基于极限梯度提升与差分进化的制造工程过程优化算法研究

一、 研究作者、机构及发表信息

本研究由来自韩国梨花女子大学（Ewha Womans University）机械与生物医学工程系的 Luca Quagliato 博士（通讯作者）以及来自韩国西江大学（Sogang University）机械工程系的 Seungro Lee、Joonhee Park 和 Naksoo Kim 教授，与梨花女子大学的 Taeyong Lee 共同完成。研究成果以题为“Extreme gradient boosting-inspired process optimization algorithm for manufacturing engineering applications”的学术论文形式，于2023年1月13日在线发表在期刊《Materials & Design》（第226卷，文章编号111625）上。该期刊由 Elsevier Ltd. 出版，本文是一篇遵循 CC BY-NC-ND 4.0 许可协议的开放获取文章。

二、 学术背景与研究目的

本研究隶属于先进制造与智能制造领域，具体聚焦于制造工程中的设计与工艺优化问题。在现代工业，尤其是金属成形等复杂制造过程中，几何、材料和工艺参数之间存在着高度非线性的相互作用，共同决定了最终产品的质量和性能。传统的优化方法，如基于有限元法（Finite Element Method, FEM）的试错法或经验-FEM混合工具，通常存在严重依赖用户经验、计算成本高昂、且解决方案高度定制化而难以推广到其他工艺或几何形状的局限性。近年来，人工智能（AI）与机器学习（Machine Learning, ML）为系统性、通用化的工艺优化带来了新的机遇。然而，现有研究多集中于板料成形领域，对于体积成形等更复杂工艺的通用化ML优化方法探索不足，且往往缺乏对实际制造约束的充分考虑。

为此，本研究旨在提出并验证一种通用性强、可适用于多种制造场景的预测与优化集成算法框架。该框架的核心目标是：能够从仿真、实验或传感器数据中学习，准确预测用户定义的关键工艺或设计参数（如成形力），并在此基础上，系统性地寻找到能够最大化或最小化特定目标函数（如能耗、缺陷）的最佳工艺参数组合。研究以径向-轴向环件轧制（Radial-Axial Ring Rolling, RARR）这一复杂的多变量热机械成形过程为具体应用案例，对所提方法的有效性和准确性进行验证。

三、 详细研究流程与方法

本研究的工作流程主要分为两大阶段：第一阶段基于极限梯度提升（eXtreme Gradient Boosting, XGB）算法构建预测模型；第二阶段基于差分进化（Differential Evolution, DE）算法进行优化求解。整个XGB-DE集成算法使用Python 3.7.4实现，并借助了Scikit-learn和SciPy开源库。

1. XGB预测模型的构建与训练： * 数据准备： 研究团队利用此前已发表的工作中建立的数据库进行模型训练。该数据库包含了327组针对扁平环件的RARR过程热力耦合有限元模拟结果。输入变量（特征）涵盖了几何参数（环件初始与最终尺寸，通过归一化处理为两个无量纲参数a1, a2和b1, b2以避免数据偏差）、材料参数（三种典型材料：42CrMo4钢、Inconel 718高温合金、AA6082铝合金，包含其温度相关的杨氏模量、屈服强度、热物性参数及基于Hensel-Spittel模型的流变应力曲线）、工艺参数（主轧辊转速、芯辊平均进给速度）以及初始温度。输出变量（目标）为力对时间的积分（Force Integral Over Time, FIOT），即成形过程中的力冲量，作为衡量工艺能耗和载荷的关键指标。 * 模型训练与防过拟合策略： 采用XGB算法建立从输入变量到FIOT的映射关系。XGB是梯度提升（Gradient Boosting）算法的改进版本，通过并行计算提高了学习速度，并更好地平衡了方差与偏差，降低了过拟合风险。研究采用了多项措施确保模型鲁棒性： * 数据预处理： 对环件几何参数进行归一化处理，并对偏态数据应用Box-Cox变换。 * 正则化与随机化： 在XGB的损失函数中加入了正则化项（Omega函数），并使用了子样本（Subsample）和列采样（Colsample by Tree）技术，在每次迭代中随机限制训练样本和特征的数量，引入随机性。 * K折交叉验证： 采用3折交叉验证（K=3）将数据集分为66%训练集和33%验证集，重复训练三次以评估模型稳定性并调整超参数。超参数（如树的数量、深度、学习率、正则化系数等）通过贝叶斯优化（Bayesian Optimization）进行自动调优。 * 预测功能： 训练完成的XGB模型能够根据输入的几何、材料、工艺参数，快速、准确地预测出对应的FIOT值，形成一个“代理模型”（Surrogate Model），替代耗时的FEM仿真来计算目标函数。

2. DE优化算法的集成与应用： * 优化问题定义： 在获得可靠的FIOT预测模型后，研究将其作为目标函数，嵌入到差分进化（DE）算法中进行优化。DE是一种基于种群的元启发式搜索算法，其优势在于不要求目标函数可微，且能处理复杂的约束条件，非常适合工程优化问题。 * 优化流程： 针对特定的验证案例（来自文献的RARR实验），研究者固定了约束变量：最终环件几何（b1, b2）、材料（AISI-304钢）和初始温度（1000°C）。将优化变量设置为：环件初始几何（a1, a2，并通过体积守恒自动计算第三个尺寸）以及工艺参数（主轧辊转速xr，平均芯辊进给速度vm_bar）。DE算法在给定的变量范围内（如xr: 2-4.7 rad/s， vm_bar: 1-4.2 mm/s）随机生成初始种群（拉丁超立方采样），然后通过突变（基于最佳个体与随机个体差异）、交叉和选择操作，一代代进化，寻找能使XGB预测的FIOT值最小化的变量组合。 * 算法协同： XGB负责快速评估每一组候选参数对应的FIOT（目标函数值），DE则根据评估结果指导搜索方向。这种组合避免了直接对复杂的ML模型求导的困难，实现了高效的黑箱优化。

