《ADVANCED ENGINEERING INFORMATICS》：Comprehensive investigation of lubrication for sustainable grinding by principal component analysis (PCA) and an improved unsupervised algorithm
编辑推荐：
可持续制造背景下，本研究提出改进的LDA-PCA混合模型，系统分析磨削润滑策略的知识图谱，填补现有文献对多关键词语义分割、动态趋势关联及跨领域适用性验证的空白。通过语义聚类优化、时间相关性建模和Gompertz曲线预测，实现润滑剂选择效率提升与生产成本降低，为精密制造提供可复用的知识发现框架。
Edward Hengzhou Yan|Feng Guo|Hong-ting Zhou|Wai Sze Yip|Suet To
香港特别行政区九龙红磡香港理工大学工业与系统工程系超精密加工技术国家重点实验室
摘要
在工业4.0的背景下，可持续的先进制造已成为一个关键挑战，需要开发出能够在保持高质量生产的同时最小化资源消耗和环境影响的技术。磨削技术在这一领域发挥着重要作用，为加工硬而脆的材料提供了具有微米级精度的解决方案，特别是当磨削过程被归类为精密加工时。本研究通过提出一种结合主成分分析（PCA）的改进潜在狄利克雷分配（LDA）模型的润滑策略综合综述，来探讨可持续磨削中的空白。所提出的模型系统地识别了与润滑剂选择相关的关键词分布和主题簇，为可持续磨削的发展趋势和实践提供了见解。这些发现增进了对可持续磨削主要主题和未来方向的理解，弥合了理论研究与实际应用之间的差距。
引言
可持续的先进制造以最小的资源消耗和最大的环境保护为特征，在工业4.0的推动下成为了一个关键挑战，这要求生产出高质量、具有成本竞争力和尖端的产品[1]。尽管已经进行了大量关于加工技术、技术生命周期和运营能耗的研究，以减少制造业的环境影响[2]，但在技术管理方面仍存在重大差距。虽然一些研究探讨了先进制造技术的技术生命周期[3]，但很少有研究探索子技术及其在特定技术分支中克服可持续性挑战的具体应用，或者它们在更广泛技术范围内的相关性。在上述背景下，磨削技术对于可持续制造至关重要，它在电子制造、热管理系统、半导体制造和精密光学等领域有广泛的应用[4]、[5]。特别是高端制造技术之一——超精密磨削，作为一种关键的可持续磨削技术，使用微米级磨料轮来实现高材料去除率与亚微米精度的平衡[6]。它也被证明在加工硬而脆的材料时具有成本效益，同时满足严格的表面完整性要求，满足了工业和学术界对微米到纳米级精度（0.2 μm–10 nm）的需求[7]。因此，与磨削相关的技术在制造高性能光学元件方面变得至关重要，其中实现具有最小缺陷的优异表面质量仍然是一个主要挑战[8]。
润滑剂的选择显著影响磨削效率和表面光洁度。低粘度润滑剂在减少热量积累和缓解热损伤方面特别有效。纳米润滑的最新进展彻底改变了材料磨削过程。例如，Li等人[9]开发了一种基于氧化石墨烯的水基润滑剂，通过纳米片的层间滑移和填充机制将界面摩擦系数从0.022降低到0.014，从而减少了磨料与工件的直接接触。此外，纳米颗粒的“滚动滑移”效应增强了润滑膜稳定性，并改善了热传递，防止了由温度引起的脆性断裂和微裂纹[10]。周等人的分子动力学模拟[11]进一步揭示，水膜润滑通过减少位错密度和促进原子簇的形成，促进了多晶α-Fe/Fe3C材料的塑性变形，使得表面损伤变浅（从4.12 nm降至2.71 nm）。实际上，润滑剂在磨削过程中起着至关重要的作用，它们影响工艺性能和产品质量。润滑剂有助于散热，防止温度敏感的脆性材料出现微裂纹或变形[12]，从而保持组件的结构完整性。此外，润滑剂减少了磨轮与工件之间的摩擦，从而获得了更优的表面光洁度和最小的粗糙度，这对于最佳电子性能至关重要[13]。关于磨削润滑策略的系统综述仍然不够完善。主要挑战包括过度依赖大型数据集[14]、[15]、[16]，知识驱动的润滑剂分类框架整合不足，以及缺乏时间趋势分析。此外，冷却剂和润滑剂的不当管理会降低砂轮的再生效率，增加生产成本，并引入环境和健康风险[17]。高昂的实验成本和缺乏实时过程监控进一步阻碍了精确磨削模型的发展[18]，以及缓冲磨料冲击对脆性材料造成的损伤[19]。因此，润滑剂对磨削研究至关重要，直接影响效率、表面完整性和功能组件的可靠性[20]。
当前关于可持续磨削的研究面临几个限制。过度依赖实验数据，如最小二乘拟合、人工神经网络（ANNs）和遗传算法（GAs）来实现可持续加工[21]、[22]，而不是基于经验知识[23]，这限制了其在材料加工领域的广泛应用。尽管主成分分析（PCA）、社会网络分析（SNA）和灰色关联算法等方法在制造业的可持续性表征方面取得了进展[14]、[15]、[16]、[24]、[25]、[26]、[27]，但最近机器学习在材料科学中的预测、诊断和分类方面显示出了巨大的潜力，应用于能源消耗[28]、分子动力学模拟[29]和可持续性评估[30]等领域。特别是无监督学习，作为一种强大的工具，使用K-means[31]、潜在狄利克雷分配（LDA）[32]和PCA[33]等算法对未标记数据进行聚类和降维。