TL-CladOpt

TL-CladOpt 是一个面向激光熔覆/DED-LB 工艺硬度预测的 MATLAB 项目，当前主脚本为 tlgnn_v3_multisource.m。它结合多源域迁移学习、小样本目标域回归和交叉验证评估，用已有实验数据预测目标工艺参数组合对应的显微硬度，并给出已观测组合的排序推荐。

当前仓库已经包含一组已生成结果文件。根据 tlgnn_v3_summary_metrics.csv，现版本在目标域上的交叉验证结果为：

• R2 = 0.8060
• RMSE = 81.24
• MAE = 49.50
• 迁移分支参考结果：R2 = 0.4952，RMSE = 131.05

项目特点

• 多源域输入：支持同时读取多个源域 CSV，用共享工艺特征进行预训练。
• 保留迁移路径：先在共享特征上做自编码器和源域硬度预训练，再迁移到目标域。
• 强化目标域建模：目标域回归直接使用 6 维完整工艺向量。
• 小样本友好：优先使用 GPR；若无对应工具箱则自动回退到 bagged trees 或精确组合均值。
• 固定评估协议：默认采用按行 5-fold 交叉验证，输出逐折指标和整体汇总。
• 推荐结果可解释：输出已观测参数组合的预测硬度、均值硬度、线能量和送粉/长度比。

仓库结构

TL-CladOpt/
├─ tlgnn_v3_multisource.m              # 主脚本：训练、交叉验证、保存结果
├─ target_domain.csv                   # 目标域数据（必需）
├─ source_domain_main_from_ann.csv     # 主源域数据
├─ source_domain_25runs_geometry.csv   # 25 组几何源域数据
├─ source_domain_thirdpaper_hardness.csv # 9 组带 HV 的小型源域数据
├─ tlgnn_v3_predictions.csv            # 全量预测结果
├─ tlgnn_v3_fold_metrics.csv           # 每折指标
├─ tlgnn_v3_summary_metrics.csv        # 汇总指标
├─ tlgnn_v3_top_recommendations.csv    # 推荐组合
├─ tests/
│  └─ verify_tlgnn_v3_upgrade.m        # 验证脚本
├─ data/                               # 原始/补充数据与说明
├─ reference/                          # 参考脚本和原始资料
└─ backup_20260419_*/                  # 备份结果

数据说明

1. 目标域数据

运行脚本时，当前工作目录下必须存在 target_domain.csv。推荐列名如下：

material_code, power_W, speed_mm_min, overlap_ratio,
powder_feed_g_min, defocus_mm, hardness_HV

脚本对列名做了别名兼容，例如：

• speed_mm_s 会自动换算为 mm/min
• hardness、HV、Microhardness (HV) 可映射到 hardness_HV
• powder_feeding_speed、feed 可映射到 powder_feed_g_min

有效样本行至少需要 6 行；缺失关键字段的行会被自动过滤。

2. 源域数据

主脚本默认尝试从当前工作目录读取以下源域文件：

• source_domain_main_from_ann.csv
• source_domain_25runs_geometry.csv
• source_domain_thirdpaper_hardness.csv
• source_domain_316L_table23_geometry_only.csv（可选）

当前仓库根目录已放置前三个文件，对应样本数分别为：

• source_domain_main_from_ann.csv: 280 行
• source_domain_25runs_geometry.csv: 25 行
• source_domain_thirdpaper_hardness.csv: 9 行

data/ 目录中还保留了补充数据和说明文件。如果你想启用 data/ 里的其他表格，需要先把文件复制到仓库根目录，或修改 tlgnn_v3_multisource.m 中 defaultConfig() 的路径配置。

