基于特征线性调制图神经网络的压铸物理场预测方法和系统

本技术涉及高压压铸智能制造与过程建模，具体地，涉及一种基于特征线性调制图神经网络的压铸物理场预测方法和系统。

背景技术：

1、高压压铸（hpdc）过程中，熔融金属在高速高压条件下充填型腔，充型阶段产生的温度场、速度场、压力场等物理场的空间分布直接决定铸件气孔缺陷的形成位置与严重程度。准确预测各功能区域的物理场特征，是实现气孔缺陷预测和工艺参数优化的核心前提。

2、现有物理场预测方法存在以下主要不足：

3、（1）数值仿真方法（procast、magma等）物理精度高，但单次仿真耗时数小时至数十小时，无法满足工艺实时优化的需求，且存在网格离散误差和数值扩散。

4、（2）传统数据驱动方法将各功能区域视为独立样本，忽略区域间热传导、压力传播等物理耦合关系，对具有强空间关联性的物理场预测精度有限。

5、（3）现有图神经网络方法未针对工艺参数（铸件级全局信号）与几何特征（区域级局部信号）之间的粒度不匹配问题进行专项设计。工艺参数经广播拼接静态引入节点特征后，随图消息传递层数增加其全局调制信号持续被稀释，无法在各层保持对节点特征的有效调制。

6、（4）多物理场联合预测时，现有方法通常采用共享输出头，不同目标变量之间的梯度干扰影响各目标的独立预测精度。

7、（5）部分物理场量因充型路径固定、压铸机档位响应等工程因素，在不同铸件间呈现离散分档分布特征，对此类物理场量采用连续回归预测策略会引入系统性量化误差。

8、申请号为202511172912.1的中国专利公开了一种基于几何门控注意力机制的结构感知图神经网络物理场预测方法，其核心在于提取标准化几何特征构建图结构，通过边级几何特征驱动门控函数生成动态调节因子，对注意力权重进行几何调制与归一化，最终经多头特征拼接输出节点表征并完成模型训练。但其仅依赖局部几何特征对注意力权重进行单层调制，未建立全局工艺参数对网络深层特征的逐层动态调控机制，且缺乏对离散档位型物理场的解耦处理策略，导致在工况迁移时全局信号易被局部信息稀释，模型泛化能力与多物理场混合输出的工程稳定性不足。

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特征线性调制图神经网络的压铸物理场预测方法和系统。

2、本技术的第一方面，提供一种基于特征线性调制图神经网络的压铸物理场预测方法，包括：

3、构建铸件网格图结构数据，获取节点级几何特征与位置编码，以及获取铸件级全局工艺参数；

4、对所述节点级几何特征与位置编码进行特征融合投影，生成初始节点隐状态向量，并基于所述全局工艺参数生成逐层特征线性调制参数；

5、将所述初始节点隐状态向量与所述逐层特征线性调制参数输入至多层特征线性调制图注意力网络核心层，执行邻居信息聚合与工艺动态调制，输出最终节点特征表示；

6、基于所述最终节点特征表示，通过多目标独立回归头并行输出各连续型物理场预测值，并将类别型物理场真值旁路直读；

7、将所述连续型物理场预测值与所述类别型物理场真值按节点维度拼接，输出完整的物理场预测结果。

8、可选地，所述构建铸件网格图结构，获取节点级几何特征与位置编码，以及获取铸件级全局工艺参数，包括：

9、将铸件三维模型离散划分为m个功能区域作为图节点，其中m为整数，m≥2；

10、基于所述图节点间的空间邻接关系确定图的边集合，构建初始图拓扑结构；

11、计算任意相邻图节点i与j之间的空间距离，采用高斯核函数计算边权重，计算公式为：

12、；

13、其中，为带宽参数，其取值由所有相邻节点间空间距离分布的统计特征确定；

14、从铸件三维模型中提取各节点的节点级几何特征与位置编码，并从压铸工艺设定中获取铸件级全局工艺参数；

15、最终生成包含节点集合、边集合、边权重矩阵、节点级几何特征、位置编码及铸件级全局工艺参数的完整输入数据。

16、可选地，所述对所述节点级几何特征与位置编码进行特征融合投影，生成初始节点隐状态向量，并基于所述全局工艺参数生成逐层特征线性调制参数，包括：

17、将所述位置编码进行位置嵌入，并与所述节点级几何特征进行拼接或加权融合，得到节点局部特征表示；

18、将所述节点局部特征表示输入至线性投影层，映射至预设隐空间维度，生成初始节点隐状态向量；

19、将所述铸件级全局工艺参数输入至film生成器，经层归一化与非线性激活函数处理后，为后续所述多层特征线性调制图注意力网络核心层的每一层独立输出缩放系数与偏置项，作为所述逐层特征线性调制参数，其中l表示网络核心层索引。

20、可选地，所述将所述初始节点隐状态向量与所述逐层特征线性调制参数输入至多层特征线性调制图注意力网络核心层，执行邻居信息聚合与工艺动态调制，输出最终节点特征表示，包括：

