本研究由吴宇熙（Yuxi Wu）、任志勇（Chiyung Yam）等学者合作完成，主要研究机构包括电子科技大学（University of Electronic Science and Technology of China）、深圳大学（Shenzhen University）、香港理工大学（The Hong Kong Polytechnic University）及深圳创捷（宁波）科技有限公司。该论文发表于期刊《Engineering Applications of Artificial Intelligence》第181卷，文章编号115210，于2026年6月15日在线发表。
超高强钢（Ultra-High-Strength Steel, UHSS）因其高强度、良好的延展性、韧性以及优异的抗疲劳和耐腐蚀性能，在汽车和航空航天工业中得到了广泛应用，典型应用包括防撞梁、保险杠、起落架和机身结构等。辊压成形（Roll Forming）作为一种高效且成本效益显著的批量生产工艺，能够制造复杂截面型材。然而，成形过程中的非均匀塑性变形会导致回弹（Springback）现象，严重影响产品尺寸精度，因此有效的回弹控制成为保证产品质量的关键环节。
传统的回弹预测方法主要包括解析法、数值模拟和实验研究。尽管这些研究增进了对回弹机制的理解，但传统建模方法往往难以捕捉材料性能、工艺参数与设备状态之间的复杂关系，预测精度有限，难以满足工业应用需求。近年来，机器学习方法的快速发展为辊压成形领域带来了新机遇，但面临三大挑战：工艺数据的多源异构与时变特性难以处理；大多数机器学习模型缺乏有效的特征区分机制，将所有参数视为同等重要；事后解释工具（如SHAP和LIME）依赖近似计算，无法在模型内部实现自适应的特征重要性学习，决策过程仍是不透明的“黑箱”。
针对以上挑战，本研究旨在提出一种数据驱动的五级工业物联网（Industrial Internet of Things, IIoT）系统，集成实时传感、跨系统数据融合与一种新颖的混合挤压-激励网络—多层感知机（Squeeze-and-Excitation Network–Multilayer Perceptron, SENet-MLP）模型，以实现超高强钢辊压成形回弹的高精度预测。
研究在实验室级辊压成形线上开展。该产线配备了完整的数据采集智能系统，主体为八机架辊压成形机与型材扫描仪。每个机架由高精度伺服电机驱动，每四个机架编为一个可编程逻辑控制器（Programmable Logic Controller, PLC）模块，并配备分布式控制系统以实时监控工艺参数。系统配置了压力传感器和位移传感器用于实时数据采集。最终成形件为U形截面零件。
辊压成形过程中产生的工业相关数据具有四个关键特征：多源异构性——数据来源于几何特征、材料属性、工艺参数和输出特征四个维度，结构与格式各异，给数据融合和特征提取带来挑战；强遗传特性——成形过程中前一机架的变形状态直接影响后续机架；非线性与时变行为——材料本构响应、界面摩擦和机械刚度在成形过程中动态演化，同时设备退化、热漂移和材料批次变异导致系统状态随时间变化，呈现非平稳过程行为。
为应对数据采集与分析挑战，本研究提出了基于IIoT的智能系统架构，包含五个关键层级。物理层集成了多机架辊压成形设备与型材扫描仪，高精度压力传感器和位移传感器实时监测关键工艺参数，扫描仪在线捕获成形型材的三维点云数据。多源数据层整合了多维特征数据库，涵盖几何特征、材料属性、工艺参数和输出质量指标。值得注意的是，所有用于预测的特征均可在推断前获取，不依赖未来或事后信息。生产线层采用三级控制架构：基础自动化级负责底层设备的实时监控与状态反馈；过程自动化级引入数据追踪与分析功能，实现工艺参数历史追溯，并纳入机器学习模型初步实现“感知-分析-决策”闭环；生产管理层集成制造执行系统（Manufacturing Execution Systems, MES）与设备管理系统。
数据中心的核心挑战在于融合时空异步的多源异构数据流。工艺传感器高频采集动态信号，而型材扫描仪以1 Hz的低速率进行离散测量。为应对连续辊压成形中固定位置传感器事件与下游扫描仪测量之间的动态时间滞后，研究实施了以材料微段为中心的时空对齐策略：每次扫描仪完成截面扫描并输出回弹角时，定义对应的目标截面；根据各机架到扫描仪的已知物理距离和实时带材速度，计算目标截面通过各机架的理论时间戳；在各机架对应的窄时间窗口内检索高频时间序列数据，取算术均值作为代表性工艺参数。该策略为高保真预测建模奠定了坚实基础。
