利用Takagi-Sugeno模糊神经网络预测FDM制造的PETG和TPU微通道的尺寸保真度

《Next Materials》：Predicting dimensional fidelity of FDM-fabricated PETG and TPU microchannels using Takagi-Sugeno fuzzy neural networks

　　

在微观尺度特征中实现可靠的尺寸保真度（dimensional fidelity）仍然是熔融沉积成型（Fused Deposition Modelling, FDM）中的关键瓶颈，这归因于小尺度下复杂的热-粘弹性（thermal–viscoelastic）相互作用。本研究的新颖之处在于开发了一个基于Takagi-Sugeno模糊神经网络（Takagi-Sugeno Fuzzy Neural Networks, TS-FNN）的可解释预测建模框架，该框架通过为微观尺度FDM提供高精度预测和物理透明性，克服了传统人工智能的“黑箱”局限性。研究人员使用田口实验设计（Taguchi experimental design）研究了五个关键工艺参数，以建模PETG和TPU微通道的四个尺寸响应。定量结果展示了卓越的预测性能，宽度精度的R²值达到0.997，并在所有鲁棒性指标上保持在0.897以上。最优的TS-FNN配置采用27条模糊规则的结构化架构，实现了极低的均方根误差（Root Mean Square Error, RMSE低至0.00178?mm），而在先前未见过的参数组合上的验证产生了低至3–4?μm的平均预测误差，确保了相对于微观尺度特征尺寸的高保真控制。除了数值精度外，基于模糊规则的结构明确识别了材料依赖的敏感性，揭示了刚性（PETG）和柔性（TPU）热塑性塑料之间的流变学差异如何决定尺寸稳定性。本研究为确定材料特异性加工窗口提供了一种合理的方法，并代表了功能性微观器件增材制造中可预测、可解释控制的重大进展。

论文解读文章

**研究背景**
在微流控器件制造中，熔融沉积成型（Fused Deposition Modelling, FDM）因其低成本和材料兼容性成为重要技术，但实现亚200 μm微观特征的可靠尺寸保真度（dimensional fidelity）仍是关键瓶颈。由于热-粘弹性（thermal–viscoelastic）相互作用在小尺度下显著，工艺参数（如喷嘴温度、打印速度、流量等）的微小波动会导致不可忽略的几何偏差。现有研究大多依赖田口实验设计（Taguchi design of experiments）进行离散参数筛选，缺乏连续预测能力；而传统机器学习模型（如人工神经网络）虽预测精度高，但作为“黑箱”方法无法解释参数与响应之间的物理关系。此外，多数研究仅关注平均尺寸偏差，忽视了反映过程稳定性的鲁棒性指标（如标准差），这对微通道水力性能和流动行为至关重要。因此，研究人员开发了一种基于Takagi-Sugeno模糊神经网络（TS-FNN）的可解释预测框架，旨在同时预测尺寸精度和过程鲁棒性，并揭示材料-工艺相互作用。

**研究与结论**
研究人员利用田口L₂₇正交阵列实验数据，针对PETG（聚对苯二甲酸乙二醇酯-1,4-环己烷二甲醇酯）和TPU（热塑性聚氨酯）两种材料，建立了分别预测平均宽度偏差、宽度标准差、平均深度偏差和深度标准差的TS-FNN模型。模型采用减聚类（subtractive clustering）初始化模糊规则，经混合自适应神经模糊推理系统（ANFIS）算法训练，以27条最优模糊规则实现高精度预测。独立验证实验在先前未见过的参数组合上进行，预测误差低至3–4 μm。研究表明，TS-FNN框架在保持R² >0.89（最高0.997）的同时，通过模糊规则结构显式揭示了材料流变差异对尺寸稳定性的影响，为微观尺度FDM提供了连续、可解释的预测工具。该论文发表在《Next Materials》。

**关键技术方法**
研究采用田口L₂₇正交实验设计，在低成本FDM系统（0.4 mm喷嘴）上制造PETG和TPU开放矩形微通道试样，每种材料81个样本（共162个），通过Dino-Lite数字显微镜在20×放大下测量通道宽度和深度，每个通道取4个位置，共5184次原始测量。TS-FNN框架包含：输入归一化、减聚类（聚类影响半径0.3–0.55）生成高斯隶属函数、混合ANFIS算法（梯度下降+最小二乘估计）训练，最大300轮次，采用70%训练/30%测试拆分，并以27条模糊规则为最优结构。独立确认实验选取10组（每材料5组）未见过的参数组合，各重复3次。

