《PLOS One》：Explainable IAOA-CNN-CBAM-SVR model for predicting air consumption of auxiliary nozzles with limited sample size
编辑推荐：
喷气织机是高能耗设备，其中辅助喷嘴的压缩空气消耗量占总消耗量的近80%。然而，由于训练数据有限且深度学习模型可解释性差，对非线性耗气量进行准确预测和可视化分析仍然具有挑战性。为解决这些问题，本研究提出了一种由改进阿基米德优化算法优化的混合CNN-CBAM-SV
喷气织机是高能耗设备，其中辅助喷嘴的压缩空气消耗量占总消耗量的近80%。然而，由于训练数据有限且深度学习模型可解释性差，对非线性耗气量进行准确预测和可视化分析仍然具有挑战性。为解决这些问题，本研究提出了一种由改进阿基米德优化算法优化的混合CNN-CBAM-SVR模型。对比实验表明，IAOA-CNN-CBAM-SVR模型的均方根误差低至0.6575，决定系数高达0.9941，性能优于SVR、CNN和CNN-SVR模型。此外，研究人员利用沙普利加性解释方法对喷嘴结构参数对耗气量的贡献进行了可视化说明。研究结果为优化辅助喷嘴设计和提高喷气织机能效提供了一个鲁棒且可解释的模型。
论文解读：面向有限样本量的可解释辅助喷嘴耗气量预测模型研究
研究背景与意义
喷气织机作为自动化程度高、生产效率领先的织造设备，其核心引纬过程依赖主喷嘴与多个辅助喷嘴协同工作。然而，这类设备属于典型的高能耗机械，辅助喷嘴的压缩空气消耗量占据了总耗气量的约80%，导致工厂运营成本居高不下。尽管已有研究表明缩小喷嘴出口直径可显著降低能耗，但在实际工程设计中，准确预测辅助喷嘴耗气量面临巨大挑战。喷嘴结构参数与耗气量之间存在高度非线性的复杂关系，传统实验或仿真手段成本高昂且耗时。虽然人工智能技术在处理非线性回归问题上展现出潜力，但传统机器学习模型难以应对高维特征，而深度学习模型通常需要海量数据支撑，这在工业小样本场景下往往难以实现。此外，深度学习常被视为“黑盒”模型，缺乏可解释性，设计人员无法直观理解结构参数如何影响能耗。因此，开发一种适用于有限样本、兼具高精度与强解释性的预测框架具有重要的工程应用价值。该研究发表于《PLOS One》。
关键技术与方法
为构建上述预测框架，研究人员采用了几项核心技术。首先，利用3D打印技术制造了不同结构参数的辅助喷嘴物理模型，并通过西门子LMS数据采集系统与MEMS流量传感器搭建了实验平台，采集了包含入口直径、直管直径、出口孔径及锥度等参数的真实耗气量数据集。其次，构建了融合卷积神经网络与支持向量回归的混合模型，并在其中嵌入卷积块注意力模块以增强特征提取能力。针对模型超参数调优难题，研究人员提出了改进阿基米德优化算法，通过引入佳点集初始化、自适应反馈调节因子和莱维旋转变换策略，提升了算法的全局搜索能力与收敛速度。最后，引入沙普利加性解释方法，对模型的预测结果进行定量归因分析，揭示各结构参数的具体贡献度。
实验结果与分析
数据集描述
研究人员采用拉丁超立方采样法在指定参数范围内生成了110组辅助喷嘴参数组合，并通过实验获取了对应的耗气量数据。数据集涵盖入口直径、直管直径、大小孔直径及锥度等变量，并按7:1:2的比例划分为训练集、验证集和测试集。数据分析显示，不同结构参数下的气流速率差异显著，证实了结构参数与耗气量之间存在强烈的非线性关系，尤其是出口孔径对流量变化影响最为敏感。
模型性能评估
通过与多种基准模型的对比实验，IAOA-CNN-CBAM-SVR模型展现出了卓越的预测性能。在测试集上，该模型的均方根误差降至0.6575，决定系数提升至0.9941，威尔莫特一致性指数接近1。相较于单一的SVR或CNN模型，以及未优化的混合模型，该模型在拟合精度、误差控制和泛化能力方面均实现了显著提升。误差分布图显示，经IAOA优化后的模型预测偏差最小，数据点紧密围绕在零误差线附近，验证了改进算法在避免局部最优和稳定超参数搜索方面的有效性。
结构特征分析
借助SHAP解释器，研究人员量化了各输入特征对输出目标的边际贡献。分析结果表明，小孔直径对耗气量的正向影响最为显著，其SHAP值最高；大孔直径和锥度次之，也表现出较强的正向贡献；而入口直径的影响则微乎其微。蜂群图进一步揭示了特征值高低与SHAP值正负的相关性，明确了增大孔径会导致耗气量上升，而锥度在某些区间内可能产生负向影响。这种可视化的解释不仅增强了模型的可信度，更为工程师优化喷嘴结构设计提供了直接的量化依据。
讨论与结论
本研究成功构建了一种基于改进阿基米德优化算法的可解释混合深度学习模型，用于解决有限样本下喷气织机辅助喷嘴耗气量的精准预测问题。通过集成卷积神经网络的特征提取能力、卷积块注意力模块的重点关注机制以及支持向量回归的稳健回归特性，并结合智能优化算法进行超参数寻优，模型在预测精度和稳定性上均达到了先进水平。此外，SHAP分析打破了深度学习的“黑盒”限制，清晰指出了小孔直径是影响能耗的最敏感因素，为后续的低能耗喷嘴设计指明了方向。该研究成果不仅验证了混合模型在小样本工业场景下的应用潜力，也为纺织装备的绿色节能设计提供了科学依据和技术支持。
