《Computers & Industrial Engineering》：Cross-printer reproducibility modeling using a Deep Auto-Encoded Multi-Domain Gaussian Process
编辑推荐：
摘要翻译：
增材制造（Additive Manufacturing, AM）在高效生产复杂几何形状方面具有显著优势。然而，同一打印机型号的不同设备单元之间尺寸精度不一致，仍是AM在工业规模生产中应用的主要障碍。尽管先前的研究已成功对单台机器进行了打印参数优化，
摘要翻译：
增材制造（Additive Manufacturing, AM）在高效生产复杂几何形状方面具有显著优势。然而，同一打印机型号的不同设备单元之间尺寸精度不一致，仍是AM在工业规模生产中应用的主要障碍。尽管先前的研究已成功对单台机器进行了打印参数优化，但针对多台打印机单元之间可重复性的研究相对较少。本研究提出了一种深度自动编码多域高斯过程（Deep Auto-Encoded Multi-Domain Gaussian Process, DAE-MDGP）框架，用于预测基于立体光固化（Stereolithography, SLA）的增材制造中的尺寸偏差，重点关注跨打印机可重复性。该方法将自动编码器与受高斯过程回归（Gaussian Process Regression, GPR）启发的核学习相结合，以学习一种数据驱动的非平稳核函数，该核函数能够捕获工艺参数、尺寸偏差和机器特定行为之间的非线性交互作用。与传统固定核或单域方法不同，所学习的核函数能够对多台打印机单元之间的相似性进行自适应建模。该框架通过一项案例研究进行评估，该案例研究涉及在三台相同型号的SLA打印机单元上，在不同工艺参数下生产的三十个几何复杂部件。此外，还使用模拟打印机数据在十台打印机上进行了一项额外案例研究，以评估该模型在应用于更大数据集时的一致性。结果表明，所提出的DAE-MDGP在多个评估指标上取得了最低的预测误差，优于其各个单独组件以及传统机器学习模型。在此类数据稀缺和过程噪声限制预测性能的情境下，即使是小幅改进也具有重要意义。总体而言，本工作证明了学习型多域核能够改善跨打印机单元的预测，从而支持更好的参数选择以及增材制造在生产环境中更可靠的部署。
论文解读
**研究背景与问题**
增材制造（Additive Manufacturing, AM）因其高效制造复杂几何形状的能力而受到广泛关注。然而，在工业规模生产中，同一型号的不同打印机单元之间常出现尺寸精度不一致的问题，这严重阻碍了AM的广泛应用。尽管已有大量研究针对单台机器进行了打印参数优化以提升打印质量，但针对多台打印机单元之间可重复性的研究相对匮乏。在实际生产中，打印机间的差异性（即“域偏移”）会导致在一个打印机上训练的模型无法准确预测另一台打印机的偏差，从而造成时间、材料浪费以及生产效率下降。本研究旨在解决这一关键问题，通过构建一种能够跨多个打印机单元进行尺寸偏差预测的机器学习框架，以提升AM在多机生产环境中的可靠性和一致性。
**研究目标与主要内容**
研究人员提出了一种深度自动编码多域高斯过程（Deep Auto-Encoded Multi-Domain Gaussian Process, DAE-MDGP）框架，用于预测基于立体光固化（Stereolithography, SLA）的增材制造过程中的尺寸偏差，特别关注同一打印机型号不同单元间的可重复性。该框架将自动编码器与受高斯过程回归（Gaussian Process Regression, GPR）启发的核学习方法相结合，通过学习数据驱动的非平稳核函数，捕捉工艺参数、尺寸偏差与特定机器行为之间的非线性相互作用。与传统的固定核或单域方法不同，该学习核能够自适应地建模多台打印机单元间的相似性。研究团队利用三台Form 3+ SLA打印机，在改变多种工艺参数（如固化时间、支撑尺寸、层厚等）的条件下，打印了三十个几何复杂的Formtest标准测试件，并测量其平均偏差，以此作为实验数据集。此外，还通过一个包含十台模拟打印机的仿真案例研究，进一步评估了框架在更大数据集和更多域情况下的性能。
