摘要
机械加工过程中产生的残余应力、切削力和温度会影响铣削零件的疲劳寿命、尺寸稳定性以及表面完整性，然而针对这些因素的预测模型目前仍主要通过样本内的验证来进行评估，这可能会导致在小规模、单一实验室数据集上出现过拟合的情况。本研究重新分析了一个已发布的AISI 1045材料端面铣削数据集（N = 24个样本，包括逐因子实验和Taguchi L9实验），并使用了六种回归方法：多元线性回归（MLR）、随机森林、梯度提升回归（SGR）、支持向量回归（SVR）、高斯过程回归（GPR）以及浅层神经网络（ANN），并在留一法交叉验证（LOO-CV）的框架下进行测试。先前报告的样本内R2值为0.84（基于较小的样本量n = 9），明显高于本次使用整个数据集得到的LOO-CV R2值0.167；尽管这一差异不能完全归因于交叉验证方法本身，但它确实表明了样本内和样本外预测能力之间存在显著差异。SVR在残余应力预测方面的性能最强，并且通过自助法（bootstrap）和嵌套交叉验证（nested-CV）得到了验证，其R2值为0.575；尽管其力学术能（R2值为0.558）在统计上与GPR无显著差异，但在嵌套调优过程中表现不佳，因此对其结果应持谨慎态度。GPR在温度预测方面的表现略好（R2值为0.492）；而ANN和SVR在该指标上的表现优于线性基准模型，不过嵌套调优显示这一差异主要是由于超参数设置不当而非核函数方法本身的问题。随机森林的排列重要性分析指出进给速率是残余应力的主要预测因子，这一结果与最初的方差分析结果一致。本文的贡献在于提供了一种经过交叉验证的多方法重新评估方法，包括明确的不确定性分析和敏感性分析，同时提出了一种低成本的非XRD或有限元分析替代方案，用于AISI 1045材料的工艺规划，并强调了模型复杂性应与样本量相匹配的重要性。