其中，K-means通过最小化簇内方差被广泛用于数据分组[34]，尽管它对初始质心和预定义的簇数量敏感，常常引入主观性。相比之下，LDA作为一种分层贝叶斯模型，在大型文献语料库中的主题建模和关键词提取方面表现出色[35]。自引入以来，LDA已成功应用于从金融时间序列预测到可持续供应链管理[36]和电动汽车开发[37]等多个领域。尽管有这些应用，现有LDA在可持续制造中的实践仍存在关键限制。当前的实现[3]、[15]主要提取单个关键词，经常忽略大型数据库中的多词短语，导致语义空白和结果不够准确。为了确保稳健和有意义的知识提取，使用来自各种制造技术的数据集（包括精密加工）来验证模型非常重要。此外，虽然之前的研究[38]、[39]、[40]使用轮廓系数、一致性得分和平方误差之和（SSE）来确定最佳簇数量，但一些研究忽略了其他重要指标，如困惑度和平均绝对误差（MAE）[41]、[42]，从而引发了上述关键问题：
(1) 改进的算法是否可以通过语义分割客观地分类润滑问题。
(2) 使用统计指标开发优化主题簇框架的可行性。
(3) 时间分析揭示润滑趋势演变的潜力。
(4) 评估润滑研究发展模式的统一方法的存在。
本研究通过一个综合分析框架，对可持续先进制造中的上述研究空白进行了探讨。提出了一种改进的LDA模型，系统地识别与可持续磨削中润滑剂选择相关的关键词分布和主题簇。通过PCA确定与润滑剂相关的最佳知识簇数量。优化的LDA算法通过追踪关键词频率随时间的变化来支持时间和语义分析，使用文档-主题匹配分数来突出经验相关的知识。通过与VOSViewer生成的知识图谱进行基准测试，并使用皮尔逊相关指数和Gompertz曲线对润滑剂相关知识的技术趋势进行前瞻性分析，从而实现了验证。这些发现有助于通过解决润滑剂使用的环境和经济影响来减少浪费和降低生产成本。通过引入创新方法和数据驱动的见解，本研究弥合了理论和实践之间的差距，为可持续制造中的知识发现建立了稳健的框架。改进的LDA模型在提取和聚类与润滑相关的知识方面表现出强大的性能，与现有模型相比，在F1分数、精确度、召回率和准确性方面有显著改进，反映了精确度和召回率之间的更好平衡，并促进了材料磨削技术的创新。
部分摘录
改进的LDA和PCA算法
图1展示了基于改进的LDA方法和PCA方法的可持续磨削润滑剂的伪代码，清晰地显示了五个主要部分，包括词云生成（步骤1）、簇分析（步骤2）、使用PCA方法确认最佳簇数量（步骤3）、改进的LDA算法在磨削中的润滑经验聚类（步骤4）以及时间相关性的计算（步骤5）。其中，改进的LDA算法包括步骤1、2和4；PCA方法涉及
总体演示
本研究的设计如图3所示，分为以下四个步骤。首先，在第一部分中，使用改进的LDA算法分析之前的精密加工尝试和清洁Web of Science数据后的磨削润滑。然后，在第二部分中使用核心统计指标（一致性、MAE、SSE）和聚类指标（困惑度、轮廓系数）来确定最佳主题数量K，并进行可视化
改进LDA主题建模中的最佳簇确定和指标趋势
图5显示了随着簇数量变化，由方程式（3）、（4）、（5）、（6）计算的与磨削相关研究的描述性指标的趋势。值得注意的是，来自方程式（2）的一致性值在所有簇数量下保持恒定为0.81，与先前的研究结果[71]一致，表明LDA算法在这些条件下保持了良好的主题相关性和一致性。除了图5(c)之外，MAE、SSE和轮廓系数随着簇数量的增加而逐渐减小
文献计量分析
在知识特征提取中，常见的文献计量方法包括文献耦合、合著关系、共现和共引分析。文献耦合通过共享参考文献评估主题相似性，合著关系图显示作者、机构或国家之间的合作网络，共现识别出版物中的关键词关系，共引突出频繁被引用的作品之间的联系。基于合著关系，本研究构建了
结论
对可持续制造的日益重视突显了在材料磨削中需要有效的润滑策略。本研究通过提出一种结合PCA的改进LDA算法，对材料磨削中的润滑知识进行了全面分析，以识别关键研究主题和趋势。主要贡献和发现总结如下：
(1)开发了一种新颖的改进LDA模型，结合了语义短语分割和多指标
CRediT作者贡献声明
Edward Hengzhou Yan：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，数据分析，概念化。Feng Guo：撰写 – 原稿，验证，概念化，数据分析，方法论，调查，方法论。Hong-ting Zhou：软件，验证，撰写 – 原稿，撰写 – 审稿与编辑。Wai Sze Yip：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，监督，
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。
致谢
本文所述的工作主要由内地-香港联合资助计划（MHKJFS）（项目代码：MHP/051/22）、香港特别行政区（HKSAR）政府创新和技术委员会（ITC）的香港国家重点实验室（项目代码：BBX5和BBR3）以及香港特别行政区研究资助委员会（RGC）的一般研究基金（GRF）（项目代码：PolyU 15206824、PolyU 15220724, PolyU 15224525 和 PolyU 15211625）资助
