基于CNN-GNN的特征识别与模糊MCDM策略在STEP文件中的排序应用:智能加工决策的案例研究

《Expert Systems with Applications》:CNN–GNN-based feature recognition and fuzzy MCDM strategy ranking from STEP files: a case study on intelligent machining decisions

【字体: 大 中 小 】 时间:2025年12月06日 来源:Expert Systems with Applications 9.4

编辑推荐:

  拉文德拉·安杜库里 | V.纳加·马勒斯瓦里 印度维沙卡帕特南GITAM视同大学GITAM技术学院机械工程系 **摘要** 本研究提出了一种集成框架,将基于深度学习的自动特征识别技术与混合多准则决策模型相结合,可直接从ISO 10303–21 STEP文件中选择智能

  拉文德拉·安杜库里 | V.纳加·马勒斯瓦里
印度维沙卡帕特南GITAM视同大学GITAM技术学院机械工程系

**摘要**
本研究提出了一种集成框架,将基于深度学习的自动特征识别技术与混合多准则决策模型相结合,可直接从ISO 10303–21 STEP文件中选择智能加工策略。自动特征识别模块采用CNN–GNN架构提取几何与拓扑特征向量,对孔、腔体、槽等特征类型及其关联属性进行分类。混合决策模型则融合模糊层次分析法、熵权重法与模糊VIKOR方法,依据刀具可达性、表面光洁度、加工时间及公差水平等标准对加工方案进行评估与排序。该框架通过针对棱柱形CAD模型中的盲孔特征进行的详细案例研究得以验证。模糊VIKOR排序结果显示,铰孔为最优加工策略,其Qi指数为0.267,与专家建议的一致性达92.3%。在不同VIKOR折中参数值(v=0.3、0.5、0.7)下,该框架均能保持稳定排序,表明其在参数变化时仍具有鲁棒性。补充材料中还展示了在权重波动±20%情况下的稳定性测试结果。这一试点规模的概念验证框架展现出高精度、较短决策时间以及更好的可解释性,可为工业4.0流程规划系统提供支持,同时也需指出初始验证所使用数据集规模较小的局限性。

**引言**
自动特征识别技术已成为现代制造系统中的关键组成部分,尤其是在计算机辅助设计制造集成日益普及的背景下。其核心目标是从CAD模型中自动提取并分类各类可加工特征,如孔、腔体、槽和凸台等,从而消除人工解读的必要,实现更快速、更具适应性的流程规划。在以智能自动化、数字孪生和实时反馈回路为基石的工业4.0环境中,实现设计数据与加工指令之间的无缝衔接显得尤为重要。

传统上,自动特征识别依赖句法及规则驱动的方法,这些方法依靠预定义的几何与拓扑规则来检测特征。虽然在结构化环境中效果良好,但面对复杂或非标准几何形状时缺乏鲁棒性,且易在处理模糊或重叠特征时出现失误。此外,规则驱动方法通常需要明确的编程过程及领域特定知识,限制了其在不同工业场景中的应用扩展性(Shah等人,2001;Sunil和Pande,2008)。相比之下,人工智能领域的最新进展,尤其是深度学习与图算法的发展,为自动特征识别任务提供了强大工具。

深度学习技术,特别是卷积神经网络,在直接从体素化或光栅化几何数据中学习复杂空间模式方面取得了显著成效。CNN擅长捕捉局部几何信息,可通过将3D CAD模型转换为结构化网格表示来应用于自动特征识别(Malleswari和Pragvamsa,2023)。这类模型能够从体素数据中学习细微的形态特征,即使在存在噪声和几何变化的情况下也能保持较高分类精度。实际应用中,基于CNN的自动特征识别系统在识别标准制造特征及跨不同CAD数据集泛化方面展现出巨大潜力。

然而,STEP格式(ISO 10303–21)的CAD模型并非仅包含体积信息,它们还通过边界表示结构蕴含丰富的拓扑信息。这为图神经网络的应用提供了可能,GNN能够以图的形式处理B-Rep数据,其中节点代表几何实体(面、边),边则体现它们之间的关联关系。GNN在理解特征间的结构依赖性与连通性方面具有独特优势,这是传统CNN所不具备的。多项研究已证实GNN在自动特征识别中的应用价值。例如,Cao等人(2020)开发了一种深度学习框架,利用3D CAD模型的图表示精确分类特征类型;Yeo等人(2021)则提出了一种融合空间与拓扑数据的混合图-CNN模型,以提高特征识别精度。

