《Engineering》:Quasi-Static Hypergraph Neural Networks: A High-Performance Approach for Digital Twin Modeling of Manufacturing Process Systems with Dynamic Performance Evolution
编辑推荐:
产品质量变异常源于制造工艺系统性能的动态变化。开发数字孪生模型以实现基于模型的工艺控制与优化是提升质量的关键策略,然而该方法常受限于工业环境中数据采集的高成本。为解决这一挑战,本研究提出一种准静态超图神经网络(QS-HGNN)模型框架。该框架基于工艺系统性能微
产品质量变异常源于制造工艺系统性能的动态变化。开发数字孪生模型以实现基于模型的工艺控制与优化是提升质量的关键策略,然而该方法常受限于工业环境中数据采集的高成本。为解决这一挑战,本研究提出一种准静态超图神经网络(QS-HGNN)模型框架。该框架基于工艺系统性能微观准静态行为与宏观演化的假设,将工艺要素抽象为节点,并利用超图拓扑表征工艺参数间复杂的多元关系。在微观尺度上,通过权重矩阵的离散计算量化节点间的静态关联,使模型能够捕捉系统的短期性能特征;在宏观尺度上,采用长短期记忆网络对权重的时序演化进行建模,从而刻画系统的长期演化规律。框架集成多模态数据融合与物理信息神经网络约束,以增强小样本场景下的泛化能力。该方法通过履带车辆橡胶衬套压装工艺案例进行实证验证。对比研究表明,QS-HGNN在建模精度上优于静态与动态超图神经网络。最终,该模型被部署于智能数字孪生系统中,实现实时压装质量预测与工艺控制。实验结果表明,质量性能显著提升:合格率从70%提高至100%,且工艺稳定性大幅增强。本研究为具有渐进性能演化的制造工艺系统数字孪生建模提供了一条高精度、低数据成本的路径,并为智能工艺优化与质量保证奠定了可扩展的基础。
研究背景与意义
在智能制造时代,数字孪生技术是优化制造工艺的关键使能技术。制造工艺系统的数字孪生需在工艺参数、过程状态与最终产品质量间建立映射关系。有效的工艺模型能够在制造前或制造过程中预测产品质量,从而实现及时干预与调整。这种预测能力将传统制造质量管理从被动的“生产后检验”转变为主动的预测、预防与控制模式,对实现智能制造目标至关重要。
然而,构建制造工艺系统的数字孪生模型面临巨大挑战。模型必须实时准确地表征系统的功能行为与性能,并捕捉系统性能随时间的动态演化。在运行过程中,刀具或设备磨损、夹具重复性、环境条件及材料接触特性等因素会经历渐进或突变,导致工艺系统性能随累积运行时间发生动态演化,呈现出短期内近似稳定、长期逐渐变化的准静态特征。这一现象普遍存在于许多制造场景中,其严重程度因具体工艺而异。例如,金属切削系统的性能漂移通常较慢,而涉及橡胶等柔性材料的装配系统则往往经历更快速且显著的变化。这种渐进性能演化常导致即使工艺参数设置相同,产品质量也存在变异性,对制造工艺建模构成关键挑战。
现有建模方法在应对此挑战时存在根本局限。基于机器与深度学习的数据驱动方法虽理论上可逼近复杂函数映射,但制造业属于数据稀缺领域,每个数据点对应一件物理产品的生产,大规模数据采集在经济上不可行。超图神经网络(HGNN)通过将多元关联显式建模为超图结构,提供了一种有前景的替代方案,其中一条超边可同时连接多个节点以表征多因素联合影响。通过将领域知识嵌入超图拓扑,HGNN能有效降低数据依赖性。然而,标准HGNN假设节点关系静态,无法捕捉系统性能随时间的动态演化。动态HGNN通过引入图结构的时间建模来解决此限制,但这类方法需要对节点特征、图拓扑和关联权重同时进行全局时间建模,导致模型复杂度高且数据需求量大,而这正是制造系统无法满足的约束条件。
因此,现有方法无法在小样本条件下有效建模制造系统的渐进性能演化。本研究提出准静态HGNN(QS-HGNN)建模方法来填补这一空白。其核心思想基于准静态假设:工艺因素间的关联强度在单个制造周期内近似恒定,而在周期间逐渐演化,且关联本身保持不变。因此,制造系统表现出“功能恒定,性能演化”的特征——当用超图表示时,即转化为“拓扑固定,权重时变”。稳定的功能关联(基于领域知识)被编码到超图拓扑中;关联强度的渐进演化则通过长短期记忆(LSTM)网络对超边权重矩阵进行时域建模来捕捉。该方法有效实现了拓扑表示与权重演化的解耦建模,显著缓解了小样本条件下的建模难度。
研究方法
为开展此项研究,研究人员采用了以下关键技术方法:
- 1.
准静态超图神经网络架构设计:构建了QS-HGNN模型,其核心是将连续时间演化离散化为一系列静态快照。在每个离散时间点,通过图卷积操作求解权重矩阵,量化工艺参数与质量间的映射关系,区分时变与时不变因素。基于此获得的离散时间序列权重矩阵,采用渐进演化时序模型捕捉系统变化的长期趋势。
- 2.
权重矩阵估计与超图卷积:将每个制造实例视为独立超图,通过两层空间域超图卷积进行特征学习。推导了权重矩阵的计算公式,并利用Moore-Penrose伪逆进行求解,从而获得反映各时间点系统状态的权重矩阵集合。
- 3.