应用层提供三维型材重建、统计分析和回弹预测三大核心功能。模型部署在工业计算机上（Intel Core i7-13700，64 GB RAM，Windows 11），端到端推理延迟为80 ms，所有计算均在本地执行以保证数据主权。
为应对数据孤岛和语义异构性挑战，研究提出了两种OPC UA（Open Platform Communications Unified Architecture）信息建模策略：扁平变量中心模型（Flat Variable-centric Model, FVM）和可复用层次对象模型（Reusable Hierarchical Object Model, RHOM）。FVM将PLC数据直接映射为独立变量节点，虽然实现简单，但其扁平结构割裂了设备间的物理拓扑关系，导致地址空间快速膨胀和配置错误增加。RHOM则严格遵循OPC UA的面向对象范式，将物理实体抽象为自定义ObjectType定义，实现“定义一次、复用多次”的原则。压力测试显示，RHOM在I/O负载方面较FVM减少66.28%，内存占用减少64.69%，且在任务队列深度和处理延迟方面表现出更优异的稳定性和响应能力。
本研究首次将SE（Squeeze-and-Excitation）机制引入辊压成形回弹预测。由于原始SE架构面向二维或三维特征图，而工业传感器数据为一维序列，研究对SE模块进行了单维适配。在压缩（Squeeze）操作中，沿序列维度L进行全局平均池化，保留各传感器通道的物理可解释性；激励（Excitation）操作通过瓶颈架构生成通道注意力权重，采用两个全连接层（参数为W₁∈R^(c/r×c)和W₂∈R^(c×(c/r))）、ReLU激活和Sigmoid函数，能够学习异构传感器通道间复杂的非线性交互；缩放（Scale）操作通过通道乘法重新校准原始特征表示。
SENet-MLP模型以SE模块为核心构建。超参数通过贝叶斯优化确定，以验证集均方误差（MSE）最小化为目标：压缩比为4，隐藏单元283个，层数4，学习率4.28×10⁻⁴，激活函数ReLU，批大小98。模型采用Adam优化器和MSE损失函数训练。
实验采用控制变量法系统性地变化关键工艺参数，涵盖三种材料等级（DP780、DP980和DP1180）、四种板材厚度（0.8、1.0、1.2和1.4 mm）和四种成形速度（0.025、0.05、0.1和0.2 r/s）。初始辊缝根据板材厚度调整，每种厚度测试三种间隙设置。实验共获得33,444个样本。数据按80%训练集（26,755样本）和20%测试集（6,689样本）随机划分。此外，收集了2,000个来自不同操作场景的独立验证集样本，未参与训练或超参数调优。
为进行公平对比，研究在相同实验条件下评估了Transformer、TCN（Temporal Convolutional Network）、MLP和RNN四个基线模型。所有模型使用相同的软件栈，在搭载Intel Core i5-12490f处理器和32 GB RAM的同一台机器上运行，每个模型通过Optuna框架进行20次贝叶斯优化试验，每次优化运行约需82分钟。模型性能采用六个指标评估：RMSE、MAE、MBE、RAE、MSLE和R²。采用3折交叉验证评估鲁棒性。
SENet-MLP模型展现出卓越的预测精度和泛化能力。在训练集上，SENet-MLP的RMSE为0.0229°，MAE为0.0086°，R²达0.9997，显著优于Transformer（RMSE=0.4313°，R²=0.9100）和MLP（RMSE=0.3894°，R²=0.9267）。在测试集上，SENet-MLP取得R²=0.9938，MAE=0.0362°，RAE=0.0321，与次优模型TCN相比，MAE、RAE和MSLE分别降低了49.16%、49.13%和57.69%。3折交叉验证结果证实了模型的稳定性，各折MAE仅介于0.0448°至0.0485°之间，而Transformer、MLP、RNN和TCN在相同测试数据上的MAE分别为0.1595°、0.1929°、0.2024°和0.0712°。
