将机器学习转化为制造专业知识——精密注塑成型中的可操作解释性与稳定性

《Polymer Engineering & Science》：Translating Machine Learning Into Manufacturing Expertise—Actionable Interpretability and Stability for Precision Injection Molding

　　

工业界对注塑成型（IM）中人工智能/机器学习（AI/ML）的采纳持续增长，同时也在可信度与领域知识对齐方面做出努力。本研究旨在推动注塑成型领域知识背景下的可解释人工智能（XAI）应用。提出了一种增强的注塑成型XAI人机感知语言结构。作为一种以领域为中心的方法，本研究解决了两个主要注塑成型挑战：建立对AI/ML模型部署的信心，以及应对未预测缺陷的机器微调。基于注塑成型模拟，研究人员选择了六个机器参数，利用人工神经网络（ANNs）预测四个光学质量指标，这些神经网络也用于模型可解释性任务。为了提升可信度，研究人员采用集成稳定性分析，评估了不同试验和数据使用下R²和SHAP贡献的中值及变异。结果显示最终饱和相似，但稳定性和饱和速度存在差异。为了辅助机器微调，研究人员提出了平行坐标图，用于可视化包含机器控制公差和用户指定微调范围的扰动场景。多点交互式选择多个感兴趣的机器参数，使工程师能够专注于微调可能带来的质量变化。所提出的方法增强了不同制造领域中的模型可解释性，可能促进AI/ML在各类工业应用中的更广泛采纳。

**论文解读：将机器学习转化为制造专业知识——精密注塑成型中的可操作解释性与稳定性**

**研究背景与问题**
注塑成型（IM）特别是高精度光学IM，其机器参数与零件质量之间存在复杂且非线性的关系。传统性能指标（如决定系数R²和均方误差MSE）广泛用于评估模型性能，但工业界不仅需要准确结果，更看重基于理由和可信度的决策。然而，AI/ML模型因“黑箱”特性而难以被广泛接受。当前存在两个主要障碍：一是缺乏对模型部署的信心，二是当实际生产中出现未预测缺陷时，AI/ML模型无法提供有效指导，导致模型与现实制造过程脱节。因此，本研究旨在通过领域中心的可解释性方法，将模型评估转化为可操作的制造专业知识，提升可信度并支持机器微调。

**研究内容与结论**
研究人员提出了一种扩展的XAI人机感知语言结构，将注塑成型制造任务纳入反馈回路。基于注塑成型模拟数据，利用人工神经网络（ANNs）预测四个光学质量指标（平均双折射、收缩范围、倾斜和拟合半径），并采用集成稳定性分析同时评估R²和SHAP贡献的中值与变异。结果表明，虽然R²和SHAP贡献在最终饱和水平上相似，但在稳定性和饱和速度上存在差异。例如，在平均双折射预测中，次要特征的重要性排名在R²饱和后仍不稳定；在倾斜预测中，SHAP贡献的饱和显著滞后于R²。此外，研究人员提出了结合机器公差与用户指定微调范围的扰动分析，并通过平行坐标图可视化微调对预测质量的影响。该可视化工具支持交互式刷选，使工程师能同时探索多个机器参数与质量条件的子范围。论文发表在《Polymer Engineering》。

**关键技术方法**
（不超过250字）
本研究主要采用以下关键技术方法：
1. **集成稳定性分析**：通过20次随机初始化的训练试验，在不同数据使用量（20%–200%）下同时监测R²和SHAP贡献的中值与四分位距，并利用非参数统计检验（Bootstrap置信区间、Mann–Whitney U检验、Brown-Forsythe检验）量化饱和与稳定性。
2. **扰动分析与平行坐标可视化**：基于训练好的ANN模型，从Pareto前沿选取名义机器参数，结合机器公差（±1.5%至±5.0%）和指定微调范围（±12.0%），通过蒙特卡洛模拟生成扰动数据，并利用D3.js创建可交互的平行坐标图，支持刷选功能以探索条件子范围。
（注：样本来源为注塑成型模拟软件Moldex3D生成的模拟数据集，包含42个训练点、42个验证点和42个测试点，均采用拉丁超立方抽样（LHS）设计。）

**研究结果**
（保留原文小标题，简要说明通过什么研究得出什么结论）

**4.1 R²与SHAP贡献之间的相似性**
通过训练曲线比较，发现随着数据使用量增加，R²中值饱和（达到0.80以上），SHAP贡献排名也趋于稳定，且箱线图变窄。例如，收缩范围和拟合半径的R²与SHAP贡献均表现出类似收敛模式。Brown-Forsythe检验确认了除收缩范围（120%数据使用量时方差仍不稳定）外，其他质量因子在饱和后方差无显著差异。此外，桶温度（T_b）被识别为所有四个质量因子最重要的参数，与领域知识一致。

