基于FT-Transformer与可解释进化优化的精密注塑虚拟量测数字孪生框架

《Sensors》:MDF-Det: Motion-Aware Decoupling and Scene Filtering for Wide Area Small Moving Target Detection

【字体: 大 中 小 】 时间:2026年09月16日 来源:Sensors 4.0

编辑推荐:

  为实现零缺陷制造(Zero-Defect Manufacturing, ZDM)于精密微注塑成型领域,需持续监测连续热力学与动力学传感器数据(如熔体温度、注射压力)与离散设备状态间的非线性交互。高产量光学镜片的生产受限于严格的物理边界,将球镜度偏差限制在±0.

  
为实现零缺陷制造(Zero-Defect Manufacturing, ZDM)于精密微注塑成型领域,需持续监测连续热力学与动力学传感器数据(如熔体温度、注射压力)与离散设备状态间的非线性交互。高产量光学镜片的生产受限于严格的物理边界,将球镜度偏差限制在±0.25屈光度(Diopters, D)阈值内。本研究提出一种用于虚拟量测(Virtual Metrology, VM)和规范性决策支持的传感器驱动数字孪生框架。所提出的混合框架通过在执行进化优化时施加物理约束,并经由双层级可解释人工智能(Explainable AI, XAI)协议审计学习到的内部交互,实现了知识引导机器学习(Knowledge-Informed Machine Learning, KIML)。利用175,089条传感器日志,通过特征分词器变换器(Feature Tokenizer Transformer, FT-Transformer)构建了一个连续代理模型。在随机化的五折交叉验证下,该代理模型的均方根误差(Root Mean Squared Error, RMSE)为0.4211 D,决定系数(Coefficient of Determination, R2)为0.97,相比一维卷积神经网络(1D-CNN)基线实现了16.8%的误差降低。为了严格评估跨机器的泛化能力并缓解批次级数据泄露,一项设备隔离的留一机法(Leave-One-Machine-Out, LOMO)协议确认了其结构鲁棒性,R2达到0.8820。此外,残差分布分析表明,76.19%的验证样本实际落在±0.25 D的物理容差范围内。将内在的多头自注意力(Multi-Head Self-Attention, MHSA)权重与全局代理进行交叉验证,统计性地捕捉到了硬件与连续传感器指标之间的潜在关联亲和性。将此可微分代理模型与实值遗传算法(Genetic Algorithm, GA)相结合,能够自主生成优化的工艺配方,在连续潜空间内实现低于0.001 D的算法收敛误差。虽然未来仍需物理验证,但该框架为规范性的智能制造建立了一个透明、可审计的基础。

论文深度解读:基于知识引导机器学习的精密注塑数字孪生框架

1. 研究背景与问题

在现代工业制造向自主化信息系统转型的背景下,实现零缺陷制造(ZDM)成为核心目标。对于光学镜片的精密注塑成型(PIM)而言,产品需满足极其严苛的物理公差,例如将球镜度偏差限制在±0.25 D以内。然而,生产过程中异质的传感器数据(如熔体温度)、动态的设备状态以及多模腔几何结构之间存在复杂的非线性交互作用,使得传统统计过程控制难以有效监控。特别是特定机器与局部模腔状态间隐藏的兼容性问题,会引入系统性的批次内方差。
当前生产依赖100%的物理后检验,导致反馈延迟和废品率升高。为此,数据驱动的虚拟量测(VM)技术应运而生,旨在绕过这些操作延迟。然而,将高级机器学习架构部署到高度异质的制造传感器数据集面临挑战:传统的树集成模型(如XGBoost)在处理高基数离散变量与连续传感器的全局交叉特征时表现不佳,且其构建的不连续特征空间不利于后续的逆向设计优化;而常规深度神经网络(如1D-CNN)因空间局部性偏置无法捕获长程全局依赖;全连接网络(如ResNet)则在高维异质数据中遭遇“过平滑”问题,稀释了高基数分类变量的统计方差。因此,亟需一种既能精确建模复杂交互,又能提供可解释性并支持自动化优化的新型框架。

