《Journal of Manufacturing Systems》：Integrating data and domain knowledge for predictive intelligence: A comprehensive review of DKF-DPM in intelligent manufacturing
编辑推荐：
数据与知识融合驱动的预测模型（DKF-DPM）在复杂制造场景中展现出高精度与鲁棒性，通过整合数据驱动学习与物理、领域知识，优化非线性、多源及高不确定性过程的建模与预测。本文系统综述DKF-DPM在智能制造中的应用进展，涵盖设备状态（失效与疲劳寿命）、加工过程（切削力与残余应力）、制造结果（加工质量与变形）及控制决策（参数优化）四大核心场景，分析其建模框架与优势，并探讨现存局限性与未来研究方向，提出跨领域评估标准及人机协同发展路径。
郑仁|陈宇涛|朱子豪|农琳虎|杨文宇|邱俊勇|凌天华
华中科技大学机械科学与工程学院智能制造装备与技术国家重点实验室，武汉，430074，中国
摘要
数据和知识融合驱动的预测模型（DKF-DPM）因其能够在复杂的制造场景中实现高精度和鲁棒性而受到广泛关注。通过将数据驱动的学习与物理和领域知识相结合，DKF-DPM能够更可靠地对非线性、多源和高度不确定的过程进行建模和预测。本综述系统地回顾了DKF-DPM在智能制造领域的最新进展，重点介绍了其在故障和疲劳寿命、切削力和残余应力、加工质量以及最优加工参数方面的应用。此外，还讨论了当前的局限性和未来研究方向，以突出关键挑战和机遇。总体而言，本研究认为将数据驱动方法与领域知识相结合是开发更可靠、可解释和自适应的智能制造预测系统的关键途径。
引言
智能制造结合了先进的制造技术和下一代信息技术，正在推动工业系统的深刻变革。然而，其大规模应用仍受到多种挑战的阻碍，包括复杂的数据特征、系统异构性、可解释性不足以及对鲁棒性和适应性的日益增长的需求[1]。如今，信息革命和数据科学正在推动制造领域中广泛应用将物理知识与数据融合的建模技术。这种数据和知识融合驱动的预测模型（DKF-DPM）正在改变制造科学的研究范式[2]。在制造系统中，反映系统内部状态的原始数据和可解释的结构化知识是智能制造的两大基础支柱。通过结合这两个组成部分，DKF-DPM实现了纯数据驱动或纯知识驱动模型无法实现的最佳平衡。它利用领域专业知识保证了模型的鲁棒性和物理一致性，并通过数据驱动的自动化建模保持了工程适用性。
作为新兴范式，DKF-DPM依赖于数据和知识的互补效应作为其核心机制。如图1所示，包括统一的信息表示、相互增强机制、闭环决策和应用导向的具体实现。这种融合机制使智能制造系统从“感知驱动”转变为“认知驱动”。人类在数据和知识的整合中起着核心指导和校准的作用。他们定义融合规则，并通过领域专业知识赋予数据语义价值。此外，他们通过反馈验证结果并解决偏差问题，从而实现可信赖的数据-知识整合的迭代优化。通过将物理机制、过程规则或专家知识嵌入数据驱动模型中，这些模型能够更有效地描述复杂、非线性和多源耦合的制造系统的行为[3]。
尽管数据驱动模型已在制造领域得到广泛应用[2]、[4]、[5]、[6]、[7]、[8]，但DKF-DPM代表了传统制造研究的一个范式转变。DKF-DPM相比传统预测模型具有显著优势[9]。首先，通过知识整合，DKF-DPM具有更强的泛化能力和场景适应能力。其次，它提高了数据处理和计算效率，并通过深入识别复杂模式来提高预测精度[8]。最后，DKF-DPM有效克服了传统模型的局限性，如结构简单和适应性差的问题，并能够准确应对高维非线性和多参数建模的挑战[10]、[11]。