**4.2 R²与SHAP贡献之间的差异**
通过平均双折射和倾斜的预测案例，发现两种差异：（1）次要特征重要性排名不稳定：尽管R²在120%数据使用量时饱和，但SHAP贡献中转换位置（SOP）、第一段保压压力（P₁）和注射速率（Q）的排名在140%数据使用量时仍交替变化，Mann–Whitney U检验拒绝相等分布（p<0.001）；（2）饱和延迟：倾斜预测中R²在80%数据使用量时达到0.852，但SHAP贡献中Q的贡献在80%至200%数据使用量间变化了47.5%，且Q的SHAP贡献分布无重叠（U=0.0）。这表明仅依赖R²可能导致过早信任。

**4.3 基于平行坐标可视化的可操作扰动分析**
通过扰动分析和平行坐标图，展示了机器微调对预测质量的影响。以第三段保压压力（P₃）为例，尽管施加了±12.0%的微调范围，四个预测质量仍保持聚集，表明P₃影响有限，与SHAP排名一致。相反，以桶温度（T_b）为微调参数时，质量分布显著变宽，提示需谨慎调整。交互式刷选功能允许工程师选择参数子范围，并观察条件约束对质量的影响。多参数微调案例（如同时刷选T_b和P₃）展示了复杂生产场景下的实用性。

**讨论与结论**
**讨论总结**：本研究提出的集成稳定性分析揭示了R²与SHAP贡献之间的相似性与差异，强调同时评估两者及其变异的重要性。基于机器公差的扰动分析和平行坐标可视化，将模型学习到的关系转化为可操作的微调指导，即使模型未针对未预测缺陷训练。该方法可扩展至实验数据与在线传感器测量。
**研究结论翻译**：
聚合物加工以其机器参数与质量预测之间的复杂性和非线性关系而闻名。可解释人工智能（XAI）有望弥合AI/ML模型利用与人类信心之间的差距，促进更广泛的工业应用。本研究在工业制造（IM）领域提出了一个领域中心的XAI框架，并引入了服务于特定注塑成型工程需求的用户导向应用。
综述了聚合物领域近期XAI方法，并将其映射到闭环人机（模型）框架下（参见图2）。这使得工程师能够将XAI的贡献与他们对当前AI/ML应用的理解对齐，同时指示未来在探索AI/ML模型衍生表示方面的努力。此外，提出的“注塑成型XAI语言”将聚合物制造场景纳入人机感知框架，形成了集成人类输入、IM制造和AI/ML模型可解释性的闭环系统。
本研究旨在解决IM制造中的两个主要挑战：（i）建立对AI/ML实施的信心，以及（ii）应对未预测缺陷时的微调需求。利用两组LHS模拟数据，选择了六个IM机器参数来预测四个关键光学质量。
提出了集成稳定性分析以提升工业采纳信心，通过20次随机初始化训练试验，评估了R²和SHAP贡献的中值及变异。统计检验定量支持了箱线图中观察到的饱和与稳定性。当中值R²超过0.80且SHAP贡献排名稳定时，工程师获得了模型预测性能和推理的双重信心基础。SHAP贡献的变异提供了比单独R²更直接与领域知识关联的稳定性指标。
基于所展示的案例，观察到了两种差异，证明了集成稳定性分析的必要性：首先，在平均双折射预测案例中，次要特征重要性排名存在不稳定性，即使在R²饱和后，基于SHAP贡献的第2至第4位参数仍交替变化，Mann–Whitney U检验拒绝次要特征的相等分布。这种不稳定性可能导致IM工程师获得不同的微调建议。其次，在倾斜预测案例中观察到饱和延迟，尽管R²在80%数据使用量时达到0.85并维持至200%，但注射速率（Q）的SHAP贡献在同一区间内变化了47.5%。集成分析能够检测到单一指标可能遗漏的不稳定性。
扰动分析和平行坐标可视化解决了IM制造中未预测缺陷的第二个挑战。通过以物理机器公差和针对未预测缺陷的指定微调范围扰动机器参数，该方法可可视化预测质量如何受影响。扰动分析将学习到的关系转化为框架闭环步骤（v）中的可操作指导。
结果部分还展示了从单个到多个机器参数微调的案例。最重要的是，刷选功能为复杂微调过程提供了更大的灵活性和实际优势。工程师可以分配多个机器参数的不同子范围组合，并立即观察条件和局部约束如何影响预测质量。给定优化的机器参数集，工程师只需关注与未预测缺陷相关的指定微调范围。总体而言，集成稳定性分析通过提供额外信心告诉工程师模型是否可信，而基于扰动的可视化则展示了如何利用训练模型进行现场决策。两种方法均旨在以用户为导向，并适应IM的制造工作流程。
广泛而言，关注质量预测的研究是网络物理系统的重要组成部分。由于其复杂的工艺动态和材料特性，IM为工业环境中AI/ML的实施提供了完美示例。本研究提出的模型可解释性和稳定性分析可以弥合制造专业知识与AI/ML模型之间的信心与信任差距，同时将模型使用与微调和工艺稳定性等实际制造操作对齐。尽管当前演示基于模拟数据，但两种提出的框架均可扩展至实验数据和在线传感器测量，因为物理生产环境中涉及随机性。随着未来生产研究识别出更多制造场景，预计模型可解释性可以更精确地定位并更高效地实施。