基于可解释人工智能验证的TabNet自监督学习方法用于Fe-Si合金钢板晶粒尺寸预测

《Materials Today Communications》：Self-Supervised Learning for Grain Size Prediction in Fe-Si Alloy Steel Sheets: A TabNet-Based Approach with Explainable AI Validation

　　

传统非取向电工钢（Non-Oriented Electrical Steel, NOES）晶粒尺寸测量方法如化学腐蚀和光学显微镜分析具有破坏性，不适用于全规模检测。此外，标注晶粒尺寸数据的高获取成本限制了传统监督机器学习模型在该应用中的泛化能力。为应对这些局限，研究人员采用值插补与掩码估计（Value Imputation and Mask Estimation, VIME）、基于随机特征破坏的自监督对比学习（Self-Supervised Contrastive Learning using Random Feature Corruption, SCARF）和注意力可解释表格学习（Attentive Interpretable Tabular Learning, TabNet）三种自监督学习（Self-Supervised Learning, SSL）模型，结合累积局部效应（Accumulated Local Effects, ALE）和反事实解释（Counterfactual Explanations, CE），从单片测试仪（single-sheet tester）测量的磁性能中实现晶粒尺寸的无损预测。研究采用厚度为0.1 mm的Fe-Si NOES薄板（Si 0.61 wt%，Al 0.34 wt%），晶粒尺寸范围为42.1–116.8 μm。TabNet-SSL实现了最高的预测精度，R² = 0.81且RMSE = 12.20 μm，较传统监督基线模型（随机森林、梯度提升、多层感知器、XGBoost）在R²上提升+0.29。利用仅30个输入变量的轻量级模型——输入维度降低70%——保持了R² = 0.73。ALE和CE分析证实预测机制与磁学理论一致，包括畴壁钉扎效应（domain wall pinning effects）和磁导率行为。这些发现表明从磁测量中实现无损晶粒尺寸预测是可行的。由可解释人工智能（Explainable AI, XAI）驱动的分析为测量条件选择建立了可解释基础，从而减少了所需输入变量。在验证的合金成分、薄板厚度和晶粒尺寸范围内，所提出的框架展示了XAI驱动测量方案设计的潜力，并支持NOES薄板的质量监控。这为降低测量成本的数据驱动过程管理提供了可行途径。

该研究发表于《Materials Today Communications》，聚焦于非取向电工钢晶粒尺寸的无损预测这一关键工程问题。非取向电工钢作为直接影响电机和变压器效率的软磁材料，其晶粒尺寸是调控磁性能最敏感的微观结构参数之一。然而，传统的化学腐蚀与光学显微镜测量方法存在三大实践局限：其一，破坏性检测使取样无法返回生产线；其二，制样与成像需20–30分钟/件，超出连续退火线的通过时间；其三，截面取样仅提供点信息，无法捕捉沿带卷分布的微观组织变化。尽管晶粒尺寸对磁性能至关重要，但当前并无将其纳入在线质量规范的方法，这促使研究人员开发基于人工智能的无损评估技术。此外，磁性能测量数据虽易获取，但实际晶粒尺寸作为目标值的测量成本高、耗时长，导致标注训练数据稀缺，训练高维模型时易产生过拟合风险。

为同时克服材料数据中固有的高维度与数据稀缺问题，研究人员提出了整合自监督学习与可解释人工智能技术的框架。该研究选用三种代表表格数据自监督学习主要范式的模型：基于重建/生成的VIME、基于对比学习的SCARF、以及基于注意力与稀疏正则化的TabNet。通过自监督预训练，编码器权重在无晶粒尺寸标签的情况下学习磁输入变量间的模式与物理关联，随后在有限标注数据上进行监督微调以实现晶粒尺寸回归预测。此外，研究采用累积局部效应和反事实解释替代传统的部分依赖图和置换特征重要性，以在变量间存在高相关性的情况下提供可靠的解释。

研究样本为52块总氮含量规格的非取向电工钢，通过两步冷轧至0.1 mm厚度，经800–1100 °C真空热处理获得42.1–116.8 μm的晶粒尺寸分布。磁性能采用IWATSU SY-8219单片测试仪测量，涵盖11个磁参数在10种固定条件下的100个输入变量。数据处理阶段采用孤立森林剔除异常样本，StandardScaler进行特征缩放，所有随机操作固定random_state=42以确保可复现性。模型评估采用3折交叉验证，以决定系数和均方根误差为性能指标。

研究结果显示，TabNet-SSL以R² = 0.81、RMSE = 12.20 μm达到最高预测精度，较最优传统监督基线（随机森林，R² = 0.52）提升+0.29，较TabNet-Scratch（R² = 0.77）提升+0.04，表明稀疏正则化注意力机制与掩码重建预训练对预测性能具有独立累加贡献。SCARF-SSL表现不及预期（R² = 0.69），归因于小数据环境中对比学习所需负样本对数量不足。

可解释人工智能分析揭示了模型学习机制与磁学理论的一致性。TabNet选择的B3.5_Br/Bm呈负相关，归因于晶界对不可逆畴壁移动的钉扎效应：细晶粒材料晶界密度高，畴壁回返受抑，维持较高的Br/Bm。VIME/SCARF聚焦的B0.5_phase呈负相关，源于瑞利区复杂磁导率行为：细晶材料钉扎位点密度高，实部磁导率μ′降低而虚部比μ″/μ′升高，导致相位角增大。高频区W2.5/4000_Br/Bm的正相关则对应动态滞后现象：晶粒增大使畴壁速度增加，局部微观涡流增强，磁滞回线扩张。B0.5_Pcv的正相关符合瑞利区磁滞损耗与晶粒尺寸的线性关系，而B2.5_2φim的负相关可能涉及织构与磁各向异性的复杂影响。

基于XAI分析，B0.5、B2.5、B3.5三个测量条件贡献约57%的特征重要性，研究人员构建了仅含30个输入变量的轻量级TabNet模型。该模型保持R² = 0.73，RMSE = 14.48 μm，在全晶粒尺寸范围内平均误差约9.9 μm，实现了70%的测量条件缩减，为在线质量监控提供了实用方案。

研究结论如下：第一，TabNet-SSL的有效性得到验证，R² = 0.81和RMSE = 12.20 μm的表现优于所有评估模型，稀疏正则化注意力机制与掩码重建预训练贡献累加；第二，ALE和CE分析确认预测机制与磁学理论一致，B3.5_Br/Bm的负相关反映350 A/m不可逆畴壁移动的晶界钉扎，B0.5_phase的负相关反映50 A/m瑞利区细晶材料的磁导率行为；第三，轻量级模型以70%输入维度缩减保持R² = 0.73，三个关键测量条件在全范围内实现约9.9 μm平均误差；第四，ALE和CE在XAI驱动分析中具有互补作用，前者支持测量方案设计的全局趋势量化，后者支持单件级别的根因分析。这些发现共同确立了自监督学习结合可解释人工智能用于非取向电工钢无损晶粒尺寸表征的可行性，为测量方案设计提供了定量依据，降低了对破坏性金相分析的依赖。