**主要研究方法与关键技术**
研究人员采用了以下关键技术方法：
1. **自动编码器（Autoencoder, AE）**：用于学习输入数据（工艺参数对）的低维潜在表示，该表示直接编码样本间的相似性，构成核矩阵元素。
2. **非平稳多域核学习**：通过自动编码器学习数据依赖的核函数，替代传统的固定核（如Matérn核），以捕获打印机域间的非线性关系。
3. **高斯过程回归（GPR）启发框架**：利用GPR的回归机制，结合学习得到的协方差核进行偏差预测，并量化预测不确定性。
4. **多组件损失函数**：将重建损失（reconstruction loss, $l_R$）、相似性损失（similarity loss, $l_S$）和核回归一致性损失（kernel regression consistency loss, $l_K$）加权组合，优化自动编码器参数。
5. **留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）**：在仅三十个样本的数据集上评估模型泛化性能。
**研究结果**
**4.1 数据**
实验数据来自三台Form 3+ SLA打印机，共三十次打印，记录了包括固化时间、支撑尺寸等在内的工艺参数以及打印后的平均尺寸偏差。其中打印机1有13个样本，打印机2有5个样本，打印机3有12个样本，样本分布不均衡反映了打印机可用性的限制。打印机身份作为输入特征纳入模型，以表征不同制造域。
**4.2 DAE-MDGP参数与优化结果**
研究人员对比了DAE-MDGP与多种基准机器学习算法的性能。在LOOCV评估中，DAE-MDGP取得了最低的均方误差（MSE = 0.00116）、平均绝对误差（MAE = 0.02281 mm）和平均绝对百分比误差（MAPE = 13.22%），优于单独的自动编码器（MSE = 0.00188）、单独的GP（MSE = 0.00328）以及其他传统模型如支持向量机（SVM）、梯度提升回归（GBR）等。消融实验表明，去除自动编码器、打印机索引或GPR组件均会导致预测性能下降，验证了各组件在框架中的必要性。统计检验显示，虽然多数差异未达到显著性水平，但模型在实践中的一致性提升具有价值。参数敏感性分析显示，使用固化时间和支撑尺寸作为特征时模型表现最佳，增加额外工艺参数反而增加了预测误差。
**4.3 仿真案例研究**
在包含十台模拟打印机、一百五十个样本点（每台十五个）的仿真数据集上，DAE-MDGP再次取得最低的预测误差（MSE、MAE、MAPE均最优），表明该框架在多域、多输出场景下具有可扩展性和一致性。仿真数据基于已知统计模型生成，用于验证框架在受控条件下的稳定性。
**讨论与结论**
讨论部分指出，DAE-MDGP框架通过自动编码器学习到的潜在表示有效编码了不同打印机间的相似性，使模型能够共享跨打印机信息，同时保留机器特定特征。尽管绝对误差改进幅度有限，但在数据稀缺和噪声干扰的AM环境下，这种改进对于提升公差合规性和减少返工具有实际意义。模型的计算成本较高，但在离线训练场景下可接受。研究结论部分（第5节）总结：本研究提出的DAE-MDGP框架能有效预测SLA打印的尺寸偏差，并显著优于基准方法。通过结合自动编码器的非线性表示学习和GPR的概率回归优势，该框架解决了先前研究中的关键限制，包括单机优化、简化几何形状和间接参数选取。实验和仿真结果共同证明了该方法的可行性和可扩展性，为多打印机生产环境中的数据驱动质量预测奠定了基础。然而，研究也指出当前数据集规模较小，未来需要在更多打印机、更多几何形状和工艺参数组合上进行验证，以进一步确认其泛化能力和工业部署潜力。
