基于状态交织Transformer的工件装夹顺序智能优化方法及系统
本发明属于智能装夹,更具体地,涉及一种基于状态交织transformer的工件装夹顺序智能优化方法及系统。
背景技术:
1、在航空航天、汽车制造等高端装备制造领域,广泛存在着薄壁件等弱刚度工件。在机械加工过程中,为了固定工件,必须施加夹紧力。然而,弱刚度工件极易受装夹力的影响而产生弹性变形,导致加工完毕卸载后工件回弹,严重影响最终的加工精度。在多点装夹场景下,夹紧操作的先后顺序会显著改变工件内部的应力重分布状态,从而导致截然不同的最终变形量。因此,如何在加工前规划出最优的装夹顺序,以最小化装夹变形,是精密制造领域亟待解决的核心主题。
2、针对弱刚度工件装夹顺序与变形控制问题,专利文献cn113351891b给出了目前行业内广泛采用的一种高精度工艺优化路线:即利用有限元软件(如abaqus)建立物理场模型,并结合启发式寻优算法(如遗传算法)对装夹位置序列进行迭代寻优。该类方法属于典型的“在线迭代仿真”范式。在算法(如遗传算法的种群繁衍)的迭代寻优过程中,需要成百上千次地调用有限元求解器进行隐式力学计算,以获取每一次尝试的变形量作为适应度函数。对于包含多步装夹序列的复杂工艺,其计算时间成本呈指数级增长,单次方案优化动辄耗费数小时甚至数天。这种极其高昂的算力成本导致该类技术仅能停留在离线的工艺规划阶段,完全无法满足现代智能制造现场对“实时受力感知、毫秒级动态决策”的工业需求。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本发明提供了一种基于状态交织transformer的工件装夹顺序智能优化方法及系统,其通过采用引入“试错-回滚”机制的贪心路径寻优策略,利用有限元隐式力学求解器控制物理模型建立临时分析步进行数值求解,精确捕获各候选点位装夹后的位移场与平均变形量,并结合状态锚点与最优动作固化技术打包形成高质量时序样本数据,在实际生产的在线推理控制阶段,通过将连续物理状态与离散装夹动作进行高维异构特征映射对齐,并按照物理时间步进行拉链式交织拼接与位置编码叠加,利用带有上三角因果掩码矩阵的决策transformer模型严守物理时序因果律,实现了复杂多步装夹过程的全局最优化恒定控制,同时基于并行矩阵级叠加运算的动态防碰撞合法性约束逻辑,算法实时遍历历史已执行装夹序列,将初始动作概率分布张量中属于已操作点位的概率得分强制屏蔽修正为负无穷大,并通过最大值检索模型在毫秒级时间内转换为最优合法动作指令,有效提升了多点装夹顺序优化的计算效率,显著减小了弱刚度工件在加工过程中的弹性变形,保证了最终加工卸载后的尺寸精度与产品合格率,能够满足航空航天、汽车制造等领域高精密薄壁结构件的加工要求。
2、为实现上述目的,按照本发明的一个方面,提出了一种基于状态交织transformer的工件装夹顺序智能优化方法,包括以下步骤:
3、s100,获取工件在不同装夹工况下的物理模型,采用带有试错与状态回滚机制的寻优策略进行多轮次路径迭代演变,在每次决策时,遍历当前未装夹目标点位并评估其变形指标,选择满足要求的点位作为当前最优动作,并在固化所述最优动作对应的物理状态特征后执行状态回滚,循环直至所有点位分配完毕,生成由物理状态与操作动作交替构成的时序样本数据;
4、s200,将步骤s100生成的物理状态特征与操作动作特征分别映射至同等维度的隐藏特征空间,利用序列交织算法将两者严格按照时间步进行交织拼接并叠加位置编码,构建出显式保留装夹先后时序特征的模型输入张量;
5、s300,构建带有自注意力机制的决策网络模型,采用所述模型输入张量对所述决策网络模型进行训练;
6、s400,实时采集工件当前的物理状态特征以及作业记录中的历史已装夹序列,并按照步骤s200的序列交织算法构造实时上下文张量,并输入至步骤s300中训练完毕的决策网络模型中,计算得到初始动作概率分布,基于动态合法性防碰撞约束逻辑,遍历历史已执行序列并对所述初始动作概率分布中属于已操作点位的概率得分进行惩罚性屏蔽修正,对修正后的概率分布进行最优检索,输出得分最高的合法动作指令,控制外部装夹设备执行下一步装夹决策。