Ning等人(2023)进一步采用基于点的表示学习方法进行特征识别,证明GNN能够有效建模CAD几何形状中固有的上下文依赖关系。Shi等人(2020)也强调了拓扑学习在自动特征识别中的重要性,他们借助基于图的消息传递机制捕捉特征间的相关性。这些研究共同表明,将CNN与GNN结合,充分利用几何与拓扑特征,是构建统一识别流程的有效途径。Malleswari和Pragvamsa(2023)指出,在涉及交叉或嵌套特征的场景中,此类混合模型相比单独使用CNN或GNN的方法表现更优,从而提升了整体自动特征识别的可靠性。

尽管技术上已有诸多进展,目前的自动特征识别解决方案通常仅停留在分类阶段,无法直接为后续流程规划提供支持。这就导致了几何特征识别与最优加工策略决策之间的脱节。在工业实践中,识别特征只是解决问题的一部分,如何加工该特征——需考虑刀具可达性、表面光洁度、公差要求及加工成本等因素——同样至关重要。正因如此,人们越来越倾向于将自动特征识别与决策支持系统相结合,尤其是多准则决策方法。

多准则决策方法能够系统地评估在相互竞争的标准下的多种方案,非常适合用于加工策略的选择。模糊层次分析法、基于熵的目标权重法以及模糊VIKOR等方法被广泛用于辅助复杂的工程决策(Chatterjee和Chakraborty,2021;Garg和Kumar,2020)。应用于加工决策时,这些方法可通过综合考虑定量与定性性能指标——如加工时间、刀具成本、切屑排出难度及公差水平——来为各策略排序。Kim和Lee(2019)强调了混合多准则决策模型在可持续流程规划中的作用,这类模型能够平衡主观专家判断与数据驱动的洞察力。

将自动特征识别与多准则决策方法相结合,可为智能制造提供全面框架。例如,在识别出某个孔特征后,可构建决策矩阵,针对钻孔、镗孔、铰孔等不同加工操作在相关标准下进行评估。模糊层次分析法可用于根据专家意见确定主观权重,而熵权重法则基于数据变化程度计算客观权重。最后,模糊VIKOR可通过量化兼顾效益与成本的折中方案来对各种方案进行排序。Wang等人(2023)提出了一种融合特征识别与策略优化的混合学习框架,显示出与专家规划流程更为契合的优势。此外,将基于深度学习的自动特征识别与多准则决策方法结合,还能提升数字化制造中的自动化程度与可追溯性。它通过向工程师和自动化系统透明展示所选策略的依据,增强了可解释性。同时,该框架还能根据设计变更或生产需求的变化动态调整决策,这对于需要实时响应和高度适应性的网络物理制造系统尤为重要。

Hussong等人(2025)研究了利用GNN选择加工工艺的方法,指出智能学习模型能够连接几何处理与策略推荐功能。这说明,将几何人工智能与决策科学相结合,有望将制造流程从静态的规则驱动型流程转变为具备智能感知能力的系统。Yeo等人(2021)也强调了STEP文件互操作性在实现设计与制造领域间无缝信息交流方面的作用,进一步凸显了符合标准的数据结构在人工智能驱动的流程规划中的价值。

不过,要完全实现这一愿景仍面临诸多挑战。训练有效的CNN–GNN模型需要大量标注过的数据集,而由于CAD数据的专有性限制,这类数据往往难以获取。同样,为不同行业制定普遍认可的多准则决策标准也极为复杂,往往需要针对特定应用场景进行定制。尽管存在这些局限,但相关研究趋势明确表明,将深度学习、图模型与决策框架整合为统一的智能CAD–CAM集成方法具有巨大前景。

本研究在现有文献基础上,提出了一种全新的端到端方法,该方法将基于CNN–GNN混合模型的自动特征识别与混合模糊多准则决策系统相结合,用于选择加工策略。STEP文件作为标准化输入格式,保证了语义一致性及平台无关性。CNN–GNN架构负责提取几何与拓扑特征向量,而模糊层次分析法–熵权重法–模糊VIKOR序列则用于对加工方案进行排序。这种集成方法提升了决策透明度,减少了人工干预,并有助于在智能工厂中实现规模化应用。通过对棱柱形零件的广泛验证以及与基于CAM的工具的对比分析,该框架在推动网络物理制造系统发展方面展现了显著效果。

