一种基于自监督 B-Rep 学习的加工操作策略预测新方法

《JOURNAL OF MANUFACTURING SYSTEMS》：A novel machining operation strategy prediction method based on self-supervised B-rep learning

　　

- 自监督预训练与有监督微调使得在标注数据有限的情况下能够预测铣削策略。
- B-Rep消息传递与有符号距离场重建支持自监督预训练。
- 该方法在小型训练集上优于有监督的B-Rep基线方法。
- 一个B-Rep数据集提供了铣削策略的面级标注。
- 与其他将CAD模型表示为体素或点云的方法相比，直接使用B-Rep数据在模型分割问题上实现了更高的精度。

引言

工艺规划作为产品设计与制造之间的关键桥梁，其核心任务包括制造操作策略选择和制造资源分配，直接影响产品质量、生产效率和制造成本[1]。随着制造业向以多品种小批量为特征的单件生产模式转变[2]，工艺规划的复杂性显著增加，使制造操作策略决策变得尤为关键。

基于加工操作策略的模型分割是制定制造操作策略决策的一个组成部分，旨在将复杂零件的表面划分为需要不同加工方法的若干独立集合，每个集合都需要特定的加工策略[3,4]。在实际制造环境中，该分割过程通常由工艺规划师依据其技术知识和经验进行，他们对零件的整体几何、拓扑结构和技术规范（如公差和表面粗糙度）进行全面分析。然而，这种依赖经验的方法存在几项显著局限性：它过度依赖个人专业知识，导致技术实施存在较大异质性；对相似零件涉及大量重复性决策，使工艺设计者工作负担过重；此外，随着零件复杂度的增加，人工决策的难度和错误率呈上升趋势[5]。制造企业积累的大量历史工艺数据为机器学习应用奠定了坚实基础。同时，由于机器学习算法在处理数据特征空间中的非线性和不连续性方面具有优势，它们从成功零件的设计和生产数据中学习制造过程能力方面具有巨大潜力[6]。将机器学习方法应用于模型分割具有两个显著优势：第一，自动分割方法显著提高工艺规划效率；第二，数据驱动的模型分割方法可根据零件几何特征和加工要求自适应地选择制造操作策略，从而减少对高级工艺工程师的依赖，同时提高分割方案的一致性和可重复性。

根据CAD模型的不同表示方法，基于机器学习的模型分割任务主要有两种方法。第一种方法是先将CAD模型预离散化为点云、体素、网格等中间格式，然后使用相应的神经网络进行模型分割训练[7,8]。采用这种方法主要是因为3D CAD模型是多维、非结构化的数据形式，迫使研究人员预先将CAD模型转换为体素、点云或网格等结构化中间格式以适应神经网络的输入[9]。例如，Ning等人通过将3D CAD模型转换为体素表示，实现了更准确的制造成本估算，使深度学习模型能够有效处理复杂几何[10,11]。虽然这种转换在一定程度上简化了数据处理流程，但在实际应用场景中存在诸多局限性。首先，实现高精度表示通常需要大量计算资源；其次，当零件结构复杂或特征组合多样时，这些基于离散化的方法性能显著下降[[12]、[13]、[14]]。

第二种方法是利用CAD模型的边界表示（B-Rep）作为神经网络的输入以完成下游任务。边界表示（B-Rep）是CAD模型的行业标准表示，是一种由不同空间维度的拓扑实体组成的通用数据结构，包括2D面（曲面的边界部分）、1D边和边环（曲线的边界部分）以及0D顶点（点）。尽管B-Rep通过CAD软件在工业中广泛应用，但这些传统方法主要侧重于精确的模型表达和几何建模操作，而非基于几何特征的智能决策分析[[15]、[16]、[17]、[18]]。因此，将几何特征与加工策略关联仍然依赖人工经验和判断，这不仅耗时且难以标准化，而且难以适应新的零件设计和加工要求。近年来，研究人员对边界表示（B-Rep）数据进行了结构化处理，使其能够直接应用于深度学习模型，从而保留原始的几何和拓扑信息并提高分割精度。例如，UVNet[19]为B-Rep数据构建了统一的表示系统，通过曲面参数化的U-V域捕捉几何特征，通过邻接图表达拓扑关系，结合图像处理与图卷积神经网络实现对CAD模型的高效分割和特征识别。与传统的体素化或点云转换方法相比，直接处理B-Rep数据具有显著优势：B-Rep数据保留了CAD模型的精确几何信息和拓扑关系，提高了制造特征识别的精度，并在处理复杂零件几何和特征组合时表现出优越的泛化能力。

