面向 ultra-precision 加工表面粗糙度预测的 NAS 驱动多阶段学习框架
计算工程、金融与科学
2024-05-29 v1
摘要
准确预测表面粗糙度对于确保高产品质量至关重要，尤其是在制造和航空领域，微小的瑕疵可能影响性能或安全。然而，这由于变量之间复杂的非线性相互作用导致，数据有限且不平衡的情况进一步加剧了这一困难。现有方法使用传统机器学习算法需要大量领域知识进行特征工程，并需要大量人工干预来选择模型。为解决这些问题，我们提出了 NASPrecision，即 NAS 驱动的多阶段学习框架。这种创新方法自主识别用于各种表面粗糙度预测任务的最佳特征和模型，并通过多阶段学习显著提升性能。本框架包含三个阶段: 1) 架构搜索阶段，采用 NAS 自动识别最有效的模型架构; 2) 初始训练阶段，对神经网络进行初始预测训练; 3) 精炼阶段，追加后续模型以细化并捕捉初始训练阶段忽略的细微变化。针对有限且不平衡的数据集，我们采用生成式数据增强技术进行平衡和生成新数据，通过学习数据分布的底层结构。我们在与不同加工技术相关的三个真实世界数据集上进行了实验。结果显示，平均绝对百分比误差 (MAPE)、根均方误差 (RMSE) 和标准差 (STD) 分别提高了 18%、31% 和 22%。这一发现确立了其作为精确表面粗糙度预测工具的稳健和通用解决方案， potentially 提升关键行业的生产效率和产品质量，同时最小化领域专业知识和人工干预。
引用
@article{arxiv.2405.17757,
title = {NASPrecision: Neural Architecture Search-Driven Multi-Stage Learning for Surface Roughness Prediction in Ultra-Precision Machining},
author = {Penghui Ruan and Divya Saxena and Jiannong Cao and Xiaoyun Liu and Ruoxin Wang and Chi Fai Cheung},
journal= {arXiv preprint arXiv:2405.17757},
year = {2024}
}