《Optics & Laser Technology》：Interpretable machine learning for laser machining morphology prediction of CFRP driven by physical-derived features
编辑推荐：
本研究针对CFRP激光加工过程中形态预测的局限性，提出整合点预测精度、不确定性量化与可解释性的形态预测框架。通过引入物理派生特征构建因果能量流链路，结合系统评估筛选可靠模型，并采用双重SHAP分析解构贡献路径。结果表明，高斯过程回归在预测精度和不确定性表征上最优，物理约束特征显著提升模型可靠性和因果可解释性，为激光加工优化提供高效可信赖的解决方案。
黄平|张光辉|陈志创|何新平|卢庆安|黄旭星|焦慧|周佳|龙玉红
广西电子科技大学机械与电气工程学院，制造系统与先进制造技术广西重点实验室，中国广西桂林541004
摘要
为了解决CFRP激光加工过程预测在方法论基准测试和机制可解释性方面的局限性，本研究提出了一个形态预测框架，该框架同时整合了点预测准确性、不确定性量化和可解释性。通过引入物理导出的特征，通过因果受限的能量流路径将外部工艺参数与形态响应联系起来，并通过系统评估确定了一个简洁可靠的模型。六个基线机器学习模型在两个主要维度——准确性和不确定性上进行了比较评估。通过结合变异系数、最大信息系数和递归特征消除，选择了具有低分散性、低相关性和高重要性的物理特征，构建了原始工艺参数–物理导出特征–形态指标的三层因果链。随后使用双层SHAP分析来层次化地描绘从工艺参数到形态响应的贡献路径。结果表明，高斯过程回归在预测准确性和不确定性表示方面优于其他模型。与仅使用原始特征的模型相比，引入物理导出特征提高了不确定性表征的可靠性，并建立了工艺参数与形态指标之间的物理受限因果联系。这三层因果链结合双层SHAP分析，共同阐明了形态响应的分布模式和机制贡献，从而增强了预测模型的因果一致性和可解释性。这项工作为CFRP激光加工中的形态预测和工艺优化提供了一种高效、稳健且可解释的技术范式。
引言
碳纤维增强聚合物（CFRP）复合材料具有低密度、高比强度、优异的耐腐蚀性和卓越的疲劳性能，已被广泛应用于航空航天、汽车和体育用品行业[1]。与机械切割和电火花加工等传统加工方法相比，激光加工具有高加工效率、无切削力以及易于与自动化制造系统集成等显著优势[2]，[3]。然而，在激光与材料相互作用过程中，材料内部的热、光和机械场之间存在强烈的耦合，这容易导致热损伤（如热影响区扩大）和纤维拔出等效应[4]，[5]。这些效应导致加工行为明显非线性，从而显著增加了工艺参数与加工质量之间关系定量建模和参数优化的复杂性[4]，[5]。
为了表征这种复杂关系并实现有效的参数优化，现有的CFRP激光加工研究主要依赖于两种方法：基于物理的数值建模和大规模实验研究。前者受到CFRP固有的强多物理耦合和材料各向异性的限制，导致建模复杂性高且参数优化效率有限；后者则面临高实验成本和长开发周期的问题[6]，[7]。
鉴于纯基于物理的建模和广泛的实验测试既耗时又昂贵，近年来人们对小样本机器学习方法在工艺参数优化方面的兴趣日益增加[8]，[9]。从工程应用的角度来看，基线模型因其简单性、低调整成本以及易于部署和维护而受到青睐，使工艺工程师能够快速实施并进行比较评估[10]。现有研究已将各种基线模型与多目标优化算法结合用于激光加工参数优化，包括反向传播神经网络（BPNN）[11]、随机森林（RF）[12]、克里金模型（Kriging）[13]、支持向量机（SVM）[9]和高斯过程回归（GPR）[14]。这些努力表明，即使在实验数据有限的情况下，机器学习也能有效捕捉工艺参数与加工结果之间的映射关系，从而促进参数优化。然而，对于CFRP激光加工这种本质非线性的场景，对常用基线模型性能的系统评估和比较评估仍然缺乏。同时，工业决策经常面临数据量小、噪声、操作漂移和安全约束等复杂问题。仅依赖点预测不足以支持基于风险的优化控制；因此，必须结合不确定性量化（UQ）来提供置信区间[15]。因此，确定简洁可靠的地形预测和工艺优化基线模型具有重要的实际意义。值得注意的是，大多数现有的机器学习模型作为“黑箱”范式运行[16]，无法传达明确的物理意义，阻碍了工程师理解工艺参数与加工结果之间的机制关系。
