数据增强与随机森林的小样本预测建模

阳极氧化是航空铝合金零部件表面处理的关键工艺，氧化膜重量直接影响零件表面综合性能与飞机服役寿命。然而，该工艺受到参数耦合、数据获取成本高等限制，让氧化膜重量预测建模变得困难，生产优化过程缺乏决策依据。

着眼于上述挑战，近日，中国科学院沈阳自动化研究所数字工厂研究室科研团队提出了一种数据增强与随机森林的小样本预测建模方法，围绕小样本下关键参数预测建模难等问题，从数据增强与特征提取两方面进行了优化。

科研人员通过融合机理分析信息与数据的样条插值和生成对抗网络，提升了增强数据质量。利用增强数据，构建了注意力机制与随机森林的氧化膜重量预测模型，实现了小样本下航空零部件阳极氧化过程关键参数的准确预测，为表面处理的精准管控与优化提供了新思路。

该成果以Weight prediction of the oxidation film in aircraft aluminium alloy components with small samples using data augmentation and random forest为题，发表于人工智能领域国际期刊Engineering Applications of Artificial Intelligence。李帅副研究员为论文第一作者，周晓锋研究员为通讯作者。该研究得到了工信部民机专项的支持。（数字工厂研究室）

DOI: 10.1016/j.engappai.2025.113158

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0952197625031896