基于双波长物理引导图神经网络的二色干涉图像膜厚预测

《Lubricants》：Film Thickness Prediction from Dichromatic Interference Images Based on Dual-Wavelength Physics-Guided Graph Neural Network

　　

二色光学干涉法为润滑膜厚度测量提供了丰富的光学信息。然而，实验数据通常仅限于少量离散工况，这使得学习卷吸速度、二色干涉图像和润滑膜厚度之间的非线性关系变得困难。为解决这一局限，研究人员提出了一种基于双波长物理引导图神经网络（DW-PG-GNN）的方法，用于从稀疏实验观测中表征中间润滑状态。该框架并非直接从干涉图像回归膜厚，而是通过一个统一的物理引导学习框架来学习卷吸速度、二色干涉图像和润滑膜厚度之间的非线性关系。具体而言，图表示捕获了二色干涉条纹的结构连续性和跨波长耦合特性，而物理引导残差学习策略将经典弹流润滑（EHL）理论中的解析膜厚先验嵌入到隐式神经表示中，用于中间状态预测。一个可微干涉渲染器进一步约束了预测膜厚与重构二色干涉图像之间的一致性，确保学习过程中光学和物理的一致性。基于从球-盘EHL试验台获取的稀疏实验数据集的验证表明，在所研究的工况下，该方法实现了可靠的膜厚平均预测和干涉图像重建。对于训练工况，预测误差在2.2%以内；对于未见过的卷吸速度插值工况，预测误差在8.67%以内。

# 论文解读：基于双波长物理引导图神经网络的二色干涉图像膜厚预测

## 研究背景与问题

摩擦与磨损是高端机械系统（如齿轮、轴承和液压元件）失效的主要因素之一，长期以来在机械可靠性与寿命研究中备受关注。对于这些关键摩擦接触副，其使用寿命和可靠性在很大程度上取决于有效润滑膜的形成与维持，而这一过程主要由弹流润滑（elastohydrodynamic lubrication, EHL）机制主导。在EHL条件下，润滑膜的形成受流体动压、弹性变形和润滑剂流变特性的耦合效应控制。膜厚作为润滑性能的关键指标，直接反映了摩擦接触副的承载能力和润滑状态。因此，精确表征润滑膜厚度始终是摩擦学与润滑工程中的重要课题。

为获取润滑接触内的膜厚信息，研究人员发展了多种测量技术，包括超声波法、电学法和光学干涉法。其中，光学干涉法因其非接触测量、高空间分辨率和全场观测能力，成为EHL膜厚表征中最广泛采用的方法之一。二色干涉法通过引入多波长干涉信息，有效解决了传统单色干涉法中的条纹级次模糊问题，显著扩展了可测量的膜厚范围。然而，高质量二色干涉图像的获取仍需要复杂的实验装置、严格的校准程序和大量的后处理工作。此外，由于实验成本、测量效率和设备稳定性的限制，实验观测通常只能在有限数量的离散工况下进行，而润滑状态随运行参数连续变化。因此，仅凭实验观测难以直接表征中间润滑状态。

在EHL系统中，工况变化持续改变接触区内的压力分布、润滑剂流动和膜厚轮廓，进而引起干涉图像特征的相应变化。因此，润滑状态演化可视为联系工况、光学响应和物理润滑参数的连续非线性过程。尽管可以采用传统插值或经验拟合方法估计中间状态，但这类方法通常无法捕捉潜在的物理演化规律，尤其是在稀疏采样条件下。因此，需要一种数据驱动方法，能够从有限的实验观测中学习工况、干涉图像和代表性膜厚参数之间的关系。

## 研究内容与结论

针对上述问题，研究人员提出了一种基于双波长物理引导图神经网络（Dual-Wavelength Physics-Guided Graph Neural Network, DW-PG-GNN）的框架，用于基于稀疏离散实验数据的插值式润滑状态预测。该研究以球-盘EHL试验台为基础，在负载、润滑剂类型（PAO4添加1.0% DNS极性添加剂）、环境温度和接触副材料性质保持不变的条件下，仅将卷吸速度作为唯一变化参数。研究人员在五个离散卷吸速度（100, 105, 110, 150, 200 mm/s）下采集了二色干涉图像，并提取了沿接触直径的平均膜厚作为代表性参数。利用其中三个速度（100, 150, 200 mm/s）的图像训练模型，而将105和110 mm/s作为独立验证条件，用于评估模型对未见中间工况的预测能力。

实验结果表明，DW-PG-GNN框架在已知工况下实现了平均膜厚预测误差低于2.2%，在独立验证工况下预测误差保持在8.67%以内。通过可微干涉渲染器，研究人员还从预测膜厚重构了二色干涉图像，重构图像保留了主要条纹结构、径向分布特征和颜色变化趋势。此外，通过闭环验证（将预测膜厚渲染为图像后再输入网络重新预测），已知工况下的一致性误差在5%以内，独立验证工况下低于10%，表明框架在工况、膜厚和光学响应之间保持了一致的映射关系。与三次样条插值方法（平均相对误差50.41%）和消融基线（去除神经细化与光学一致性约束，平均相对误差24.26%）相比，完整DW-PG-GNN框架在未知工况下的平均相对误差仅为7.13%，显著提升了中间润滑状态的预测性能。