7、作为进一步优选的,所述步骤s100中时序样本数据的构建步骤具体包括:
8、s101,在离线数据生成阶段,初始化工件的装夹物理模型,进行几何模型导入、材料属性设置与网格划分,并提取初始无受力状态下的支反力张量作为状态锚点;
9、s102,以所述状态锚点为物理基准在所有待装夹点位中随机选定并执行第一步装夹动作,通过在物理模型中固定该初始装夹位置下表面的多轴位移、并在对应上表面施加下压量,来模拟第一步装夹状态;
10、s103,针对当前所有剩余未装夹的候选点位,分别在物理模型中为每个候选点位建立用于试探的临时分析步,并施加边界条件,以对工件的受力平衡状态进行求解计算;
11、s104,在求解完成后,提取每个临时分析步中工件节点集合的位移场,并基于各节点在不同坐标轴方向的位移分量计算工件的平均变形量,以此作为所述变形指标;
12、s105,比对所有候选点位对应的平均变形量试错结果,记录使工件平均变形量最小的候选点位,将其选定为当前的最优装夹动作;
13、s106,执行状态回滚操作,删除所有用于试探的临时分析步以保证模型状态的连续性,随后将所述最优装夹动作正式施加于物理模型中,并提取此时工件各支撑点的多轴支反力矩阵作为当前固化的物理状态;
14、s107,循环执行步骤s103至步骤s106的过程,直至所有待装夹点位分配完毕,将最终生成的时序动作列表与对应的物理状态特征矩阵列表保存为单条时序样本数据。
15、作为进一步优选的,所述平均变形量的计算公式包括:
16、
17、,为节点总数,,i为节点,为平均变形量。
18、作为进一步优选的,步骤s200包括以下步骤:
19、s201将时序样本数据中连续的物理状态特征向量输入至线性层全连接网络中,投影映射为设定维度的状态隐层张量;
20、s202,在序列交织构建前,提取状态锚点并进行全零化或线性变换处理,生成零号时刻状态锚点张量,将其作为整个长序列的起始头部特征,用以显式表征工件在初始未受力状态下的初始边界;
21、s203,构建长序列张量,将所述零号时刻状态锚点张量填充至长序列张量的零号索引位置,随后将各个时间步对应的状态隐层张量依次填充至所述长序列的偶数索引位置,将各个时间步对应的动作隐层张量依次填充至所述长序列的奇数索引位置,形成状态与动作在物理时间轴上严格交替、拉链式交织拼接的因果上下文字符串张量;
22、s204,根据所述长序列中各元素的绝对索引位置,计算并生成非周期性可学习的位置编码矩阵或正余弦固定位置编码矩阵,将所述位置编码矩阵以元素对应相加的方式叠加至所述因果上下文字符串张量上,以赋予模型捕获工艺步骤绝对时序与相对空间拓扑关联的能力,最终构建出显式保留装夹先后时序特征的模型输入张量。
23、作为进一步优选的,步骤s201还包括:将代表离散装夹动作的动作id标签输入至嵌入层embedding网络中,同样投影映射为与所述状态隐层张量同等维度的动作隐层张量,实现异构多模态特征的降维对齐与空间表征。
24、作为进一步优选的,步骤s203中,利用双指针或索引映射算法构建长度为2t的统一长序列张量,其中,t为工件的总装夹点位数。
25、作为进一步优选的,步骤s300包括:
26、s301,构建包含多个多头自注意力层与前馈神经网络层级联的决策transformer模型,将模型输入张量作为当前时间步的上下文线索输入至所述决策transformer模型中;
27、s302,提取经过因果自注意力层计算后输出序列中所有对应物理状态位置的特征隐向量,将所述特征隐向量输入至设计好的动作预测头网络中,通过线性层映射与概率激活,计算得到下一步所有候选待装夹点位的初始动作概率分布;
28、s303,提取时序样本数据中对应的真实最优装夹动作标签,计算所述动作预测头网络输出的初始动作概率分布与所述真实最优装夹动作标签之间的交叉熵损失函数,针对所述时序样本数据中的初始随机探索阶段,采用全零的损失掩码权重以剔除随机探索误差的干扰,对有效工艺阶段配置全一的损失掩码权重,根据所述损失掩码权重对交叉熵损失函数进行加权修正,并通过梯度反向传播算法计算全局网络参数的梯度,利用优化器对整个决策网络模型的权重进行全局迭代更新与固化。