方法概览

主流程如下：

1. 读取多个源域文件，提取共享特征 P / V / F / line_energy / feed_per_length。
2. 在源域共享特征上训练自编码器。
3. 如果源域存在足够多的硬度标签，则继续做源域 HV 监督预训练。
4. 读取目标域数据，构造完整 6 维工艺特征： material_code, power_W, speed_mm_min, overlap_ratio, powder_feed_g_min, defocus_mm
5. 按固定 5-fold 协议做目标域交叉验证。
6. 目标域强回归头优先使用： fitrgp -> fitrensemble -> 精确组合均值回退
7. 用全量目标域数据训练最终模型，并生成预测、指标汇总和推荐结果。

环境要求

• MATLAB R2021a 或更高版本
• 推荐安装 Statistics and Machine Learning Toolbox

说明：

• 若环境中存在 fitrgp，脚本会优先使用高斯过程回归（当前仓库结果对应这一分支）。
• 若没有 fitrgp 但存在 fitrensemble，会回退到 bagged trees。
• 若相关回归函数都不可用，脚本仍可运行，但会退回到基于完全相同工艺组合的均值预测，效果通常会明显下降。

快速开始

在 MATLAB 中进入仓库根目录后运行：

results = tlgnn_v3_multisource();

运行完成后，返回的 results 结构体包含：

• results.cv: 当前交叉验证汇总指标
• results.cv_transfer: 仅迁移分支的参考指标
• results.selected_model: 最终选中的目标域模型类型
• results.files_used: 本次实际使用到的源域文件
• results.predictions: 预测结果表
• results.recommendations: 推荐组合表

输出文件

脚本会在当前目录生成以下文件：

• tlgnn_v3_model.mat 保存最终目标模型、迁移模型、自编码器、缩放器和配置。
• tlgnn_v3_predictions.csv 在原始目标域表上追加： pred_hardness_HV、cv_pred_hardness_HV、transfer_cv_pred_hardness_HV
• tlgnn_v3_fold_metrics.csv 每折 R2 / MSE / MAE / RMSE 以及迁移参考指标。
• tlgnn_v3_summary_metrics.csv 全部样本上的交叉验证汇总指标与选中模型类型。
• tlgnn_v3_top_recommendations.csv 对已观测参数组合按预测硬度降序排序，默认保留前 15 条。

当前结果解读

现有结果文件显示，当前最佳目标域头为 gpr_raw6，即在完整 6 维目标特征上使用高斯过程回归。与仅保留迁移分支参考结果相比：

• R2 从 0.4952 提升到 0.8060
• RMSE 从 131.05 降至 81.24

tlgnn_v3_top_recommendations.csv 中当前排名靠前的组合包括：

• material_code=35, power_W=1200, speed_mm_min=300, overlap_ratio=1, powder_feed_g_min=12, defocus_mm=2
• material_code=35, power_W=1000, speed_mm_min=500, overlap_ratio=0.7, powder_feed_g_min=12, defocus_mm=2
• material_code=35, power_W=1200, speed_mm_min=300, overlap_ratio=1, powder_feed_g_min=15, defocus_mm=2

这些条目是“已观测组合”的排序结果，不是对未出现过的新组合进行全局搜索。

验证

仓库提供了一个简单阈值验证脚本：

run('tests/verify_tlgnn_v3_upgrade.m')

该脚本要求：

• R2 > 0.75
• RMSE < 90

注意事项

• 主脚本默认从“当前工作目录”读取数据文件，因此最稳妥的做法是在仓库根目录中运行。
• target_domain.csv 中若速度列使用 speed_mm_s，脚本会自动乘以 60 转成 mm/min。
• 部分 data/ 中的数据文件只是参考或待整理数据，不会自动参与当前训练。
• tlgnn_v3_readme.txt 是旧版简要说明；README.md 作为面向仓库协作的中文主文档更完整。

后续可扩展方向

• 把 data/ 中的补充源域表统一整理为可直接读取的标准格式。
• 把数据路径从“当前目录约定”改为“仓库相对路径配置”。
• 增加对未观测参数组合的批量搜索与约束优化，而不仅是已观测组合排序。