面向熔融沉积建模翘曲检测的自动化数据工程与特征选择研究

本研究提出自动化数据处理框架，将强化学习策略与SHAP可解释AI结合，用于熔融沉积建模中的翘曲检测。框架在217个数据集上自动评估多种模型与特征组合，通过奖励更新Q值优化选择。结果：测试集AUC从0.9248提升至0.9731，平均奖励值比全特征基线提高超过50%，实现更优精度与稳定性。

相比传统全特征基线，该框架首次将强化学习与可解释AI结合实现自动化特征选择，在FDM翘曲检测任务上使AUC提升约5.2%、平均奖励值提高超50%，显著提升了预测精度与稳定性，为工业质量检测的自动化提供了新路径。

框架在每个学习周期中，对多个机器学习模型分别在完整特征集和经SHAP XAI筛选的特征子集上进行训练，计算预测准确率和F1分数作为奖励，更新Q值以指导未来模型与特征组合的选择。通过多周期迭代，策略收敛至最优配置，利用可解释特征子集降低维度并保持信息量。

可直接应用于FDM 3D打印在线质量检测系统，通过自动化选择最优模型-特征组合提升翘曲检测准确率约5%，减少人工特征工程投入，降低模型调优时间成本，并可能以APIs或插件形式集成到现有制造执行系统中。

• 开发基于该框架的自动化机器学习特征选择工具，封装为SaaS服务，面向3D打印质量监控场景
• 将ADP框架集成到FDM设备固件或配套软件中，自动优化翘曲检测模型，实现实时质量反馈
• 与增材制造仿真平台联合，提供数据预处理与特征工程自动化模块，降低用户模型开发门槛

• 该框架在非FDM的其他增材制造缺陷（如孔隙、层间分离）上是否同样有效？
• 实际产线上计算开销（如217个数据集的训练时间）是否满足实时检测要求？
• SHAP选择的特征子集是否具有明确的物理或工艺可解释性，能否指导工艺参数调整？
• 框架的强化学习策略是否能在动态变化的工艺条件下自适应调整？