时序建模与物理信息约束:定义历史窗口,利用LSTM网络基于历史权重矩阵序列预测下一时间点的权重矩阵。结合初始节点特征和超图关联矩阵,通过超图卷积预测装配质量。引入级联多任务物理信息神经网络(CM-PINN)损失项,将制造工艺参数、过程变量与质量间的机理关系作为物理约束嵌入建模过程,提升小样本下的泛化能力。
- 4.
案例研究与实验验证:以履带车辆橡胶衬套压装系统为案例,构建了包含12个节点和4条超边的超图结构,编码了工艺参数、过程变量与质量指标间的物理机制与工程领域知识。数据集来源于工业压装生产线约10个月的运行记录,经滑动时间窗口策略构建而成。
研究结果
1. 离线评估模型性能
离线实验表明,QS-HGNN在多项装配质量指标上展现出强大的准确性与一致性。对于履带板位置的回归预测,决定系数R2达84.64%;对于溢胶距离的回归预测,R2达85.2%。在结构完整性预测的分类任务中,模型在区分“完好”与“损坏”状态时达到100%的准确率。这主要归因于引入的物理信息CM-PINN损失约束,显著增强了模型对结构完整性的分类能力。
与静态和动态HGNN的对比实验进一步验证了QS-HGNN的优越性。静态HGNN由于权重矩阵固定,无法解释10个月生产数据中观察到的渐进性能演化,其R2值最低。动态HGNN对所有节点特征和图结构进行全局时间建模,所需参数量超过170个样本的有效支撑能力,导致其预测不稳定。相比之下,QS-HGNN在保持可控参数空间的同时,实现了最高的预测精度,其紧凑结构(固定拓扑、建模权重矩阵演化)与压装系统的准静态本质相符。训练曲线分析也显示,QS-HGNN保持了稳定的训练过程,并最终达到更低的损失值,表现出优异的收敛性能。消融实验证实,力-位移曲线特征、图像特征以及物理信息约束均对预测精度有显著贡献。
2. 数字孪生部署与在线性能评估
QS-HGNN压装工艺模型被部署到孪生智能压装系统中。该系统由物理部分的“孪生智能压装系统”和数字部分的“工艺系统孪生模型”组成,遵循包含参数采集、初始参数优化、压装执行、动态参数优化、质量评估与模型更新五个阶段的完整闭环机制。
在决策模型方面,研究提出了分步决策策略。压装开始前,基于静态参数(几何与环境参数)通过轻量级多层感知器生成初始压装速度。在压装执行过程中,收集前六个衬套的力-位移曲线和关键帧图像作为过程变量,输入训练好的前向预测模型,以确定最终阶段的过压距离和回压距离参数。系统采用“先仿真,后实装”的方案,结合强化学习与增量学习,在虚拟环境中预训练决策模型生成模拟经验,再部署到真实系统进行微调,并通过增量学习机制利用新装配数据与历史数据迭代更新模型,防止灾难性遗忘。
部署后的模型性能评估显示,增量优化方案显著提升了装配精度:履带板位置偏差从非优化方案下的分散状态收敛至集中分布;橡胶衬套位置偏差中位数接近-0.2毫米且离散度减小;溢胶量得到显著控制。合格率统计表明,履带板位置合格率从70.3%提升至100%,溢胶状态合格率从81.48%提升至100%,损伤状态合格率从88.89%提升至100%。橡胶衬套位置合格率在所有方案中均保持稳定在100%,表明该参数对优化策略不敏感。模型部署并持续更新后,所有质量指标均趋于稳定,整体装配质量显著改善,证实了该方法在适应生产环境变化和实现装配质量持续改进方面的有效性。
讨论与结论
本研究针对制造工艺系统动态性能演化与小样本数据建模的挑战,提出了QS-HGNN建模方法,并以履带车辆橡胶衬套压装系统为案例进行了验证。主要结论如下:
- 1.
提出了制造工艺系统性能的“微观静态-宏观演化”准静态假设,并据此开发了QS-HGNN建模方法。该方法通过超图结构显式表征工艺参数间的多元相关性,通过离散权重矩阵求解实现空间相关性建模,并利用LSTM时序机制捕捉时间演化,有效平衡了模型复杂度与精度,克服了传统动态模型对大数据集的依赖。
- 2.
在履带车辆橡胶衬套压装工艺上验证了该建模方法。通过多模态数据处理方法融合了力-位移曲线、图像数据和工艺参数,并引入PINN约束,增强了模型在小样本条件下的泛化能力。对比研究表明,QS-HGNN在建模精度上优于传统静态和动态超图网络,且其损失曲线显示出稳定的训练过程和更低的终值,表现出优异的收敛性能。
- 3.
将QS-HGNN模型部署于橡胶衬套压装智能数字孪生系统中。以所提出的质量预测模型为核心,系统通过增量学习实现了基于QS-HGNN的工艺参数动态优化,形成了从预测建模到工艺优化及模型更新的完整闭环。实验结果表明,应用此方法优化工艺后,关键产品质量指标的离散度降低了40%,质量合格率从70.3%提高至100%,验证了QS-HGNN方法在制造工艺系统建模与优化中的有效性与实用性。
总之,本研究提出的QS-HGNN建模方法为具有动态性能演化的制造工艺系统数字孪生建模提供了新的理论途径,并为工业场景中大样本动态建模的挑战提供了可行的技术方案。该工作在推动智能制造领域发展方面具有重要的理论与实践价值。