29、作为进一步优选的,在所述多头自注意力层的权重矩阵计算过程中,构建一个上三角区域元素均为负无穷、下三角及对角线区域元素均为零的因果掩码矩阵,将所述因果掩码矩阵叠加至注意力权重评分矩阵上进行softmax归一化,强制阻断未来时序信息向过去或当前时间步的反向传播,限制模型在预测当前步动作时仅能捕获当前时刻及历史已发生的物理状态与装夹动作特征。
30、作为进一步优选的,步骤s400中,所述遍历历史已执行序列并对所述初始动作概率分布中属于已操作点位的概率得分进行惩罚性屏蔽修正包括:
31、基于动态合法性防碰撞约束逻辑,遍历所述历史已执行的装夹点位序列,检索出在先前工艺步中已被操作过的装夹点位标签,随后在所述初始动作概率分布张量中,将所有与所述已被操作过的装夹点位标签对应的概率得分值强制修改为负无穷大,通过概率空间屏蔽阻断因重复装夹导致的夹具干涉与碰撞;
32、所述对修正后的概率分布进行最优检索包括:采用最大值检索算法对经过所述动态防碰撞约束修正后的概率分布张量进行检索,输出概率得分最高的合法动作id标签作为当前时刻的动态最优装夹指令。
33、按照本发明的另一个方面,还提供了一种基于状态交织transformer的工件装夹顺序智能优化系统,包括:
34、第一主控模块,用于获取工件在不同装夹工况下的物理模型,采用带有试错与状态回滚机制的寻优策略进行多轮次路径迭代演变,在每次决策时,遍历当前未装夹目标点位并评估其变形指标,选择满足要求的点位作为当前最优动作,并在固化所述最优动作对应的物理状态特征后执行状态回滚,循环直至所有点位分配完毕,生成由物理状态与操作动作交替构成的时序样本数据;
35、第二主控模块,用于将物理状态特征与操作动作特征分别映射至同等维度的隐藏特征空间,利用序列交织算法将两者严格按照时间步进行交织拼接并叠加位置编码,构建出显式保留装夹先后时序特征的模型输入张量;
36、第三主控模块,用于构建带有自注意力机制的决策网络模型,采用所述模型输入张量对所述决策网络模型进行训练;
37、第四主控模块,用于实时采集工件当前的物理状态特征以及作业记录中的历史已装夹序列,并按照第二主控模块的序列交织算法构造实时上下文张量,并输入至第三主控模块中训练完毕的决策网络模型中,计算得到初始动作概率分布,基于动态合法性防碰撞约束逻辑,遍历历史已执行序列并对所述初始动作概率分布中属于已操作点位的概率得分进行惩罚性屏蔽修正,对修正后的概率分布进行最优检索,输出得分最高的合法动作指令,控制外部装夹设备执行下一步装夹决策。
38、总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
39、1.本发明通过融合有限元贪心物理场仿真数据与决策transformer序列智能推理,一方面有效提升了多点装夹顺序优化的计算效率;另一方面显著减小了弱刚度工件在加工过程中的弹性变形,保证了最终加工卸载后的尺寸精度与产品合格率,能够满足航空航天、汽车制造等领域高精密薄壁结构件的加工要求。
40、2.本发明引入了带有“试错-回滚”机制的贪心策略用于离线仿真数据生成,将寻找最优装夹路径的有限元计算复杂度从全局遍历的指数级大幅降低,极大节约了算力能耗与数据构建时间,能够显著提升前端工艺规划的效率。
41、3.本发明实现了物理支反力状态感知与装夹决策指令的端到端时序控制,装夹变形控制精度与在线响应速度显著提升。
42、4.本发明通过提取工件多点的支反力状态与离散装夹动作进行时序交织拼接,并采用带有因果掩码的决策transformer模型获取状态隐向量,对下一步加工动作概率进行推演,实现了复杂多步装夹过程的全局最优化恒定控制。
43、5.本发明在线推理模块将预测的动作概率与历史已执行动作进行比对,将防碰撞约束转化为动态概率掩码,通过强制屏蔽已操作的点位来修正输出指令,进而指导实际设备的动作,实现了工件与夹具的绝对安全交互,彻底避免了现场误操作。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com