基于机器学习的模型分割所面临的另一个重大挑战是，尽管可用的CAD模型数据丰富，但大多数模型缺乏下游任务所需的标签。对这些B-Rep数据进行人工标注既耗时又费力，而且不同任务的标注要求需要不同领域的专业知识，对于大数据集而言并不切实可行。自监督学习方法的出现解决了这一挑战，其核心原则是从无标签数据中提取特征表示，用于优化不同的下游任务。这种方法在自然语言处理和计算机视觉领域已得到广泛应用并展现出卓越效果。加工过程规划的关键挑战总结在图1中。

综上所述，为了解决当前人工工艺规划决策效率低下以及机器学习方法标注数据稀缺的挑战，我们创新性地提出了一种结合自监督预训练与有监督微调的混合学习框架，旨在实现小样本数据集下的铣削工艺策略预测。该方法主要包含两个步骤：首先，利用自监督学习在大量无标签CAD数据上进行预训练，提取B-Rep拓扑面的特征表示；其次，利用少量标注数据进行有监督微调，使模型适应特定的加工策略分割任务。具体而言，本研究的主要贡献如下：

1. 本研究提出了一种新颖的自监督预训练框架。该框架采用编码器-解码器架构，能够从大规模无标签CAD数据中学习模型拓扑的特征表示。这些特征表示作为分割网络的输入，通过后续的有监督学习微调，能够在小样本数据集下基于建模信息和铣削工艺策略实现CAD模型分割。

2. 本研究构建了基于不同CAD模型表示之间映射关系的预训练模型。编码器直接处理B-Rep数据，通过消息传递网络将拓扑信息聚合到曲面上，并将其重建为有符号距离场。这避免了将CAD模型转换为点云、体素或网格时的信息损失，提高了加工策略决策的精度和鲁棒性。

3. 本研究提出的自监督网络预训练方法被应用于小样本数据集下基于建模操作和铣削工艺策略的B-Rep分割任务学习。与现有的基于B-Rep的有监督学习方法相比，我们的方法在小型训练集场景下展现出显著优势。

4. 本研究构建了用于铣削工艺的B-Rep模型分割数据集。该数据集不仅包含B-Rep模型的几何信息，还为每个拓扑面标注了对应的铣削工艺策略，并详细记录了拓扑面与铣削工艺策略之间的对应关系。

结果表明，与其他将CAD模型表示为体素或点云的方法相比，直接使用B-Rep数据在模型分割问题上实现了更高的精度。同时，我们的方法在小型训练集场景下显著优于现有的基于B-Rep的有监督学习方法。

章节片段

常见的几何表示

三维（3D）模型数据可以通过多种方式表示，如图2所示，从而催生了各种学习方法。常见的几何表示学习方法可分为三类：用于3D形状表示的基于规则的采样方法[8,20,21]（如点云、体素和基于网格的方法）、基于连续隐式函数的方法[22]以及基于B-Rep数据的表示方法[23]。在当前研究中，不同的……

整体算法

随着人工智能技术的持续发展，自监督表示学习已成为一种关键的机器学习方法，广泛应用于自然语言处理、计算机视觉等领域。在此背景下，预训练模型发挥着至关重要的作用。预训练模型是在大规模数据集上训练的机器学习模型，其基本原理是通过在大规模数据集上进行预训练来学习统计规律……

加工策略数据集

任何数据驱动算法的性能都取决于训练数据的质量。不幸的是，满足所提出的数据驱动算法要求的制造数据仓库并不容易获得，即那些既包含3D零件形状又包含相应制造工艺标签（指示生产方法）的数据仓库。本节首次介绍了一个包含B-Rep模型和工艺策略信息的数据集。为解决我们的……

预训练模型设置

在预训练模型的训练过程中，CAD模型的边界表示（B-Rep）信息通过编码器-解码器架构进行预训练。编码器采用三层多残差图卷积网络（MRGCNLayer）[9]进行消息传递。在此过程中，B-Rep中顶点、边和环的信息通过消息传递网络被聚合到拓扑面上，从而生成面的潜在空间表示。

在CRediT作者贡献声明中

Shuai Niu：原创初稿撰写、验证、软件、方法论、调查、形式化分析。Maolin Cai：资金获取、监督、资源。Yunhong Xu：审阅与编辑、监督、调查。Fangwei Ning：方法论、调查、形式化分析。Xiaomeng Tong：可视化、验证、监督、资源、审阅与编辑。

利益冲突声明

作者声明，他们不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本文所述工作得到国家自然科学基金（批准号：12202026）以及北京市杰出青年科学基金（批准号：BJJWZYJH01201910006021）的支持。

Shuai Niu | Maolin Cai | Yunhong Xu | Fangwei Ning | Xiaomeng Tong