2. 研究方法与技术

为解决上述问题,研究人员提出了一种混合型的知识引导机器学习(KIML)数字孪生框架。该框架的核心技术方法包括:
  • •
    数据获取与过滤:采用韩国AI制造平台(KAMP)提供的微注塑成型过程基准数据集,包含175,102条来自15个月生产周期的工业物联网传感器日志。研究实施了基于物理约束的过滤协议,剔除了13个缺失值记录,最终得到175,089个有效样本。
  • •
    特征分词器变换器(FT-Transformer)代理模型:作为核心计算引擎,FT-Transformer通过将离散分类变量映射为稠密嵌入向量,并将连续数值特征投影到相同维度空间,构建统一的连续张量表征。随后通过堆叠的Transformer层,利用多头缩放点积自注意力(MHSA)机制动态学习特征间的全局交互关系,从而构建一个平滑、连续的潜空间,为后续进化优化奠定基础。
  • •
    双层级可解释人工智能(XAI)框架:首先,从FT-Transformer的最后层提取内在的MHSA权重矩阵,以可视化设备与传感器间的非线性和关联亲和性;其次,训练一个全局的XGBoost代理模型作为独立的审计器,通过排列特征重要性(PFI)协议提取整体特征重要性排序,以此交叉验证注意力机制的合理性。
  • •
    进化逆向优化:将预训练的FT-Transformer代理模型与实值遗传算法(GA)耦合。GA在一个由物理边界约束的混合编码搜索空间中运行,以最小化预测值与目标屈光度之间的绝对残差为适应度函数,自动生成最优的“黄金配方”。

3. 研究结果

3.1. 预测性能与基线对比
通过与1D-CNN和ResNet两种深度学习基线模型在5折交叉验证下的对比,FT-Transformer展现出卓越的预测性能:平均RMSE为0.4211 D,MAE为0.2016 D,R2高达0.97。这分别比1D-CNN和ResNet基线降低了16.8%和73.0%的误差。进一步分析显示,76.19%的验证样本预测残差落在±0.25 D的物理容差内。Wilcoxon符号秩检验证实了该性能提升具有统计学显著性(p < 0.001)和大效应量。在更严格的留一机法(LOMO)验证中,模型在面对完全未见过的机器时仍取得了R2为0.8820的成绩,证明了其强大的跨机器泛化能力。残差分布和一致性图也直观地展示了FT-Transformer的高精度和稳定性。
3.2. 消融研究与双层级XAI诊断
通过消融实验,研究人员证实了MHSA层的有效性:移除注意力机制后模型RMSE升至1.4903 D,单头注意力降至0.5318 D,而多头注意力(8头)达到了最佳性能0.4211 D。双层级XAI分析揭示,内在的自注意力交互图谱(图6)与外在的XGBoost全局特征重要性排序(图7)高度一致,两者均识别出几何设计属性(如MOLD_IN_TOP)是最主要的方差驱动因素,同时设备ID(EQUIP_ID)和模具位置(MOLD_POS)也是重要的交互变量。这表明模型成功捕捉到了隐含的设备-模具匹配亲和力,而非仅仅是数据中的虚假相关性。
3.3. 自主工艺优化的进化逆向设计
将FT-Transformer作为代理模型与GA结合,实现了对目标规格(如-3.25 D)的快速逆向设计。在不到一秒的计算时间内,系统即可输出包含最优设备配对、模具坐标和几何参数的“黄金配方”,其算法收敛误差低至0.0001 D。针对从-1.00 D到-9.00 D的十个不同目标场景的测试中,最大模拟误差被限制在0.0006 D以内。值得注意的是,系统会根据不同的目标屈光度动态调整设备分配(如从-1.00 D时的#03机切换到-6.00 D时的#02机),这进一步证实了模型已内化了设备与模具间的独特兼容性模式。

4. 讨论与结论

讨论部分总结:
研究讨论指出,FT-Transformer生成的连续嵌入向量和注意力图实质上充当了量化真实世界硬件特异性异常(如加热带滞后、喷嘴堵塞)的统计代理。模型对几何指标的优先关注符合光学折射原理,而其成功交叉引用离散上下文元素的能力,则印证了其捕捉设备-模具兼容性这一核心假设。在管理层面,该双层级XAI框架解决了工业AI部署中的信任赤字问题,通过提供透明的审计线索,使现场工程师能够验证模型决策的物理合理性,从而将操作范式从盲目自动化转变为结构化的人机协作。例如,面对紧急定制订单,该系统能在数秒内给出经过验证的配方,大幅缩短调试时间并减少材料浪费。
研究结论翻译:
虽然所提出的可解释数字孪生在预测精度和优化稳定性方面达到了先进水平,但仍需正视离线数据驱动环境的内在局限性。首先,GA优化实现的低于0.001 D的算法收敛误差是潜空间内的计算指标,并非绝对的物理保证,未来必须通过硬件在环(HIL)物理验证来确认其可执行性。其次,尽管留一机法(LOMO)验证确认了跨机器泛化能力,但静态代理模型无法适应因季节变化或工具磨损引起的概念漂移。未来的工作目标是整合在线持续学习机制,并利用知识蒸馏技术压缩模型,以实现边缘端的实时推理。最后,将单目标GA扩展为多目标进化算法(如NSGA-II),以同时平衡质量、周期时间和能耗等竞争性目标,是重要的演进方向。总之,该框架为规范性的智能制造建立了一个透明、可审计的基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号