误差分布分析表明，SENet-MLP的训练集95%置信区间为[-0.039, 0.049]，远窄于TCN的[-0.300, 0.304]和RNN的[-0.686, 0.455]。测试集上的误差分布同样表现出最窄的置信区间和最优的分布形态。小提琴图分析显示SENet-MLP在训练和测试集上的预测分布与实际值高度重合，呈对称且低离散特征，而Transformer和MLP模型在极端值预测上表现出明显的不确定性。
收敛性分析显示，SENet-MLP在前50个epoch内损失和MAE显著下降并迅速稳定，而Transformer和MLP在训练全程表现出较慢的收敛速度和较大的振荡。在第200至300个epoch，SENet-MLP达到稳定低误差水平（损失<0.006，MAE<0.03°）。
SENet-MLP模型通过通道注意力机制提供固有的可解释性。极坐标螺旋图显示，电机扭矩（TM6=1.0）和压力（FR7=0.9935）是最关键的特征，表明扭矩控制和压力分布在回弹中起主导作用。板材厚度（T=0.7382）和材料类型（M=0.6239）也显著影响回弹。Spearman秩相关分析显示，排名前十的重要特征与回弹角之间的相关系数均在[-0.08, 0.15]范围内，不存在显著的单调相关关系，证明模型的高预测精度并非依赖与回弹角强相关的“捷径”特征，而是归功于通道注意力机制有效捕获了多个弱相关特征之间复杂的非线性交互。
在包含不同材料批次、板材厚度变化和设备状态偏移的2,000个独立验证样本上，SENet-MLP取得RMSE=0.1260°，MAE=0.0402°，R²=0.9918，MBE=-0.0009°（接近零，无系统偏差）。在计算效率方面，模型在65 ms内完成2,000个样本的预测，处理速率超过30 kHz。
在极端操作条件下的外推实验中，采用DP1180超高强钢（厚度1.4 mm，辊缝1.5 mm，速度0.2 r/s）——这些参数组合未出现在训练或测试集中——模型直接应用（无任何微调）取得MAE=0.0350°，R²=0.9543。尽管R²从0.9938降至0.9543，但考虑到这是严格的外推任务，该结果仍属较高水平。残差最大偏差低于0.1°，且未随时间累积、漂移或发散，表明模型具有真正的外推能力而非依赖训练数据内的局部插值。
本研究成功构建了面向超高强钢智能辊压成形的数据驱动IIoT系统，通过五级架构整合了多源异构数据，实现了实时监控、数据融合与通信，有效解决了传统制造中的数据孤岛和信息碎片化问题。提出的SENet-MLP混合模型利用通道注意力机制动态重新校准特征重要性，在测试集上取得R²=0.9938的优异精度，与常规MLP和RNN相比，MAE降低超过80%。模型通过学习的注意力权重提供固有的可解释性，识别出电机扭矩和轧制力为影响回弹的主导因素，其物理解释一致性超越了事后解释方法。在独立验证集上取得的R²=0.9918以及超过30 kHz的推理吞吐量证明了其在动态制造环境中实时质量控制的能力。
本研究的科学价值在于：首次将SE机制应用于工业回归建模，实现了SENet与MLP的原则性集成，扩展了SENet在视觉领域之外的适用边界；所提出的单维SE适配策略为处理工业序列数据提供了方法论贡献。应用价值方面，该系统为复杂成形过程中的智能、透明和高精度制造建立了新范式，为工业部署提供了切实可行的框架。
本研究的核心亮点包括：首次将SENet引入辊压成形回弹预测领域，通过通道注意力机制实现了自适应的特征重要性学习，克服了传统模型均匀加权所有特征的局限；构建了完整的五级IIoT框架，实现了从物理层到应用层的闭环数据驱动制造；提出了针对一维工业序列的SE模块适配方案，在保持物理可解释性的同时显著降低了计算复杂度；通过严格的独立验证与极端条件外推实验证实了模型的泛化能力。
然而，研究也存在一定的局限性。模型仅针对双相超高强钢等级（DP780、DP980和DP1180）开发，未经其他材料体系（如低碳钢或铝合金）验证。此外，弹性模量退化效应和包辛格效应（Bauschinger Effect）等物理机制未作为显式输入特征或物理约束纳入模型框架。未来工作将聚焦于开发混合建模范式，将循环拉压与反向剪切实验识别的材料特定本构函数嵌入神经网络架构，以增强跨材料泛化能力和极端变形路径下的鲁棒性。