为了提高模型的可解释性，近年来出现了结合物理机制与数据驱动范式的混合机器学习方法。一方面，引入物理约束有助于提高预测准确性；另一方面，它增强了模型结果的物理可解释性[17]，[18]。例如，高使用神经网络预测了水射流引导的SiC/SiC复合材料激光加工中的形态，并通过补充的物理仿真框架进一步解释了模型识别的关键参数[19]。尽管这种策略提高了物理可解释性，但它需要额外的有限元建模，导致计算成本高和建模复杂性高，从而限制了其在工艺工程师中的实际应用。同样，朱使用物理信息神经网络（PINN）预测金属增材制造中的熔池形态，将偏微分方程直接嵌入网络以模拟温度场和形态演变，从而提高了物理可解释性[20]。江提出了一个受物理启发的机器学习框架，即使在标记数据有限的情况下也能实现高预测准确性，并能够可视化温度分布以增强机制可解释性[21]。然而，PINN和PIML方法都依赖于仿真数据或偏微分方程的内部解来获取物理信息，导致训练耗时和数据成本高，限制了它们在工程优化中的快速应用。
相比之下，物理导出的特征作为物理机制与数据驱动建模之间的中间桥梁，本质上嵌入了丰富的机制信息。通过将基于物理知识计算或导出的特征作为额外输入，可以在不显著增加模型复杂性的情况下提高预测性能。先前的研究表明，在金属增材制造的参数优化背景下，引入物理导出特征可以将预测准确性提高约15%–40%，与仅依赖原始工艺参数的模型相比[22]。此外，可以通过两级SHAP分析建立“原始工艺参数–物理导出特征–形态指标”的因果链，从而进一步增强模型解释潜在加工机制的能力。这些方法只需在数据驱动模型中包含选定的物理导出特征，从而形成简单的模型结构并实现高效训练，使其更易于工艺工程师接受和应用。然而，在CFRP激光加工领域，将物理导出特征引入相对简单的模型以构建机制因果关系的系统研究仍然很少。
为了解决这些研究空白，本研究进行了以下工作。首先，系统地评估了几种常用的机器学习模型在点预测准确性和预测不确定性方面的表现，并选择了性能和可靠性更优的模型作为基线。其次，通过特征工程引入与加工形态高度相关的物理导出特征作为模型输入，以提高预测准确性和鲁棒性。最后，使用两级SHAP分析构建了“工艺参数–物理导出特征–加工形态指标”的因果链，从而增强了模型的机制可解释性。总体而言，这项工作为CFRP激光加工中的工艺预测和优化提供了一种高效且可解释的技术途径。
实验平台
本研究采用了水雾辅助的CFRP激光加工方法来研究基于机器学习的加工形态预测。激光加工系统的实验设置如图1所示。激光加工平台由武汉荣科激光自动化有限公司制造的准连续光纤激光焊接/切割集成系统（型号：WCM-IQCW450）组成。激光源为IPG准连续光纤激光器（型号：YLM-450_4500-QCW）。
研究工作流程
为了实现激光加工CFRP形态的稳健和高精度预测，并通过引入物理导出特征同时提高模型的预测能力和机制可解释性，建立了如图5所示的研究框架。整个工作流程包括四个连续阶段：数据预处理、特征选择、模型评估和比较以及可解释性分析。
为了确保输入的稳定性和可比性
特征工程和选择
为了提高模型的预测性能并增强其物理-机制可解释性，在特征工程阶段引入了物理导出特征，并将其纳入选择过程。首先，根据它们的变异系数（CV）过滤掉了低信息或几乎恒定的特征。所有特征的CV计算结果如表5所示。其中，特征X6（散焦光斑半径）的CV为0.018（CV < 0.05），表明变化很小且有限
结论
本研究解决了CFRP激光加工中的形态预测问题，并提出了一个建模框架，该框架同时考虑了点预测准确性、不确定性量化和机制可解释性。通过使用物理导出特征作为中间桥梁，该框架构建了“工艺参数–物理信息–形态指标”的因果能量流链，并系统地评估了常用的基线模型
CRediT作者贡献声明
黄平：撰写——原始草稿，调查。张光辉：调查，概念化。陈志创：调查。何新平：撰写——原始草稿。卢庆安：软件。黄旭星：调查。焦慧：资金获取。周佳：资金获取。龙玉红：资金获取。
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
本研究得到了国家自然科学基金（NSFC）（编号：62274045）、广西重点研发计划（编号：2024AB33265）、广西特种工程设备与控制重点实验室（编号：2411KFZD01）、广西航空航天技术大学教育改革项目（编号：JGY2023129）、广西航空航天技术大学（编号：2411KFZD01）、广西研究生教育创新项目（编号：YCSW2024323、YCSW2024331）的财政支持和资助。
