近日，1066vip威尼斯机自学院机械工程在站博士后孔冬冬博士，以第一作者在SCI一区（工程：机械）期刊《Mechanical System and Signal Processing》（MSSP，IF=5.005）上发表了题为“Bayesian linear regression for surface roughness prediction”的论文，1066vip威尼斯为论文的第一单位，论文的通讯作者为陆利新教授。

为了提高铣削加工表面粗糙度的预测精度，作者提供了一种独特的特征提取方法，并综合分析了四种贝叶斯线性回归（BLR）模型。其中，标准线性稀疏化预测模型Standard_SBLR系首次提出。监测信号采用工件、夹具和主轴的振动信息，信号特征的提取包含三个阶段：时域特征提取、特征降维和特征升维。作者通过两种铣削实验（顺铣和逆铣），揭示了KPCA_IRBF的特征升维过程对BLR模型预测性能的影响。实验结果表明，在四种BLR模型中，KPCA_IRBF在提高Standard_SBLR的预测精度和压缩置信区间方面是最为有效的。为了进一步证明Standard_SBLR的优越性，还利用偏最小二乘回归（PLS）、人工神经网络（ANN）和支持向量机（SVM）等机器学习方法，在KPCA-IRBF的支持下对表面粗糙度进行了预测。作者的研究成果为工业环境下表面粗糙度的精确监测奠定了基础。