在工业5.0时代，采用以人为中心的主动设计理念，并结合深度生成建模技术进行制造业相关产品的开发

《Journal of Business Research》：Human-centric proactive design for manufacturing with deep generative modeling in Industry 5.0

针对Industry 5.0背景下人本化智能制造中设计人员DFM效率低下的问题，本文提出基于深度生成模型的主动DFM方法。该方法通过3D模型生成和相似性计算实现设计全周期的自动化制造可行性指导与分析，减少被动迭代。实验表明在涡轮叶片数据集上制造可行性分析准确率提升4.17%，在制造特征数据集上提升4%，有效辅助新手设计人员优化产品可制造性。

　　在工业4.0的背景下，制造过程正经历着深刻的变革，而进入工业5.0时代后，这种变革进一步向以人类为中心的智能化方向发展。以人类为中心的智能制造强调将技术专家的需求置于核心位置，通过人机协作提升企业的竞争力，同时满足市场对定制化产品日益增长的需求。在这一过程中，设计对于制造（Design for Manufacturing, DFM）作为一种关键的设计理念，其重要性愈加凸显。DFM的核心目标在于确保设计在制造阶段的可行性，从而保障最终产品的高质量和高效生产。然而，对于经验不足的设计师而言，由于缺乏足够的制造知识，往往难以在设计初期主动考虑制造性问题，导致设计过程依赖于反复的修改和制造专家的被动介入，这种低效的模式不仅增加了设计成本，还限制了设计师在创新和性能优化方面的发挥。

因此，开发一种以人类为中心的主动DFM方法成为解决这一问题的关键。本文提出了一种基于深度生成建模的新型DFM方法，旨在在整个设计过程中主动识别和满足制造性需求，从而减少设计的被动迭代，提高设计效率和产品质量。该方法通过深度学习网络实现3D模型的生成和相似性计算，能够支持设计师在设计初期完成不完整设计，并在设计后期对已有的模型进行制造性分析，提供必要的修改建议。此外，通过历史案例的相似性计算，系统可以推荐符合制造要求的已有设计，为设计师的决策提供支持。实验结果表明，该方法在制造性分析方面相较于现有方法提升了4.17%的准确率，在制造特征分析方面提升了4%。应用实例进一步验证了该方法在帮助初级设计师提升产品制造性方面的有效性。

当前的DFM研究主要集中在制造性分析和模型分析两个方向。制造性分析通常依赖于语义模型，如本体论（Ontology），通过显式地表示设计与制造知识之间的语义连接，实现知识的复用。这种方法虽然能够提供一定的分析支持，但其依赖于人工定义的语义规则，缺乏灵活性和可扩展性。另一方面，基于模型的DFM方法则通过3D模型进行制造特征识别，以实现制造性分析。这类方法通常采用深度神经网络，对3D模型进行监督分类，从而判断设计是否符合制造要求。尽管这种方法在实现制造性分析的自动化方面具有优势，但其主要功能停留在分析结果的输出，无法为设计师提供具体的制造知识以支持设计修改。此外，针对不完整设计的制造性指导仍是一个相对薄弱的研究领域。

为了克服这些挑战，本文提出了一种以人类为中心的主动DFM方法，利用深度生成建模技术，从数据驱动的角度出发，实现制造性指导和分析的自动化。该方法的核心在于构建一个名为制造性设计支持网络（Manufacturability Design Support Network, MDSN）的深度学习模型。MDSN的主要功能包括3D模型生成和相似性计算。通过训练该网络，使其能够学习多模态设计参数与可制造3D模型之间的复杂映射关系，系统可以在设计初期生成符合制造性分布的完整3D模型，为设计师提供可视化支持。在设计后期，MDSN可以对完整设计进行制造性分析，通过计算原始模型与生成模型之间的相似性，为设计师提供分析结果和修改建议。这种方法不仅能够提升设计的制造性，还能减少设计师与制造专家之间的互动频率，从而降低设计负担，提高设计效率。

在实际应用中，MDSN通过相似性计算推荐符合制造要求的历史案例，帮助设计师在决策过程中参考已有的成功经验。这种方法的优势在于其数据驱动的特性，不需要依赖显式的制造规则或CAD建模流程，而是直接从训练数据中学习隐含的制造知识。因此，该方法具有较强的泛化能力，能够应用于不同的复杂部件或制造特征，解决各类制造性问题。通过以涡轮叶片为例进行实验，本文验证了该方法在实际设计场景中的有效性。此外，对制造特征如孔洞和凹槽的评估也表明，该方法能够适应多种制造需求，具有广泛的应用前景。

本文的主要创新点在于提出了一种全新的DFM实现方式，该方式不仅能够实现制造性指导和分析的自动化，还能在整个设计过程中主动满足设计师的需求，从而减少设计错误，降低设计迭代次数，提高设计效率。此外，该方法在设计初期和后期均提供了支持，使得设计师能够在不依赖制造专家的情况下，自主完成设计任务。通过将深度生成建模与制造性分析相结合，本文为以人类为中心的智能制造提供了一种可行的技术路径。这种方法不仅有助于提升产品的制造性，还能推动设计流程的智能化发展，使其更加符合工业5.0时代的要求。

在实验设置方面，本文采用四折交叉验证的方法，对包含260个可制造样本的数据集进行评估，以确保学习结果的可靠性。MDSN的训练过程分为两个阶段：首先，3D生成器经过2000次训练，以学习如何生成符合制造性要求的3D模型；随后，相似性比较器在不更新3D生成器的情况下进行另外2000次训练，以提高模型的分析能力。优化器采用Adam算法，参数设置经过细致调整，以确保模型在训练过程中的稳定性和有效性。实验结果表明，MDSN在制造性分析和历史案例推荐方面均表现出色，能够为设计师提供及时、准确的支持。

通过本文的研究，我们不仅提出了一个以人类为中心的主动DFM方法，还验证了其在实际设计场景中的应用效果。该方法能够有效减少设计师在制造性问题上的反复修改，提高设计效率，同时确保最终产品的高质量。未来，随着智能制造技术的不断发展，以人类为中心的DFM方法将在更多领域得到应用。例如，在航空航天、汽车制造和医疗器械等对制造性要求较高的行业中，该方法可以帮助设计师在早期阶段识别潜在的制造问题，从而避免设计缺陷，提高产品的市场竞争力。此外，该方法还可以进一步拓展，结合更多的制造知识和设计数据，以支持更复杂的制造需求。总之，本文的研究为实现更加智能化、高效化的设计流程提供了新的思路和技术手段。