面向SiCp/Al复合材料低温-激光辅助超精密切削的数据高效表面粗糙度优化：不确定性感知元深度核学习（Meta-DKL）

《Materials Today Communications》：Data-efficient surface roughness optimization in cryogenic-laser assisted ultra-precision cutting using uncertainty-aware meta deep kernel learning

　　

超精密切削中的表面粗糙度优化仍具挑战性，因为工艺响应呈非线性、依赖工况，且难以从有限实验数据建模。在SiC_p/Al复合材料低温-激光辅助切削中，该挑战尤为突出，其中刀具前角、进给率和激光功率相互作用，产生异质表面形成行为。本研究提出一种不确定性感知元深度核学习框架，称为Meta-DKL，用于数据高效表面粗糙度优化。首先通过K-means聚类将实验参数空间划分为加工工况区，以构建伪任务。随后采用基于Reptile的元学习策略学习可迁移的工况感知特征表示，同时高斯过程回归（GPR）提供概率性表面粗糙度预测。进一步执行贝叶斯优化（BO），采用同时考虑预测粗糙度和预测不确定性的风险感知目标。在40 vol.% SiC_p/6092Al复合材料上进行切槽实验，获得155个有效观测，最佳实测表面粗糙度达到30.388 nm。与多项式回归、随机森林（RF）、传统高斯过程（TradGP）和异方差高斯过程（HeteroGP）模型相比，Meta-DKL取得最佳优化性能。推荐参数设置位于中等负前角、高进给率和高激光功率附近，给出预测粗糙度24.40 nm、预测不确定性1.74 nm和稳健目标值26.14 nm。使用优化参数进行的额外验证实验实现表面粗糙度26.9 nm，较原始实验数据集中的最佳结果降低约11.5%。扰动分析进一步表明，优化解在工艺参数偏差下目标退化可忽略，表明部署稳健性提高。这些结果表明，Meta-DKL为超精密切削中的智能工艺建模和稳健参数优化提供了可靠且数据高效的途径。

研究背景方面，超精密切削是先进制造中的核心技术，其通过刀具与工件相对运动实现材料去除，直接影响加工精度、表面完整性和生产效率。航空航天、光学电子和半导体等领域对钛合金、镍基高温合金及SiC_p/Al复合材料等高强难加工材料提出亚微米乃至纳米级表面粗糙度R_a和低亚表面损伤需求。但超精密尺度下，切深常小于晶粒或颗粒直径，产生尺寸效应和位错主导变形，导致切削力与热积累集中并加速金刚石刀具磨损；硬脆增强相与软韧基体失配易引起颗粒拔出和微裂纹。表面粗糙度形成还与微观结构异质性、机床振动、温度漂移等耦合，难以建立简单通用预测模型。工业中保守参数窗口虽可勉强保证表面质量，却限制材料去除率和效率。因此，需要激光辅助、低温辅助及其混合等能量场辅助超精密切削，实现难加工材料绿色、高效、精密、低损伤加工。表面粗糙度优化是超精密切削核心目标，影响服役性能、可靠性、装配匹配、摩擦密封、刀具磨损和加工稳定性，也是实现高性能、高精度、低损伤加工的前提。传统优化依赖经验试错和方差分析，成本高、效率低；机器学习与元启发优化多受限于固定设备，条件变化后需大量数据重复优化。现有多数元学习优化依赖预定义历史任务、环境或保真度层级，而制造实验常只有单一异质过程的有限数据，且数据集内部潜在工况异质性关注不足。基于此，研究人员提出不确定性感知元深度核学习框架Meta-DKL，从异质加工工况构建伪任务并利用跨工况知识迁移进行不确定性感知工艺优化。

研究人员开展的研究包括：将实验参数空间用K-means聚类划分为加工工况区并构建伪任务；采用基于Reptile的元学习策略训练可迁移的工况感知特征表示，RegimeNet学习工况表示并经投影层形成R-GP嵌入；以高斯过程回归提供概率预测；再用风险感知贝叶斯优化平衡预测粗糙度与预测不确定性。实验对象为40 vol.% SiC_p/6092Al复合材料，SiC为不规则颗粒，平均粒径约7 μm。切槽实验获得155个有效观测，最佳实测R_a为30.388 nm。Meta-DKL预测R_a为24.40 nm，预测不确定性1.74 nm，稳健目标值26.14 nm，优于LRP、RF、TradGP、HeteroGP、DKL和MC-BNN；验证实验R_a为26.9 nm，比原始数据集最佳结果降低约11.5%。扰动分析显示优化解在参数偏差下目标退化可忽略。其意义在于为工况漂移和数据稀缺条件下的超精密切削提供数据高效、不确定性感知的表面质量优化途径。

为开展研究采用的主要关键技术方法，研究人员使用三因素混合水平全因子切槽实验，样本来源为40 vol.% SiC_p/6092Al复合材料，增强相为平均粒径约7 μm的不规则SiC颗粒，体积分数固定为40 vol.%。实验在四轴超精密机床Nanoform X上进行，采用金刚石工具，1064 nm近红外激光经刀具边缘原位加热切削区，液氮喷向加工区实现低温冷却，切深限制在≤2 μm；用ZYGO NEWVIEW 9000白光干涉仪表征表面。建模与优化方法包括K-means聚类构建伪任务、RegimeNet特征提取器、R-GP、Reptile元更新、S-GP代理模型和风险感知贝叶斯优化。

