（PSO），建立了PMMA微通道激光加工的智能预测框架。

研究采用连续CO₂
激光（100 W）在10 mm厚PMMA上开展36组实验，变量涵盖激光功率（30–40 W）、扫描速度（20–25 mm/s）和加工次数（1–4次）。XGBoost模型经PSO优化超参数后，结合SHAP（SHapley Additive exPlanations）解析特征贡献度，并开发了图形用户界面（GUI）辅助实时预测。

实验结果显示，加工次数对Kerf Depth（KD）影响最大（30 W/20 mm/s下KD从2.38 mm增至8.40 mm），SHAP证实其通过热累积效应主导材料去除。激光功率次之，直接调控能量输入与汽化速率；扫描速度通过驻留时间影响热传导。模型预测精度达R²
=0.99，MSE≈0.04。

结论与意义：该研究首次将XGBoost-PSO混合框架应用于激光微铣削预测，突破了传统回归模型对大数据集的依赖，通过SHAP实现了物理机制与数据驱动的统一。GUI工具为工艺规划提供了便捷入口，尤其适用于医疗微器件等小批量定制场景。未来可扩展至其他材料（如金属或复合材料）和激光系统（如飞秒激光），推动智能微加工标准化进程。