《JOURNAL OF MANUFACTURING SYSTEMS》：Deep transfer learning with graph neural networks for the selection of manufacturing processes
编辑推荐：
开发了一种新颖的图神经网络架构MaProNet+，并进行了系统评估。开发了一个新颖的合成数据集，其中包含了间接产品制造信息（PMI）类型，包括平行度或垂直度。制造过程选择被表述为一个面级多标签分割任务。
开发了一种新颖的图神经网络架构MaProNet+，并进行了系统评估。开发了一个新颖的合成数据集，其中包含了间接产品制造信息（PMI）类型，包括平行度或垂直度。制造过程选择被表述为一个面级多标签分割任务。
**论文解读：基于图神经网络的深度迁移学习在制造过程选择中的应用**
**研究背景与问题**
工艺规划是产品开发与制造之间的桥梁，直接影响制造绩效指标如时间、成本和质量。其中，制造过程选择是核心步骤，传统依赖工程师经验。计算机辅助工艺规划（CAPP）系统虽已发展，但深度学习方法的有效性依赖于大规模高质量标注数据集，而工业数据标注昂贵、耗时且易错，尤其对面级分割任务，标注数据几乎不存在。合成数据集虽可大规模生成，但无法完全捕捉工业3D CAD模型的复杂性与变异性，导致模型在真实工业场景中性能下降。因此，如何减少对大量标注数据的依赖，同时提升模型在工业数据上的泛化能力，成为关键问题。研究人员提出通过迁移学习，利用合成数据预训练，再在少量工业数据上微调，以解决这一挑战。该论文发表在《JOURNAL OF MANUFACTURING SYSTEMS》。
**主要技术方法**
研究人员开发了一种新的图神经网络架构MaProNet+，采用编码器-解码器结构，分别处理三种图输入：产品制造信息（PMI）图、属性邻接图（AAG）和网格图。PMI图编码直接和间接PMI（如平行度、垂直度）作为节点和边特征；AAG编码面拓扑与几何关系；网格图提供形状上下文。卷积层采用注意力机制（如GAT、GATv2）并改进为边感知消息传递，使边特征直接参与节点更新。制造过程选择被建模为面级多标签分割任务，每个面可分配多个制造过程（如铣削、车削、钻孔、铰孔、磨削）。预训练使用60,000个自动标注的合成CAD模型，微调使用来自合作公司的340个工业CAD模型（机械工程零件，含铣削、车削及车铣复合零件），由领域专家手动标注。
**研究结果**
**6. 合成数据集预训练阶段实验结果**
通过系统变化嵌入大小（32,64,128,256）、卷积层数（2-5）和九种卷积类型（如CGConv、GAT、GATv2等），发现最优配置集中在嵌入尺寸64或128、卷积层数3-4。非注意力卷积（如CGConv）在合成数据上略优于注意力卷积，最佳F1-Score达98.29%（CGConv，嵌入128，层数4）。消融研究显示，仅使用AAG或Mesh时F1-Score均为73.56%，仅使用PMI时为56.13%，而三者联合使用达到98.17%，表明每种输入提供互补信息，PMI对磨削和铰孔类至关重要。
**7. 工业数据集微调阶段实验结果**
研究了学习率（1e-3,1e-4,1e-5）、微调数据集大小（150,200,250个样本）和微调范围（仅编码器、仅解码器、全网络）的影响。结果表明，全网络微调、学习率1e-3、250个样本可获得最佳平均F1-Score约90%。注意力卷积（如GATv2）在微调后表现优于非注意力卷积，F1-Score达92.75%，而基线MaProNet仅85.31%。对比实验显示，仅用合成数据或仅用工业数据的F1-Score分别约80-83%和82-85%，而迁移学习组合提升约7-10个百分点。
**8. 工业用例模型性能评估**
消融研究表明，移除迁移学习导致F1-Score降低约11.5%，移除边感知消息传递降低约7%，移除间接PMI降低约1.7%。集成策略（5个模型）达到最佳F1-Score 94.08%、Accuracy 96.97%、IoU 88.89%。混淆矩阵显示模型对铣削、磨削、铰孔、钻孔、车削均具有高特异性（真负率>92%）和敏感性（真正率>89%），但车削和钻孔误报率较高。10个代表性示例显示，模型对大多数面预测正确，包括复杂几何（如自由曲面、100+面数零件），但曲面和圆面易误分类，且存在全局上下文利用不足导致的局部不一致预测。
**讨论与结论**
讨论部分指出，合成数据与工业数据之间存在显著域差异，导致微调时需全网络微调；曲面和圆面易误分类，且模型缺乏对空间模式（如规则孔阵列）的显式推理。未来方向包括弱监督学习、面向CAD图的数据增强、持续学习、物理约束集成（如损失函数正则化）、可解释性技术（如事前可解释性）以及多标签框架下替代过程选择的建模。
研究结论：本文提出了一种基于图神经网络MaProNet+的深度迁移学习方法，用于3D CAD模型面级制造过程自动选择。通过合成数据预训练和工业数据微调，仅需250个标注工业样本即可实现约92-94%的F1-Score，相比仅用单一数据源提升约7-10%。集成策略进一步提高性能至94.08%。该方法可直接应用于CAPP系统，支持制造过程选择与成本估算，并展示了合成数据预训练与工业数据微调结合的有效性。