**研究结果**
- **模型性能概览（3.1）**：通过对比R²、RMSE和MAE，发现所有模型预测精度表现优异。PETG宽度精度R²=0.997，TPU宽度精度R²=0.998；鲁棒性指标中TPU整体略优于PETG（TPU宽度鲁棒性R²=0.939 vs. PETG 0.897），归因于TPU的弹性响应使参数-关系更平稳。所有最优模型均采用27条规则。
- **预测可视化（3.2）**：通过实际值与预测值的散点图（parity plot），观察到PETG和TPU的均值偏差点紧密围绕y=x理想线，证实无系统性偏差；鲁棒性指标散布略宽但对称，表明模型有效捕捉了随机波动。
- **隶属函数分析（3.3）**：对高斯隶属函数（membership functions）的分析显示，PETG在喷嘴温度、打印速度和流量三个参数上呈现三个重叠分区，流量参数因体积敏感性表现更细分割；TPU在流量参数上呈现更多窄峰，反映弹性材料对挤出扰动的更高敏感性。两种材料均采用平滑高斯型隶属函数，确保规则激活的连续性。
- **残差诊断与统计验证（3.4）**：残差分析显示所有模型残差均匀分布在零附近，无明显异方差或趋势。Durbin-Watson统计量（0.93–2.17）表明残差无显著自相关；Q-Q图显示残差基本符合正态分布（尾部轻微偏离）。这些结果证实了模型的无偏估计和稳定方差。
- **实验确认（3.5）**：独立实验中，PETG和TPU的预测与实测值仍紧密对齐。量化后，PETG的MAE为3.3–4.0 μm，RMSE为3.4–4.0 μm；TPU的MAE为3.4–3.6 μm，RMSE为3.5–3.7 μm。相对误差低于特征尺寸（100–800 μm）的2%，且偏差值接近零，验证了模型的强泛化能力。

**讨论与结论**
在讨论部分，研究人员指出TS-FNN框架成功将离散田口实验转化为连续非线性代理模型，结合了统计实验的效率与机器学习的预测灵活性，同时通过模糊规则保持了可解释性。模型在PETG和TPU上均表现出高精度，其中均值偏差预测优于鲁棒性预测，符合物理预期（标准差含更多随机成分）。研究人员识别出材料特异性推荐参数窗口：PETG为喷嘴温度240°C、热床70°C、速度30 mm/s、流量100%、重叠15%；TPU为220°C、60°C、20 mm/s、100%、15%。这些参数有助于在低成本FDM系统上制造亚150–200 μm微通道。研究也存在局限：仅基于单一打印机、0.4 mm喷嘴和两种材料，且仅关注尺寸偏差，未考虑表面粗糙度、封闭通道完整性等功能指标。

结论部分翻译如下：
本研究提出了一个基于Takagi-Sugeno模糊神经网络（TS-FNN）的可解释预测建模框架，用于估计FDM制造的PETG和TPU微通道的尺寸偏差。利用涵盖五个关键工艺参数的结构化田口实验设计，所开发的模型在尺寸保真度和过程鲁棒性指标上均取得了稳健的预测性能，决定系数超过0.89，多个输出达到0.99。具体地，PETG深度和宽度精度的R²值分别为0.991和0.997，TPU对应输出为0.989和0.998。对于鲁棒性相关响应，两种材料的R²值范围为0.897至0.967，均方根误差（RMSE）始终低于0.0024 mm。残差分析证实了无偏估计和同方差行为；此外，Durbin-Watson统计量范围为0.93至2.17，表明残差序列无显著自相关。在先前未见过的参数组合上进行的独立确认实验产生了约3.3–4.0 μm（PETG）和3.5–3.7 μm（TPU）的预测误差，相对于所研究特征尺寸（100–800 μm）的相对误差低于约2%。本研究的新颖之处在于将可解释的混合模糊-神经建模方法应用于微观尺度FDM制造。尽管以往研究主要采用传统的“黑箱”人工神经网络预测FDM打印件的性能，但本框架解决了微通道制造中的独特挑战——热传输、粘弹性材料行为和挤出动力学强烈耦合产生高度非线性响应。通过结合神经网络的非线性逼近能力与模糊规则推理的透明性，TS-FNN框架同时提供了预测精度和结构可解释性。这种透明性使研究人员能够清晰理解参数-响应关系，促进参数敏感性识别，并通过明确的模糊“if–then”规则支持工艺优化，而这些规则在传统机器学习方法中通常缺失。