“铸造叶片主要用作发动机涡轮叶片，是航空航天、能源、船舶及燃气轮机等领域不可或缺的核心零部件。面向机器人砂带磨削过程的材料去除深度预测模型O-TabPFN，能够有效提升铸造叶片加工过程中的精度控制和一致性水平，降低废品率和制造成本，提高生产效率与工艺稳定性，对推动我国高端装备制造向数字化、智能化方向升级具有重要价值。”近日，中国科学院沈阳自动化研究所（以下简称沈自所）工艺装备与智能机器人研究室副研究员在接受采访时说。

　　聚焦行业痛点

　　构建O-TabPFN预测模型

　　自2024年起，沈自所研究员团队聚焦铸造叶片开展机器人砂带磨削过程材料去除深度预测模型研究并取得重要成果。团队构建的O-TabPFN模型可根据叶片不同部位的加工余量分布，控制机器人自动调整磨削工艺参数，实现逐点精确材料去除，显著提升叶片加工精度与表面一致性。

　　磨削加工是铸造叶片制造流程的最后一道工序，对保证叶片的尺寸精度与表面质量至关重要，是发动机关键零部件制造能力和水平的直接体现。航空发动机、燃气轮机复杂型面叶片机器人砂带磨削加工此前存在一个痛点问题，那就是普遍采用恒定量磨削方式，采用固定工艺参数对整个工件表面进行统一磨削处理。尽管该方法具有工艺简单、效率高的优势，但在实际应用中面临着加工精度不足、材料去除量控制能力有限、表面质量不一致等问题。

　　如何精确控制叶片材料的去除深度？研发出逐点精确去除的智能磨削方法以及突破非线性材料去除深度模型的关键技术，就成为破题关键。朱光介绍，经过近两年的努力，团队基于表格基础模型TabPFN构建了材料去除深度预测模型，再通过Optuna算法对超参数进行优化，构建出了O-TabPFN预测模型。

　　O-TabPFN预测模型将先进的机器学习方法引入工艺参数预测与优化中，可以更精准地捕捉工艺参数与材料去除深度之间的非线性关系。O-TabPFN预测模型尤其适用于机器人砂带磨削中的高精度、高数据效率预测任务，在小样本条件下仍具备较强的泛化能力和预测性能，为高精度加工过程提供了高效、可靠的决策支持手段。

　　科研人员搭建了机器人磨削加工平台，对镍基高温合金试样开展单因素实验。实验结果显示，该模型对材料去除深度的预测准确率达到95.81%，平均预测误差仅为0.007316毫米，优于现有的多种主流预测模型。

　　拓展应用场景

　　解决更多实际工程难题

　　O-TabPFN预测模型在构建路径和方法上具有创新性，已在实际应用中展现出高精度、低误差的明显优势。对团队来说，他们更看重的是AI解决实际工业难题的成效。

　　团队开展这项研究的出发点，就是服务逐点精确去除智能磨削这一具体问题。模型能否在真实加工场景中稳定运行、能否有效提升材料去除精度、能否通过持续优化工艺参数提高加工效率，是我们评价成果价值的核心标准。

　　O-TabPFN预测模型具有小样本建模能力强、对复杂非线性关系刻画能力突出、泛化性能较好等优势，且建模过程相对高效，便于工程应用推广。该模型具备较好的通用建模框架和迁移潜力，在其他类型叶片类似应用场景中具有推广价值。“在O-TabPFN未来拓展应用中，我们会根据材料和工艺差异，在实际应用中进行有针对性的调整和验证，令其成为更多逐点精确去除智能磨削问题的神兵利器。”

　　目前，O-TabPFN预测模型已经在航空发动机铸造叶片制造中投入实际应用。航空发动机是国之重器，其关键零部件制造能力直接关系到我国产业链的安全与自主可控水平。O-TabPFN的应用与推广，将有助于提升我国在高端制造领域的核心竞争力，为实现国家需求提供重要技术支撑。