近日，我校中法学院尹玲教授团队在机械工程领域《Mechanical Systems and Signal Processing》发表了题为Graph-based meta learning to predict tool tip dynamics of multiple machine tools with few labeled data的研究论文。该成果以东莞理工学院中法学院为第一署名单位，团队成员裘超超博士为论文的第一作者，尹玲教授和华中科技大学李伟业博士为文章共同通讯作者。
在制造企业中，批量加工通常涉及使用相同类型的多台机床。由于机床之间个体差异的存在，不同机床的刀尖动力学特性分布差异显著。因此，针对一台机床训练的刀尖动力学预测模型通常不能直接应用于另一台机床。相反，需要针对目标机床重新训练模型，但这一过程需要进行足够的实验以获取有标签的训练样本。为了解决这个问题，本文提出了一种基于图的元学习方法，利用有限的标签数据来预测不同机床的刀尖动力学特性。首先，为每台机床选取有限数量的关键位置-速度组合来进行颤振测试以获取有标签的样本。随后，提出了一种图注意力自编码器网络（GATAE）的正则化图半监督方法，用于建模位置速度相关的刀尖动力学。GATAE 模型通过使用具有堆叠编码器和解码器层的图结构来提取和重构节点特征，在数据有限的情况下有效地提高了预测性能。此外，为了增强模型的泛化能力，将模型无关的元学习方法（MAML）引入到 GATAE 模型中，使模型具备了学习如何学习的能力，并能快速适应目标机床的新预测任务。最后，设计了两个案例来验证所提出方法的有效性、鲁棒性和泛化能力。
文章链接： https://doi.org/10.1016/j.ymssp.2025.112991
（撰稿：裘超超； 一审：尹玲； 二审：詹春燕； 三审：李长平）