该研究证实了所提出的物理引导深度学习框架能够从稀疏二色干涉数据中学习连续润滑状态，实现中间工况的膜厚预测和干涉图像重建，为EHL润滑状态表征提供了一种新的数据驱动方法。论文发表在《Lubricants》。

## 关键技术方法

研究人员为开展研究主要采用了以下关键技术方法：（1）图卷积网络（Graph Convolutional Network, GCN）与正弦表示网络（Sinusoidal Representation Network, SIREN）结合的隐式神经表示，用于从离散二色条纹图案中提取非欧几里得空间特征并映射到连续域；（2）基于经典弹性流体动压润滑（EHL）理论（Hamrock-Dowson膜厚公式）的解析先验，通过物理引导残差学习策略嵌入神经网络，用于校准理论膜厚与实验观测之间的偏差；（3）可微干涉渲染器，根据光学干涉原理（考虑边界相移和有限光谱相干衰减）从预测膜厚重构二色干涉图像，提供光学一致性约束。样本数据来源于球-盘EHL试验台在五个离散卷吸速度下采集的二色干涉图像，试验台由接触模块、驱动系统、加载机构和润滑供给系统组成。

## 研究结果

### 4.1 实验平台
研究人员采用基于二色光学干涉原理的球-盘EHL试验台，在五个离散卷吸速度（100, 105, 110, 150, 200 mm/s）下进行实验，负载、润滑剂（PAO4添加1.0% DNS极性添加剂）和温度等条件保持不变。通过数值分析从干涉图像提取沿接触直径的平均膜厚，作为代表性参数。发现测量膜厚未严格遵循经典等温EHL理论预测的单调递增趋势，这可能与所用润滑剂中的极性添加剂引入的界面效应有关，表明测量值反映的是流体动压成膜与润滑剂-表面相互作用的综合效应。

### 4.2 不同工况下的膜厚预测
利用100、150和200 mm/s三个工况的干涉图像训练模型，105和110 mm/s作为独立验证工况。预测结果显示，在已知工况下平均膜厚预测误差低于2.20%，在独立验证工况下预测误差保持在8.67%以内，表明模型对训练工况和未见过的中间工况均具有可靠的预测能力。

### 4.3 干涉模式重建
基于预测膜厚，通过可微光学渲染器正向渲染得到对应的二色干涉图像。重构图像在条纹结构、径向分布特征和颜色变化趋势上与实验图像定性一致。提取径向R/G通道强度剖面进行比较，发现重构剖面与实验剖面在峰值、谷值位置、变化趋势和梯度分布上具有可比性，且模型在不同工况下保留了光学响应的差异。

### 4.4 预测膜厚的一致性分析
通过闭环验证流程（将预测膜厚渲染为合成图像后重新输入网络获得二次预测）评估物理一致性。已知工况下，二次预测与初始预测的一致性误差在5%以内；独立验证工况下，偏差低于10%。表明框架在正向预测与逆变换过程中保持了一致的映射关系，误差主要源于渲染与再预测过程的累积。

### 4.5 与基线方法和消融分析的比较
在盲测速度（105和110 mm/s）下，将DW-PG-GNN与三次样条插值方法和消融基线（去除神经细化与光学一致性约束）进行比较。三次样条插值方法的平均相对误差为50.41%，消融基线为24.26%，而完整DW-PG-GNN框架的平均相对误差仅为7.13%，验证了神经细化与光学一致性约束对提升中间状态预测性能的有效性。

### 4.6 局限性与实际考虑
该框架集成了图表示学习、隐式神经表示、可微光学渲染和物理引导优化，增加了离线训练的计算复杂度，但训练后可通过前向推理高效进行润滑状态预测。模型对网络初始化和超参数选择存在一定敏感性，但物理先验和一致性约束提供了额外正则化，有助于提高稳定性。当前研究仅以卷吸速度为单一可变参数，在更广泛工况下的验证和计算效率优化仍需进一步探索。

## 讨论与结论

研究人员在结论部分指出，针对传统二色光学干涉法通常依赖离散实验测量而难以表征未见中间润滑状态的局限，本研究提出了DW-PG-GNN框架，用于基于稀疏离散实验数据的插值式润滑状态预测。在固定工况和材料条件下，仅将卷吸速度作为变化参数，该框架学习了卷吸速度、二色干涉图像和沿接触直径平均膜厚之间的插值关系，从而实现了中间润滑状态学习、二色干涉图像重建和平均膜厚预测。在已知和独立验证工况下的全面实验验证表明，所提出的DW-PG-GNN框架在所研究条件下实现了精确的平均膜厚预测，对未训练卷吸速度状态具有可靠的预测能力，并在受控EHL条件下保持物理一致性，从而能够在所研究范围内对未训练工况实现干涉图像重建和平均膜厚预测。所展示的插值能力是在当前受控参数设置下建立的，而其他EHL参数耦合变化的影响仍有待进一步研究。