3. 验证与对比： * 预测精度验证： 使用训练好的XGB模型预测一个未包含在训练数据库中的独立实验案例（Kim et al., 2017）的FIOT。将预测结果与实验测量值进行对比，以评估模型的泛化能力。 * 优化效果验证： 运行完整的XGB-DE算法，针对上述实验案例，寻找最优的初始几何和工艺参数组合。将算法找到的“全局最优”FIOT值及其对应的参数，与原始文献中通过实验和基于共轭梯度法的FEM优化所得到的“局部”结果进行对比。此外，还使用优化后的参数重新进行了一次FEM仿真，以验证XGB预测的FIOT值与高保真FEM仿真结果的一致性。

四、 主要研究结果

1. XGB模型预测性能卓越： 经过3折交叉验证训练的XGB模型表现出色。三个子模型的训练集和验证集决定系数（R²）均非常高（训练集>0.989，验证集>0.980），表明模型拟合良好且未出现过拟合。误差分布显示，绝大多数预测误差在±15%以内，仅有3个异常值（占总数%）。最关键的是，对于独立的实验验证案例，XGB模型预测的FIOT平均值与实验测量值之间的偏差仅为2.33%，证明了该模型即使在训练数据范围之外也具备强大的泛化预测能力。

2. XGB-DE算法成功识别全局最优解： 应用XGB-DE算法对验证案例进行优化。算法成功绘制出FIOT随两个关键工艺参数（xr, vm_bar）变化的响应曲面（3D曲面与等高线图）。结果显示，原始文献中的实验点及其FEM优化点均位于该曲面上，但并非全局最低点。XGB-DE算法找到了一个更优的参数组合（xr = 4.45 rad/s, vm_bar = 3.71 mm/s），将FIOT从实验值的26929.13 N·s降低至19547.5 N·s，实现了27.4%的显著降低。与文献中FEM优化结果相比，降低幅度更是达到33.5%。

3. 优化结果的物理意义与仿真验证： 算法推荐的最优方案主要体现为显著提高了平均芯辊进给速度。从制造角度解释，更高的进给速度意味着在环件温度较高的成形初期完成更多变形，从而缩短了总加工时间，减少了热损失对材料屈服强度的影响，最终降低了总的力冲量（FIOT）。尽管最大径向力会因此略有上升（14.2%），但综合效益是更高的生产效率和更低的能耗。为了验证该优化方案的可靠性，研究者使用优化后的参数重新进行了FEM仿真。仿真得到的FIOT为20403.6 N·s，与XGB-DE预测值（19547.5 N·s）的偏差仅为4.4%，进一步证实了优化结果的物理合理性和算法预测的准确性。

五、 研究结论与价值

本研究成功开发并验证了一种名为XGB-DE的新型集成预测-优化算法框架，用于解决制造工程中的多变量复杂优化问题。该框架结合了XGBoost机器学习算法强大的非线性关系预测能力和差分进化算法高效的全局优化能力。

• 科学价值： 提出了一种通用性强、可系统化处理几何、材料、工艺等多源异构变量交互作用的优化方法论。它突破了传统FEM优化方法高度定制化、依赖经验的局限，为制造过程的数字化与智能化优化提供了新的技术路径。研究详细阐述了如何通过数据预处理、正则化和交叉验证来构建稳健的ML预测模型，并将其无缝嵌入优化循环，这对ML在工程优化领域的应用具有示范意义。
• 应用价值： 以RARR工艺为例，该算法不仅能高精度预测关键工艺指标（FIOT），还能自动搜索出显著优于传统经验或局部优化方法的最佳工艺窗口。这有助于企业减少试错成本、缩短产品开发周期、提高生产效率和能源利用率。尽管本文以金属体积成形为例，但作者强调，该算法框架具有高度可定制性，通过更换训练数据集和定义不同的目标函数与约束，可广泛应用于板料成形、复合材料加工乃至其他依赖数据驱动的制造过程优化。

六、 研究亮点

1. 创新性的算法融合： 首次将先进的XGBoost预测模型与差分进化优化算法深度结合，构建了一个端到端的制造工艺优化框架，兼具高精度预测和高效全局寻优能力。
2. 出色的实用性能： 在RARR这一复杂热机械成形过程的应用中，取得了预测误差低至2.33%、优化效果提升达27.4%的显著成果，并通过独立FEM仿真验证了优化方案的有效性。
3. 强调工程实用性： 算法设计中明确考虑了制造约束（如体积守恒、工艺参数可行范围），确保优化结果在物理上和工程上都是可实现的，而非纯粹的数学解。
4. 方法的通用性与可扩展性： 研究明确指出，XGB-DE框架不限于特定工艺或材料。其训练数据可来源于FEM、实验或传感器，目标函数可根据实际需求（如最小化缺陷、最大化精度）灵活定义，展现了强大的跨领域应用潜力。

七、 其他有价值内容

研究还探讨了未来可能的改进方向，例如在处理多目标优化（如同时最小化最大成形力和FIOT）时，可引入非支配排序遗传算法（NSGA）；为了更全面的能耗优化，应考虑将预处理、制造和后处理等全生命周期阶段纳入目标函数。这些讨论为后续研究指明了方向。