研究结果方面，2.1低温-激光辅助切削机制：通过机制分析可知，低温-激光辅助切削（CLAC）依靠原位激光加热与低温冷却协同，激光软化SiC增强相并促进塑性域去除，低温提高SiC_p/Al复合材料硬度和界面结合，抑制颗粒脱粘和转动，从而降低亚表面损伤和表面缺陷。2.2实验设置：通过四轴超精密机床、刀具边缘激光入射、液氮冷却、氦氖红光标定和热电偶监控开展切槽实验，采用三因素混合水平全因子设计，共75组实验，参数范围为前角?65°至0°、进给率250至1250 mm/min、激光功率0至8 W。2.3实验结果与分析：通过155个有效数据点分析，R_a范围为30.388 nm至418.513 nm，均值218.778 nm，中位220.314 nm，标准差65.744 nm，变异系数30.05%；?35°刀具平均R_a最佳，为172.640 nm，0°为238.222 nm，?65°最差，为247.281 nm；F250条件最佳，为205.248 nm，F1250次之，F750较高；2 W最佳，为198.564 nm；最优组合为?35°、F1000、8 W，R_a为30.388 nm。3.1问题表述与框架概述：通过问题建模将工艺响应表示为未知非线性函数加观测噪声，并以预测均值与方差的风险感知目标寻优；框架分三阶段：工艺工况划分、元深度核学习和不确定性感知优化。3.2面向表面粗糙度建模的元深度核学习：通过K-means将数据分为K个工况，用RegimeNet和REB学习工况表示，投影得R-GP嵌入，以Matérn核和负对数边际似然进行工况级适应，再用Reptile更新共享参数，获得可迁移初始化。3.3不确定性感知工艺参数优化：通过元学习得到的θ^*初始化S-GP，在全数据集上训练后获得预测分布，再用BO最小化μ(x)+λσ²(x)形式的采集函数，在实验参数范围内插值寻优。3.4实验设置：通过设定K=8、支持样本n_k=16、λ=1、元训练300次、α_r=α_s=0.01、R-GP训练30次、S-GP训练400次、β=0.1、d_gp=8、隐藏层[64]、Matérn核ν=2.5，在Python和NVIDIA GeForce RTX 3090上实现。4.1与基线模型的对比实验：通过t-SNE、基线比较、候选解分布、后验轮廓、计算成本和一维响应切片得出，伪任务存在异质局部结构；Meta-DKL预测R_a最低为24.40 nm，不确定性1.74 nm，稳健目标26.14 nm，优于LRP、RF、TradGP、HeteroGP、DKL和MC-BNN；top-10候选集中于高功率约7.9–8.0 W、高进给约931–971 mm/min、前角约?43°至?35°；总在线计算时间1.766±0.094 s，低于2 s；响应切片显示进给率呈U形、功率呈非单调、前角呈凸形且不确定性较稳定。4.2消融研究：通过不同超参数消融得出，K=8在工况特异性和数据充分性间平衡最佳，d_gp=8最稳定准确，α_r=0.01最佳且过大显著恶化，β=0.1可稳定元更新。4.3参数扰动下的稳健性分析：通过1%至5%变量范围扰动得出，Meta-DKL目标退化几乎可忽略，GP、RF和RSM退化更大；出界概率随扰动增加，但Meta-DKL保持中等增长，表明优化解位于更平坦稳定区域。4.4实验验证与表面表征：通过优化参数额外加工实验，测得R_a为26.9 nm，较原始最佳30.388 nm降低约11.5%；SEM显示表面较均匀但仍有局部凹坑，主要与SiC颗粒断裂或拔出有关；EDS显示Al、Si、C、O元素空间分布，反映SiC增强相和Al基体异质分布。

讨论部分总结表明，Meta-DKL的优势不仅在于获得更优名义最优值，还在于提高输入不确定性下推荐工艺参数的可靠性；尽管扰动分析仍基于代理模型，后续加工实验验证了优化参数的实际有效性。研究结论翻译为：(1) 研究人员在SiC_p/Al复合材料上系统改变刀具前角、进给率和激光功率开展低温-激光辅助切槽实验，获得155个有效实验观测并构建加工数据集；基于该数据集，通过K-means聚类识别异质加工工况，并组织为伪任务用于后续元学习和概率建模。(2) Meta-DKL在所有比较代理模型中取得最佳整体优化性能，预测表面粗糙度为24.40 nm，预测不确定性为1.74 nm，稳健目标值为26.14 nm；与DKL、RF、LRP、MC-BNN、TradGP和HeteroGP的稳健目标值36.45、97.03、124.81、124.33、174.48和222.78 nm相比，Meta-DKL分别降低约28.3%、73.1%、79.1%、79.0%、85.0%和88.3%，表明工况感知元学习在考虑预测不确定性的同时识别低粗糙度解方面具有优势。(3) 稳健性和计算分析支持该框架的实际适用性；在1–5%变量范围扰动下，Meta-DKL解目标退化几乎可忽略，而GP、RF和尤其RSM退化逐渐增大；虽然Meta-DKL在线计算成本高于传统GP模型，但在150个训练样本和80000个候选点下总在线时间仅为1.766±0.094 s，低于2 s；消融结果还表明，合理设置工况数、潜在GP维度和工况级学习率对稳定优化性能很重要。(4) 独立加工实验进一步确认优化参数的有效性，实验测得表面粗糙度为26.9 nm，较原始实验数据集最佳值30.388 nm降低约11.5%；SEM观察显示加工表面较均匀且仅有局部凹坑，EDS映射揭示Al基体和SiC相关组分的空间分布；实验验证因此确认Meta-DKL推荐的参数组合可将基于模型的优化转化为实际加工表面质量改善。