清华大学学报(自然科学版)

作者：岳昌宇, 刘博凯, 关立文, 李智勇, 姚艳彬

单位：1. 清华大学 机械工程系, 北京 100084,2. 江西昌河航空工业有限公司, 景德镇 333000,3. 中国航空制造技术研究院, 北京 100024

关键词：机器人打磨,表面粗糙度预测,物理机理约束,物理信息神经网络

表面粗糙度的准确预测是飞机涂装打磨工艺的关键技术问题。传统物理模型因简化假设难以准确描述复杂工艺, 而数据驱动模型易受噪声影响导致泛化能力有限。针对现有方法难以同时兼顾精度与稳健性的问题, 该文提出了一种基于物理信息神经网络(PINN)的打磨表面粗糙度预测模型。模型通过将粗糙度幂函数机理嵌入损失函数, 并结合动态权重调节策略, 在训练前期优先学习物理规律以抑制噪声, 后期关注工艺参数间的非线性关系。基于机器人打磨实验数据, 系统对比了PINN、物理机理模型和数据驱动模型的性能。结果表明, PINN在训练效率、预测精度及泛化能力方面均具有优势, 预测绝对误差不超过0.03 μm, 平均相对误差仅为3.263%, 在训练集和测试集上性能保持稳定。PINN结合了物理机理约束机制与数据驱动学习能力, 能够实现高精度且稳健的打磨表面粗糙度预测。

来源：2025年第11期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2025年第11期