基于随机森林与多目标优化的聚碳酸酯水射流磨削工艺优化及验证研究

《Scientific Reports》：Advanced machine learning framework for hole quality prediction and optimization in polycarbonate AWJD

　　

摘要

由于非线性相互作用和相互矛盾的性能要求，聚合物材料的水射流磨削过程难以实现优化。本研究建议结合实验方法、机器学习模型、多目标优化及统计验证来提升聚碳酸酯材料的加工性能。在125次测试中，通过全因子实验设计改变了水压（250–350 MPa）、喷枪与材料之间的距离（1.5–2.5 mm）以及移动速度（300–500 mm/min）。本研究的主要评估指标为孔径偏差（DE）和钻削速率（DR）。方差分析表明，水压和喷枪与材料之间的距离是影响孔径偏差及钻削速率的主要因素。研究人员在基于Anaconda的Python环境中构建了四种机器学习模型：XGBoost、决策树（Decision Tree）、随机森林（Random Forest）和AdaBoost回归器（AdaBoost Regressor）。其中，随机森林模型在捕捉复杂工艺行为方面表现出较高的可靠性，其用于预测孔径偏差的R2值为0.92263，用于预测钻削速率的R2值为0.90471。随机森林模型被用作多目标优化的基础框架，同时采用了Grey Wolf优化器、Whale优化算法和算术优化算法进行进一步优化。最终在Water pressure = 350 MPa、Standoff distance = 2.5 mm和Traverse rate = 300 mm/min的参数设置下，获得了最佳的加工效果：孔径偏差减小至0.1238，钻削速率提升至2.0450。Friedman检验（p < 0.001）及事后分析均证明Whale优化算法的性能优于Grey Wolf优化算法和算术优化算法。使用优化后的参数进行的验证测试结果显示，实际加工结果与预测值之间的偏差控制在±3%的范围内，具有较高的一致性。