基于数据的空间元建模方法，用于精密加工中的非高斯数字粗糙度映射

《Scientific Reports》：Data-driven spatial metamodeling for non-Gaussian digital roughness mapping in precision machining

　　

摘要

车削加工产生的精密零件表面具有非高斯特性，其表面形态由偏度（\(R_{sk}\)）和峰度（\(R_{ku}\)）决定，这些参数直接影响零件的表面质量、摩擦性能和功能特性。然而，由于加工过程的不确定性、测量结果的变异性，以及\(R_{sk}\)和\(R_{ku}\)在空间表面粗糙度分析中的整合程度有限，表面粗糙度建模仍然面临挑战，尽管它们在描述车削加工产生的非高斯表面形态中起着关键作用。本文提出了一种新的数据驱动的元建模框架——空间非高斯粗糙度元建模（SNGRM）——该框架结合了地理空间分析和克里金插值技术，在由\(R_{sk}\)和\(R_{ku}\)定义的非高斯表面条件下，实现对算术平均粗糙度（\(R_a\)）的空间映射，从而推进了非高斯加工表面的多变量表征。在\(R_a\)的插值过程中，普通克里金方法能够捕捉由\(R_{sk}\)和\(R_{ku}\)所决定的空间变异性；而通用克里金方法通过引入加工参数作为外部影响因素，进一步解释了表面粗糙度的系统变化，从而提升了元建模框架的预测能力。分组交叉验证结果表明，通用克里金方法在捕捉非高斯空间变异性和与加工参数相关的确定性趋势方面表现更为出色。该框架直接利用实际加工数据，并保留了重复测量带来的不确定性，而这些不确定性在传统粗糙度模型中常常被忽略或平均化。通过同时考虑非高斯空间特性和加工参数，SNGRM能够实现对粗糙度质量指数\(R_a\)的稳健空间插值，并通过克里金方差明确量化相关不确定性。这一框架为精密加工中的数字粗糙度映射提供了严格的数据驱动元建模方法。