Mill2Seq——一种基于深度学习的铣削工序序列生成方法

《Computers & Graphics》：Mill2Seq - A deep learning-based approach for Milling Operation Sequence Generation

　　

• •
  深度学习能够根据3D CAD STEP模型生成铣削加工序列。
• •
  该数据集包含100,000个参数化B-Rep模型，涵盖24种铣削特征类型。
• •
  面邻接图通过旁路边来编码38维节点和20维边特征。
• •
  GATv2识别器、Transformer预测器以及DAG-TSP优化器被分开设计。
• •
  在自主推理过程中，该系统的宏观F1值达到99.77%，成本效率为94.60%。

引言

高效的加工工艺路线设计是计算机辅助设计（CAD）与计算机辅助制造（CAM）之间的关键桥梁。随着现代制造业向高度定制化、短周期生产模式转变，工艺规划必须以前所未有的速度和精度来完成[1]。传统上，手工CAPP依赖经验丰富的工程师，这不仅耗时且难以规模化应用。

为实现CAPP自动化，近期研究开始采用数据驱动的深度学习技术[2]、[3]、[4]，但仍存在两个瓶颈。首先，将3D CAD数据输入神经网络存在诸多困难：多视图投影[5]和体素化处理[2]会丢失几何细节，存在分辨率限制，且无法捕捉定义加工特征所需的拓扑关系[6]、[7]。

其次，端到端的序列模型（如RNN、自回归Transformer）难以满足严格的物理约束：错误的循环优先关系会导致无法执行的矛盾情况，而自回归解码方法缺乏全局视角，无法最小化多轴装夹成本，往往会产生无效或低效的加工方案。

为克服这些局限，我们提出了一种用于铣削加工序列生成的解耦混合框架MOSG。该框架用包含38维几何属性和20维拓扑属性的富化面邻接图替代有损的体素数据。GATv2[8]可将这些富化面邻接图聚类为语义特征；Transformer则负责预测刀具、加工轴以及加工顺序的概率；此外还有一个破环算法，能在成本约束特征依赖图（CC-FDG）中将这些特征整理为严格的有向无环图。随后通过动态规划求解器在CC-FDG中寻找最优路径，从而最小化换刀和装夹成本。图1展示了该框架的整体结构。

综上，本研究的主要贡献如下：

• •
  复杂多轴铣削数据集：该数据集包含98,623个参数化B-Rep CAD模型，涵盖24种铣削特征类型，与仅限于单轴加工的数据集不同，它包含了在六个空间方向上的复杂加工操作（$X\pm ,Y\pm ,Z\pm$），同时还考虑了真实的刀具库存限制、面级语义信息以及严格的父子依赖关系。
• •
  混合图-Transformer感知架构：这是一种高度可靠的深度学习架构，它利用富化的面邻接图将原始拓扑结构转化为可用于实际加工的数值数据。GATv2可实现近乎完美的语义特征聚类，再将结果传递给Transformer，后者能准确预测刀具、加工轴以及加工顺序。
• •
  通过CC-FDG实现确定性序列优化：该框架引入了成本约束特征依赖图。通过将神经网络推理与序列生成分开处理，该框架能把概率性预测结果转化为严格的有向无环图，再通过确定性求解器确保生成的序列没有循环，并能最大程度降低装夹和换刀成本。

本文的其余部分结构如下：第2节回顾了加工工艺规划与CAPP领域的相关研究；第3节介绍了边界表示、数控铣削以及面邻接图构建的相关背景知识；第4节概述了所提出的方法；第5节介绍数据集的构建方式；第6节详细阐述该方法的具体流程；第7节涉及实验设置、评估指标、实验结果及分析讨论；最后第8节总结了未来研究的方向。

各节要点

相关研究

加工路线规划方法大致可分为两类：基于规则的方法和基于学习的方法（见图2）。

背景知识

本节将介绍Mill2Seq框架所依赖的三个核心概念。

系统架构概览

MOSG框架通过三个依次连接的模块，将几何深度学习与确定性运筹学相结合（见图1）：

1. 图结构构建与神经网络感知（模块1）：从B-Rep STEP文件中解析出包含38维节点属性和20维边属性的面邻接图，然后通过GATv2编码器同时预测面的类别和边界边缘，从而将原始几何信息聚类为具体的加工特征。

2. 特征与优先级预测（模块2）：将聚合后的特征嵌入向量传递给Transformer进行处理

数据集构建

在基于MFCAD$++$ [7]开发出的基础上，我们构建了一个用于铣削加工序列生成的专用数据集创建工具。以往的多轴加工数据集虽在特征识别方面表现优异，但缺乏用于序列优化的严格制造约束条件。我们的数据集创建工具能够进行表面可达性检查，禁止在凹面上布置加工特征，设定动态间隙以避免特征重叠，同时还会将所有尺寸约束在实际的刀具库存范围内。

PythonOCC [47]是一种用于

方法论

本节详细介绍了Mill2Seq框架的三个组成模块，完整的端到端训练流程以及联合训练方法如图7所示。

实验设置

该数据集共包含98,623个模型，其中70%用于训练，10%用于验证，20%作为测试集（共19,724个模型）。训练时使用了1台NVIDIA RTX 2080 Ti显卡（11GB显存）、1台Intel i7-8700处理器、64GB内存，采用AdamW优化器，共训练25轮。

评估指标

感知模块的性能通过微观F1值和宏观F1值来评估，而最终生成的加工序列则通过以下两个指标进行评价：

• •
  成本效率：该指标用于比较生成序列的装夹成本和换刀成本与经过优化的确定性基准方案的相应成本。
• •
  有效效率得分（VES）：这是一项严格的

结论与未来工作

本文提出了一种用于铣削加工序列生成的端到端生成式框架MOSG。该框架将3D B-Rep几何结构表示为富含多轴加工相关物理属性的面邻接图，从而避免了体素和点云带来的数据损失问题。GATv2与Transformer组合可用于提取几何特征和加工顺序约束，而专门的破环算法则能构建成本约束特征依赖图，进而

CRediT作者贡献说明

Satyam Kumar Verma：负责文章的撰写与修改、原始草稿的编写、结果可视化、实验验证、方法设计、正式分析、数据整理以及概念构思工作。Aditya Raj：参与文章的撰写与修改、可视化、实验验证、方法设计以及概念构思工作。Ramanathan Muthuganapathy：负责文章的撰写与修改、项目监督、资源协调、项目管理以及资金筹集工作。

关于写作过程中使用生成式AI及AI辅助技术的情况说明

在撰写本文时，作者使用了ChatGPT工具来帮助重写部分内容，以提高文本的清晰度和可读性。在使用该工具后，作者对相关内容进行了仔细审查和修改，并对最终发表的内容负全责。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

Satyam Kumar Verma|Aditya Raj|Ramanathan Muthuganapathy