一种用于碳化硅基板研磨中材料去除率预测的自适应异质模型集成方法

《JOURNAL OF INTELLIGENT MANUFACTURING》：An adaptive ensemble of heterogeneous models for material removal rate prediction in SiC substrate lapping

　　

摘要

准确预测材料去除率（MRR）对于碳化硅基板的工艺优化和智能决策至关重要。本研究提出了一种异构模型自适应集成方法（AEHM），用于MRR预测。首先，利用抛光工艺参数建立经验MRR模型并通过实验验证。然后将经验模型预测值与多域振动特征融合，构建融合特征矩阵 \({\mathbf{X}}_{F}\)。基于 \({\mathbf{X}}_{F}\)，结合K-means聚类与k近邻方法构建初始局部区域，并进一步根据区域相似性和样本重叠度进行筛选，获得有效局部区域。在每个有效局部区域中，分别采用支持向量回归、高斯过程回归和偏最小二乘回归预测经验MRR模型的残差。利用非支配排序遗传算法II选择残差预测模型的互补组合，并通过粒子群优化算法优化融合权重，从而实现异构残差预测模型的自适应集成。最后，将区域融合残差预测值加到经验MRR模型的输出上进行并行补偿，通过数据-模型融合获得最终的MRR预测结果。实验结果表明，该方法在小样本条件下具有高的预测精度和良好的泛化性能。与经验模型和数据驱动模型相比，AEHM的均方根误差分别降低了57.1%和高达52.9%，R²达到0.986。

图形摘要

准确预测材料去除率（MRR）对于碳化硅基板的工艺优化和智能决策至关重要。本研究提出了一种异构模型自适应集成方法（AEHM），用于MRR预测。首先，利用抛光工艺参数建立经验MRR模型并通过实验验证。然后将经验模型预测值与多域振动特征融合，构建融合特征矩阵 \({\mathbf{X}}_{F}\)。基于 \({\mathbf{X}}_{F}\)，结合K-means聚类与k近邻方法构建初始局部区域，并进一步根据区域相似性和样本重叠度进行筛选，获得有效局部区域。在每个有效局部区域中，分别采用支持向量回归、高斯过程回归和偏最小二乘回归预测经验MRR模型的残差。利用非支配排序遗传算法II选择残差预测模型的互补组合，并通过粒子群优化算法优化融合权重，从而实现异构残差预测模型的自适应集成。最后，将区域融合残差预测值加到经验MRR模型的输出上进行并行补偿，通过数据-模型融合获得最终的MRR预测结果。实验结果表明，该方法在小样本条件下具有高的预测精度和良好的泛化性能。与经验模型和数据驱动模型相比，AEHM的均方根误差分别降低了57.1%和高达52.9%，R²达到0.986。

图形摘要