为便于跨学科读者理解,本文简要定义了若干在研究中出现的领域特定加工术语。盲孔是指未完全贯穿零件的孔,而通孔则可从零件一侧延伸至另一侧。槽是一种狭长的凹槽,凸台则是通常用于加固或安装的凸起圆柱形结构。腔体则表示凹陷的空腔,常通过加工去除部分材料或用于容纳其他部件。倒角为斜切边缘,圆角则为圆润过渡结构,这两种结构都常用于改善装配性能并降低应力集中。本文在全文中始终统一使用这些术语,以确保清晰表达加工领域的特征细节。需要明确的是,本研究仅为试点规模的概念验证,旨在展示其模块化可行性。当前训练数据集仅包含12个棱柱形CAD零件,我们承认这一局限性,未来的研究将致力于扩展为更大规模、更多样化的数据集。

**文献综述**
本节概述了与自动特征识别、通过STEP文件解析3D CAD模型、在几何分析中应用图神经网络与卷积神经网络,以及用于智能制造流程规划的多准则决策方法相关的学术研究与应用进展。随着工业4.0理念的推进,制造系统正变得越来越智能、数据丰富且具备自主性,……

**方法论**
本研究提出的方法论将自动特征识别与多准则决策方法相结合,旨在从ISO 10303–21 STEP文件中生成智能加工策略建议。该双层框架首先包含一个基于深度学习的自动特征识别模块,该模块运用卷积神经网络与图神经网络;随后是一个混合决策模型,该模型融合了模糊层次分析法、熵权重法与模糊VIKOR方法,用于策略评估。

**实验设置**
为验证所提出的基于CNN–GNN的自动特征识别与混合多准则决策框架的有效性与实际应用价值,我们进行了全面的实验研究。实验选取了来自开放获取CAD数据库及内部学术数据集的12个棱柱形零件,这些零件包含了通孔、盲孔、槽、凸台和腔体等多种可加工特征。所有零件均以ISO 10303–21 STEP文件格式提供,从而确保了平台的无关性。

**所提框架的局限性**
尽管所提出的自动特征识别–多准则决策框架在特征识别与加工策略选择方面表现出色,但仍存在若干局限性。首先,训练数据集仅包含12个棱柱形CAD零件,属于试点规模验证,要实现全面泛化还需更大规模、更多样化的工业数据集。其次,混合多准则决策模型依赖于专家制定的模糊规则及标准权重结构,这些参数可能需要重新设定。

**结论与未来工作**
本研究提出了一种实用且智能的试点规模框架,该框架将自动特征识别与混合多准则决策方法相结合,用于选择最优加工策略。实验结果证明了该框架具备较强的技术可行性,不过目前仅在12个CAD零件的有限数据集上进行了验证,未来的工作将致力于将其扩展到更大规模、更多样化的数据集。该框架采用CNN–GNN深度学习模型来实现加工特征的识别。

**作者贡献说明**
拉文德拉·安杜库里负责构思框架、实现多准则决策模型、分析实验结果并撰写论文初稿。V.纳加·马勒斯瓦里则负责实现自动特征识别功能、审阅并整理论文格式,确保内容清晰且符合期刊要求。两位作者共同确认了最终提交版本的完整性。

**延伸阅读**
大量研究为特征识别、混合决策方法以及智能加工自动化提供了更广阔的理论背景。早期的Pratt(2001)和Bezos(1996)等人为基于STEP的产品数据交换制定了基础标准,为现代几何推理奠定了基础。此后,特征识别技术不断发展(Verma和Rajotia,2010;Ibrahim等人,2021;Meka等人,2024),推动了基于规则与几何方法的CAD–CAM集成技术的发展。

**资金支持**
作者在开展此项研究过程中未获得任何来自资助机构或组织的资金支持。

**结果可重复性**
本文详细阐述了所有公式、决策流程及分析方法。所提出的混合框架可使用文中提供的数据与方法进行复现。如需更多支持材料,可另行申请。利益冲突声明作者声明,他们不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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