增材制造中用于精确尺寸控制与不确定性量化的确定性及概率机器学习算法比较
机器学习
2025-09-23 v1 机器学习
摘要
我们提出了一种概率框架，用于准确估计增材制造构件的尺寸。使用包含两台机器、三种聚合物材料和两种零件配置的九次生产运行中的 405 个零件数据集，我们考察了五个关键设计特征。为了同时捕捉设计信息和制造变异性，我们采用了整合连续和类别因子的模型。为了预测 Difference from Target (DFT) 值，我们测试了确定性和概率机器学习方法。在 80% 数据集上训练的确定性模型提供了精确的点估计，其中 Support Vector Regression (SVR) 达到了接近工艺重复性的精度。为了解决系统性偏差，我们采用了 Gaussian Process Regression (GPR) 和 Bayesian Neural Networks (BNNs)。GPR 提供了强大的预测性能和可解释性，而 BNNs 同时捕捉了偶然不确定性和认知不确定性。我们研究了两种 BNN 方法：一种平衡了准确性和不确定性捕捉，另一种提供了更丰富的不确定性分解但尺寸精度较低。我们的结果强调了量化认知不确定性对于稳健决策、风险评估和模型改进的重要性。我们讨论了 GPR 和 BNNs 在预测能力、可解释性和计算效率方面的权衡，指出模型选择取决于分析需求。通过将确定性的精度与概率不确定性量化相结合，我们的研究为增材制造中感知不确定性的预测建模提供了严格的基础。这种方法不仅提高了尺寸精度，而且支持可靠的、风险知情的策略，从而推进了数据驱动的制造方法。
引用
@article{arxiv.2509.16233,
title = {Comparison of Deterministic and Probabilistic Machine Learning Algorithms for Precise Dimensional Control and Uncertainty Quantification in Additive Manufacturing},
author = {Dipayan Sanpui and Anirban Chandra and Henry Chan and Sukriti Manna and Subramanian KRS Sankaranarayanan},
journal= {arXiv preprint arXiv:2509.16233},
year = {2025}
}