近日，我校中法学院尹玲教授团队在机械工程领域《Engineering Applications of Artificial Intelligence》发表了题为A novel meta-learning-based spatio-temporal modeling approach for thermal error prediction 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，依托于国家智能设计与数控技术创新中心东莞理工学院实验室、广东省城市生命线工程智慧防灾与应急技术重点实验室，团队成员裘超超博士和梁琼珂硕士为论文的共同第一作者，尹玲教授和海外长江学者David Bassir为文章共同通讯作者。
热误差对高精度机床的加工精度有着显著的影响。开发一种高精度且可靠的热误差预测模型对于补偿热误差和提高加工精度起着至关重要的作用。由于机床本身存在固有的差异，不同机床的热误差数据分布也会有所不同。因此，为一台机床开发的热误差预测模型可能不直接适用于其他机床。为解决上述问题，本文提出了一种基于元学习的新型时空热误差预测方法。该方法旨在增强模型在单台机床不同运行条件下的鲁棒性，并提高在多台机床之间的泛化能力。首先，从每台机床收集少量的运行数据用于后续的建模和训练。随后，采用一种名为堆叠图注意力网络（SGAT）-变压器的新型时空建模方法进行热误差建模。在这一框架中，SGAT 负责提取热误差的空间特征，而 Transformer 则捕捉与这些误差相关的时序依赖关系和时间交互行为。此外，为了增强 SGAT-Transformer 模型的鲁棒性和泛化能力，本文引入了一种被称为模型无关元学习（MAML）的元学习方法，该方法能够快速适应未知的运行条件。最后，设计了两个验证案例以进一步评估模型的鲁棒性和泛化能力。
文章链接：https://doi.org/10.1016/j.engappai.2025.112706
（撰稿：裘超超，一审：尹玲，二审：詹春燕，三审：李长平）