21、构建堆叠l层的多层特征线性调制图注意力网络核心层，其中第

l层的前向传播过程，具体为：

22、基于图注意力卷积机制，计算当前节点

i与其邻居节点集合

n(

i)中各节点的注意力权重，加权聚合邻居特征及自身特征，得到第

l层的初步聚合特征向量，表示第i层执行的图注意力卷积机制；

23、获取由调制生成器为第

l层独立输出的缩放系数与偏置项；

24、对所述初步聚合特征向量执行逐元素仿射变换，计算公式为：

25、

26、其中，⊙表示逐元素乘法，为第

l+1层的节点特征向量；

27、将第

l层输出的所述节点特征向量作为第

l+1层的输入，重复执行上述邻居信息聚合与工艺动态调制步骤，直至完成第

l层计算，输出最终节点特征表示

h(

l)。

28、可选地，所述gatv2conv的注意力系数计算方式为：

29、

30、其中表示从节点j到节点i归一化注意系数，为可学习权重矩阵，为注意力向量，为向量拼接，leakyrelu表示非线性激活函数。

31、可选地，所述基于所述最终节点特征表示，通过多目标独立回归头并行输出各连续型物理场预测值，并将类别型物理场真值旁路直读，包括：

32、将所述最终节点特征表示分别输入至多个相互隔离的独立回归头，并行输出各连续型物理场目标变量的节点级预测值；

33、针对类别型物理场目标，跳过多层特征线性调制图注意力网络核心层计算，直接从预存文件中读取其归一化真值；

34、将所述连续型预测值与所述类别型真值按节点维度拼接，生成完整的物理场预测结果。

35、可选地，所述film生成器、多层特征线性调制图注意力网络核心层和多目标独立回归头构成整体模型，对所述整体模型的训练与评估，具体为：

36、以各连续型目标变量的预测值与真实值之间的huber损失之和为损失函数，训练模型；

37、定义模型评估指标，以各目标变量决定系数r²均值为评估指标；

38、采用k折交叉验证评估模型，数据集按铸件整体划分以防止区域级特征泄漏，并依据所述评估指标计算各折的量化结果，同时记录各折间标准差以评估模型稳定性；

39、基于所述r²均值及所述折间标准差评估执行超参数搜索，筛选适配任务的最优网络结构；

40、在筛选过程中，选取k折验证集r²均值最高的整体模型，保存该整体模型的权重文件。

41、可选地，还包括：

42、在模型训练阶段，对输入数据执行归一化处理，并将拟合得到的归一化参数序列化保存为参数文件；

43、在模型推理阶段，加载所述参数文件，对新输入的原始数据执行与训练阶段完全一致的归一化操作。

44、可选地，还包括：

45、对输入特征执行基于排列重要性的递归特征消除，所述输入特征包括节点级几何特征、位置编码特征及铸件级工艺参数。

46、本技术的第二方面，提供一种基于特征线性调制图神经网络的压铸物理场预测系统，包括：

47、图数据构建模块，构建铸件网格图结构数据，获取节点级几何特征与位置编码，以及获取铸件级全局工艺参数；

48、特征嵌入与调制生成模块，对所述节点级几何特征与位置编码进行特征融合投影，生成初始节点隐状态向量，并基于所述全局工艺参数生成逐层特征线性调制参数；

49、film-gnn核心推理模块，将所述初始节点隐状态向量与所述逐层特征线性调制参数输入至多层特征线性调制图注意力网络核心层，执行邻居信息聚合与工艺动态调制，输出最终节点特征表示；

50、多目标输出与旁路路由模块，基于所述最终节点特征表示，通过多目标独立回归头并行输出各连续型物理场预测值，并将类别型物理场真值旁路直读；

51、特征拼接与结果输出模块，将所述连续型物理场预测值与所述类别型物理场真值按节点维度拼接，输出完整的物理场预测结果。

52、本技术提供的基于特征线性调制图神经网络的压铸物理场预测方法，通过特征线性调制生成器为图注意力网络每层独立生成调制参数对，在每层消息传递完成后执行仿射变换，使工艺参数的全局调制信号在图神经网络的每一层均得到有效保持，克服了工艺信号随层数增加而衰减的问题。通过多目标独立回归头并行输出各连续型物理场预测值，各预测头之间参数完全独立，消除了多任务学习中不同目标变量之间的梯度干扰，使各物理场目标的预测精度得到独立优化，整体r²均值超过0.83，折间标准差低于0.025。通过残差分布诊断识别离散分档型物理场量，设置旁路直读机制将其归一化真值直接传递至输出层而不经回归预测，消除了对离散物理场量进行连续回归所引入的系统性量化误差，提升了完整物理场预测结果的数值质量。

53、以该方法预测的物理场作为下游气孔分类任务的中间特征时，分类效果优于直接使用数值仿真软件输出的真实物理场，铸件级recall提升约7.8个百分点。该效应源于预测过程对仿真数据局部噪声的隐式滤波，由本方法的训练机制自然产生，无需额外设计去噪模块。

54、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。