面向制造过程优化与设计的可解释人工智能框架AIMPOD：多模型学习与材料感知预测方法研究

《Scientific Reports》：AIMPOD: an explainable artificial intelligence engine for agentic digital manufacturing

　　

摘要

制造系统日益产生异质性、高维数据，然而许多现有的人工智能（AI）框架仍存在针对特定问题、可解释性弱以及对时序依赖性或缺乏对材料特异性变异的适应能力等不足。这限制了AI在数字制造中用于过程优化、质量预测以及未来自主决策的可靠部署。为弥补这一差距，本研究开发了AIMPOD（面向制造过程优化与设计的人工智能），一个可解释的人工智能框架，将数据条件化、智能预处理、多模型学习、集成优化和可解释性统一于单一制造感知工作流中。该框架通过两个不同案例进行了验证：钢铁制造中的时序感知能源预测，以及金属激光束粉末床熔融（PBF-LB/M）中的材料感知相对密度预测。对于时序排列的工业数据，AIMPOD采用防数据泄漏的时间顺序验证方法；对于异质性增材制造数据，则采用材料分割建模以保留合金特有的工艺-结构关系。在钢铁案例中，非线性模型和集成模型的测试 $R^2$ 值约为0.98至0.99之间，而优化后的集成模型将RMSE降至约0.63 kWh，相比最佳单一模型改善了约20–25%。在PBF-LB/M案例中，混合材料数据集建模达到约 $R^2_{\text{test}} \approx 0.76$，而材料特异性学习则将性能提升至18Ni300约为0.87、CuCrZr约为0.78。结果表明，AIMPOD在保持可解释性的同时增强了预测鲁棒性，并为迈向可解释、面向智能体的制造智能提供了自适应路径。