本文提出了一种集成数据增强与可解释机器学习的数据驱动框架，用于优化超音速空气燃料（HVAF）喷涂工艺参数，以实现铁基非晶合金涂层的高硬度与均匀性协同提升。针对HVAF工艺参数与涂层性能间复杂的非线性耦合、均匀性量化标准缺失及小样本数据泛化能力不足等问题，本研究通过以下创新方法实现突破：首先，基于SHAP交互分析系统揭示了空气压力-丙烷压力比、喷涂距离-喷枪横移速度等六维参数对涂层硬度均值（HV̄）及方差（σ²）的动态耦合效应，量化了喷涂参数对涂层性能的贡献率；其次，提出“硬度-均匀性”双性能评价体系，通过方差指标量化涂层空间性能波动性，弥补传统单一均值指标的局限性；此外，结合生成对抗网络（GAN）、变分自编码器（VAE）和扩散模型的混合数据增强策略，通过Kolmogorov-Smirnov检验与主成分分析验证生成数据分布一致性，显著提升小样本场景下模型预测精度。本研究为复杂工艺参数优化提供了高效可靠的数据驱动范式，关键部件表面强化领域具有重要工程应用价值。
 

数据驱动，,HVAF,，机器学习,数据增强