面向超精密加工表面粗糙度预测的混合对抗性谱损失条件生成对抗网络
机器学习
2025-07-08 v1
摘要
超精密加工（UPM）中准确的表面粗糙度预测对于实时质量控制至关重要，但小数据集阻碍了模型性能。我们提出了HAS-CGAN，即混合对抗性谱损失条件生成对抗网络，用于有效的UPM数据增强。在测试的五种CGAN变体中，HAS-CGAN在1D力信号生成方面尤为出色，特别是针对高频信号，通过傅里叶域优化实现>0.85的小波相干性。通过将生成信号与加工参数结合，预测精度显著提升。使用传统机器学习（SVR、RF、LSTM）和深度学习模型（BPNN、1DCNN、CNN-Transformer）进行实验表明，增强训练数据（520+合成样本）可将预测误差从31.4%（原始52个样本）降至约9%，有效解决了UPM粗糙度预测中数据稀缺的问题。
引用
@article{arxiv.2507.04665,
title = {Hybrid Adversarial Spectral Loss Conditional Generative Adversarial Networks for Signal Data Augmentation in Ultra-precision Machining Surface Roughness Prediction},
author = {Suiyan Shang and Chi Fai Cheung and Pai Zheng},
journal= {arXiv preprint arXiv:2507.04665},
year = {2025}
}
备注
10 pages, 3 figures