故障预测和疲劳寿命建模是智能制造中成熟且需求广泛的预测任务。然而，传统的模型（如循环神经网络（RNN）和长短期记忆（LSTM）网络在样本量小和极端工作条件下常常表现不佳，且缺乏可解释性。零件的表面完整性受到切削力和残余应力等“隐藏变量”的影响，其机制涉及材料、热摩擦等因素的复杂耦合[12]。此外，工件变形和质量受到材料、应力、夹紧和工艺顺序等多维变量的影响，这导致建模过程中高维特征交互的挑战。工艺参数的选择影响所有制造性能，而基于实验或经验公式的传统优化方法仅适用于小样本或特定材料。本文通过四个核心场景构建了一个完整的制造链逻辑框架：设备状态（故障和疲劳寿命）、加工过程（切削力和残余应力）、制造结果（变形和质量）以及控制决策（参数优化）。该逻辑框架不仅展示了DKF-DPM在确保稳定运行、优化加工参数和提高产品性能方面的广泛应用，还进一步揭示了其在智能制造中的应用潜力和发展路径。
本综述主要采用“建模-应用-挑战”的三层开发策略，分为五个部分。如图2所示：第一部分介绍了DKF-DPM的建模因素和应用步骤，回答了如何构建融合模型的基本问题。第二至第四部分系统地回顾和分析了DKF-DPM在智能制造中的研究，重点关注故障和疲劳寿命预测、切削力和残余应力预测、变形和加工质量评估以及最优加工参数。第五部分提出了跨领域模型的评估标准，并制定了针对已识别研究局限性和未来趋势的发展路线图。
与以往仅关注单一驱动方法的综述不同，本文的独特贡献在于：（1）系统地考察了DKF-DPM在各种制造系统中的当前应用现状，强调了研究方法、性能指标和工业应用的多样性。（2）综述围绕DKF-DPM显著应用的四个关键领域展开，全面覆盖了设备、工艺和决策维度，展示了融合模型在复杂工作条件下的协同优势。（3）构建了一个集成的“数据-知识-智能”融合范式，并提出了DKF-DPM研究的跨学科评估原则。（4）明确指出DKF-DPM未来应与大型模型技术相结合，以实现更大的人机协作价值，并为DKF-DPM建立了开放的挑战和研究路线图。本文为智能制造提供了新的视角和理论指导。
部分摘录
数据和知识融合驱动的预测模型
随着信息技术的进步以及数据采集、存储和处理能力的提升，数据在预测制造过程和结果方面的作用变得日益明显，对指导过程规划和生产具有关键作用。DKF-DPM相比传统预测模型（见表1）具有显著优势，因为它避免了由于对经验或物理模型理解不完全而产生的偏差。
故障和疲劳寿命
零件在使用过程中经常受到周期性或随机载荷的影响，增加了其故障风险并可能缩短使用寿命。防止零件故障并准确确定剩余疲劳寿命对于维持产品的完整生命周期至关重要。为此，必须确保设备正常运行并有效评估系统状态。
切削力和残余应力
在切削过程中，刀具与工件之间的相互作用会产生切削力，导致工件材料发生塑性变形和微观结构变化。残余应力是指工件在没有外部载荷的情况下处于自平衡状态时的内部应力。切削力和残余应力对组件的尺寸稳定性和机械性能（如硬度、强度等）具有重要影响。
加工质量
工件的尺寸精度、形状和位置精度取决于加工过程中的各种工艺参数和制造技术。预测影响产品质量的关键因素有助于从前瞻性角度提高工件制造的高精度，并避免工件变形等问题。加工质量的评估指标包括多个方面，如变形、表面统一评估标准
尽管DKF-DPM研究取得了快速进展，但不同制造任务之间的定量评估指标仍存在不一致性。如表4所示，R2、RMSE、误差值和验证方案在不同研究中的显著差异限制了跨研究的严格比较。这种差异性和多样性限制了已发表结果的可重复性和工业适用性，凸显了在DKF-DPM研究中制定统一评估标准的必要性。
结论
DKF-DPM相比传统的基于经验和物理的方法具有明显优势。尽管许多研究人员开发了适用于不同应用的有效预测模型，但大多数研究更注重模型架构和预测精度，往往仅简要介绍了模型优化和数据预处理。在本综述中，预测被用作提前掌握零件加工后续状态的工具。更重要的是分析和
CRediT作者贡献声明
杨文宇：撰写——审阅与编辑，概念化。邱俊勇：项目管理，资金获取。凌天华：验证，资源管理。郑仁：撰写——审阅与编辑，初稿撰写，验证，资源管理，概念化。陈宇涛：调查，正式分析。朱子豪：方法论，数据管理。农琳虎：可视化，监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了深圳市承担重大国家科技项目的协同创新项目（编号：CJGJZD20220517141401004）、华中科技大学深圳研究院和深圳吉业精密技术有限公司的支持。
