基于图神经网络的压铸气孔空间分布预测方法及系统

本技术涉及高压压铸智能制造领域，具体地，涉及一种基于图神经网络的压铸气孔空间分布预测方法及系统。

背景技术：

1、高压压铸铸件中的气孔缺陷在空间上呈现非均匀分布规律性：充型过程中气体的卷入与滞留受充型路径、汇流位置、排气条件等物理因素影响，导致气孔倾向于在特定区域（如远浇口区、多流汇流区、薄壁转角区等）聚集。

2、现有气孔空间分布预测相关技术存在以下主要不足：

3、（1）充型路径先验知识未被利用：现有技术未将铸件区域拓扑属性（如是否连通内浇口、是否为汇流区等）和充型路径距离（近/中/远端）等工业先验知识结构化融入模型，导致模型对高风险区域（远浇口区、汇流区）的识别能力不足。

4、（2）稀疏铸件漏检率偏高：压铸生产数据中，部分铸件仅有极少数区域存在气孔（稀疏铸件），这类铸件在训练数据中占比低，常规训练策略对其学习不充分，铸件级漏检率偏高，而漏检对工业质量管控的危害远大于误报。

5、（3）节点级概率输出缺失：现有技术通常输出铸件整体的分类结果，缺乏各子区域的独立气孔概率输出，无法支持铸件区域级的差异化风险评估和针对性工艺改进。

6、因此，有必要提出一种压铸气孔空间分布预测方法，以解决上述技术问题。

技术实现思路

1、针对现有技术中的缺陷/之一，本技术的目的是提供一种基于图神经网络的压铸气孔空间分布预测方法及系统。

2、根据本技术的第一方面，提供一种基于图神经网络的压铸气孔空间分布预测方法，包括：

3、将铸件划分为多个子区域作为图结构中的节点，基于区域间空间相邻关系构建所述图结构的边；

4、获取节点初始特征，将表示充型路径距离的类别特征经可学习嵌入层映射为连续嵌入向量，并与表示区域拓扑属性的二元特征组合生成位置编码向量；将所述位置编码向量与所述初始特征拼接，得到节点输入特征；

5、将所述节点输入特征输入图注意力网络执行多层消息传递，输出各节点气孔概率预测值；

6、构建训练批次时，对正样本节点数量不大于稀疏阈值的铸件样本提高采样权重；基于所述气孔概率预测值与真实标签计算损失，反向更新所述图注意力网络及所述可学习嵌入层的参数；

7、利用训练好的网络对待预测铸件独立输出各节点气孔概率值，得到气孔空间分布预测结果。

8、可选地，所述表示区域拓扑属性的二元特征包括：区域所属的内浇口直充区、多流汇流区、连通渣包区以及其他填充区；

9、所述表示充型路径距离的类别特征，是通过将各区域与内浇口的充型路径距离按预设阈值区间离散化得到的多个距离类别。

10、可选地，所述多层图注意力消息传递采用图注意力网络v2卷积算子，以捕捉相邻子区域间充型状态与气孔演化的关联强度，其注意力系数基于目标节点与相邻源节点特征拼接后，经线性映射与非线性激活动态计算得到；

11、所述多层图注意力消息传递由多层图注意力计算层依次串联构成，每层依次执行注意力特征聚合、批归一化、elu激活与残差连接操作；

12、相邻节点间的显式边权重通过高斯距离核基于子区域间的三维空间物理距离计算得到，以表征压铸过程中金属液流动与热传导的空间衰减效应，并在消息传递过程中与所述注意力系数融合，用于节点特征加权聚合。

13、可选地，在提高采样权重的步骤中，所述稀疏阈值和采样权重提升倍数作为可配置训练超参数，根据训练数据集中气孔缺陷的统计分布特征进行预设；

14、在构建训练批次时，过滤正样本节点数为零的铸件样本，仅对正样本节点数大于零且不大于所述稀疏阈值的铸件样本执行权重提升。

15、可选地，在模型训练阶段，还包括：

16、采用k折交叉验证对模型性能进行评估，训练集与验证集按铸件整体进行划分，使得同一铸件的节点不同时分配至训练集和验证集；

17、计算验证集的节点级auc和铸件级召回率，所述铸件级召回率为对每个铸件独立计算正样本节点召回率后求取算术平均值；

18、根据所述节点级auc和所述铸件级召回率，通过超参数搜索迭代确定最优网络结构。

19、可选地，所述方法还包括执行推理数据预处理的步骤，具体为：

20、加载模型训练阶段保存的特征归一化参数，对推理输入的包含压铸工艺参数与几何属性的节点特征执行与训练阶段一致的数值变换，以消除不同物理量纲的差异；

21、读取训练阶段预存的特征名称索引列表，对推理输入的节点特征向量按所述索引列表进行维度顺序对齐，确保推理时的工艺与几何特征输入维度与模型训练阶段一致。

22、可选地，在利用训练好的网络对待预测铸件独立输出各节点气孔概率值之后，还包括：

23、以铸件几何轮廓为底图，将各节点对应的气孔概率值映射至空间坐标位置，生成气孔风险空间分布图。

24、根据本技术的第二方面，提供一种基于图神经网络的压铸气孔空间分布预测系统，包括：

25、图结构构建模块，用于将铸件划分为多个子区域作为图结构中的节点，基于区域间空间相邻关系构建所述图结构的边；

26、节点位置编码模块，用于获取节点初始特征，将表示充型路径距离的类别特征经可学习嵌入层映射为连续嵌入向量，并与表示区域拓扑属性的二元特征组合生成位置编码向量；将所述位置编码向量与所述初始特征拼接，得到节点输入特征；

27、图注意力消息传递模块，用于将所述节点输入特征输入图注意力网络执行多层消息传递，输出各节点气孔概率预测值；

28、稀疏铸件过采样模块，用于构建训练批次时，对正样本节点数量不大于稀疏阈值的铸件样本提高采样权重；基于所述气孔概率预测值与真实标签计算损失，反向更新所述图注意力网络及所述可学习嵌入层的参数；

29、节点级气孔概率输出模块，用于利用训练好的网络对待预测铸件独立输出各节点气孔概率值，得到气孔空间分布预测结果。

30、根据本技术的第三方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行第一方面所述的方法。

31、根据本技术的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时可用于执行第一方面所述的方法。

32、本技术提供的基于图神经网络的压铸气孔空间分布预测方法，融合区域拓扑与充型距离的位置编码向量将物理先验融入模型，显著提升远浇口等高风险区的识别准确率；利用多层图注意力消息传递机制有效捕捉相邻区域间的风险传播特征，增强模型对空间上下文的聚合能力；针对气孔稀疏性引入过采样机制，提升稀疏铸件采样权重，改善对低频气孔模式的学习，缓解类别不平衡导致的漏检；通过节点级概率独立输出突破铸件级分类局限，提供细粒度空间分辨率，为工艺优化提供定量决策依据。本技术实现了气孔缺陷的高精度、细粒度空间分布预测。

33、由附加特征带来的其他技术效果将在相应的实施例中进一步阐述。