一种面向工业设计的智能审核与可制造性评估方法及系统

摘要: 本发明属于工业设计与人工智能交叉,特别涉及一种面向工业设计的智能审核与可制造性评估方法及系统。背景技术:1、随着智能制造与工业设计智能化的推进,工业产品设计逐渐...
一种面向工业设计的智能审核与可制造性评估方法及系统

本发明属于工业设计与人工智能交叉,特别涉及一种面向工业设计的智能审核与可制造性评估方法及系统。

背景技术:

1、随着智能制造与工业设计智能化的推进,工业产品设计逐渐从"经验驱动"向"数据驱动"转型,设计方案的可制造性评估成为提升产品竞争力与生产效率的核心环节。现有基于深度学习的评估方案仍存在多层面本质性缺陷。

2、传统dfm(design for manufacturability,面向制造的设计)仅能实现单一工艺规则的浅层检查,缺乏与设计全流程的深度绑定。近年来出现的图神经网络评估方法虽提升了自动化水平,但仍未突破通用ai模型简单套用的局限。

3、经对现有公开技术的系统梳理,当前方案存在以下四大本质性技术短板:

4、一是网络结构固定静态,约束仅浅层拼接无骨架级调制。现有方法多采用标准gnn、transformer等通用架构,层数、注意力头数、特征维度均为固定配置;制造约束仅在输入层与几何特征拼接后加权融合,属于常规多模态特征拼接范式,约束无法动态改变网络内部结构。

5、二是损失函数通用化,缺乏制造领域专属分层设计。现有方案多为数据损失加物理损失的简单叠加,本质上属于pinn(physics-informed neural network,物理信息神经网络)通用架构,未针对几何拓扑、多工艺规则、多物理场一致性分别构建专属可微分惩罚机制,平衡系数多为固定常数,无法自适应不同工艺场景。

6、三是因果推理层级单一,无人工介入校准机制。现有因果建模多采用"原因—中间状态—结果"三层简易因果链,与通用缺陷因果生成方法结构一致,缺乏工艺专属深度设计;且全程端到端黑箱,无人工交互校验环节,优化建议易与实际工艺经验脱节。

7、四是特征融合机制缺乏制造语义深度引导。现有跨模态融合多采用简单注意力拼接或加权求和,视角权重分配多通过特征拼接加全连接加softmax的标准框架实现,仅将条件输入替换为制造约束,不构成网络结构层面的创新。

8、为解决上述问题,亟需一种在网络骨架层面由制造约束动态调制、在损失函数层面分层专属设计、在推理层面建立带人工特征校验的四阶因果链路、在交互层面支持工程师深度参与的新型智能评估方法。

9、需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了解决或至少缓解以上问题中的一个或多个,提供了一种面向工业设计的智能审核与可制造性评估方法及系统,提出制造约束动态骨架图注意力网络(dynamicskeleton modulated manufacturing-constrained graph graph attention network,ds-mc-g²an),通过约束驱动的动态骨架调制机制实现制造约束直接重塑网络结构;制造约束驱动的分层梯度分流多约束损失函数,针对不同约束类型构建专属可微分惩罚项;构建带人工特征校验修正的四阶因果约束推理模块,实现工程师经验与ai推理深度协同;在编码与推理阶段设置人工交互校验环节,破除纯黑箱局限。

2、为实现上述目的,按照本发明的第一方面,提供一种面向工业设计的智能审核与可制造性评估方法,包括以下步骤:

3、s1、获取输入的三维cad模型,将其解析为边界表示结构,并构建无向属性图,为每个无向属性图的节点构建制造约束特征向量,采用制造约束动态骨架图注意力网络对无向属性图进行编码得到几何拓扑特征,基于制造约束特征向量进行视角特征合成与聚合得到视觉特征,将几何拓扑特征与视觉特征进行跨模态融合得到融合特征,对融合特征进行人工特征校验环节;

4、s2、将人工特征校验后的融合特征作为输入,构建制造约束驱动的分层梯度分流多约束损失函数并对其进行训练,得到可制造性预测模块;

5、s3、利用可制造性预测模块对融合特征进行处理,构建四阶因果图,采用由结构因果模型框架设计的因果效应估计网络计算各设计参数在微小扰动下缺陷概率的变化量,得到各设计参数对缺陷的因果效应强度,引入工艺专属因果单调性约束,自动输出初版优化建议后推送人工特征校验,基于人工特征校验反馈更新因果效应强度,输出优化建议;

6、s4、基于优化建议生成参数调整方案,循环执行编码、人工特征校验、可制造性评估、四阶因果推理和参数优化的闭环迭代,直至满足收敛条件,根据最终综合得分按四级阈值体系划分可制造性等级,输出结构化评估报告。

7、进一步地,为每个无向属性图的节点构建制造约束特征向量,采用制造约束动态骨架图注意力网络对无向属性图进行编码得到几何拓扑特征,基于制造约束特征向量进行视角特征合成与聚合得到视觉特征,将几何拓扑特征与视觉特征进行跨模态融合得到融合特征,对融合特征进行人工特征校验环节,包括:

8、制造约束特征向量包括壁厚约束编码、曲率约束编码、加工能力约束编码、材料性能约束编码和设计规则约束编码;

9、制造约束动态骨架图注意力网络的每个编码层包含动态骨架调制单元、制造约束门控单元、约束感知多头注意力和约束残差聚合;

10、视角特征合成与聚合为基于制造约束特征向量在三维空间沿多个虚拟观测方向进行特征积分与聚合;跨模态融合为将几何拓扑特征与视觉特征进行加权融合;

11、人工特征校验环节包括:系统自动标记高风险区域并推送至工艺工程师,工艺工程师能够手动标记高风险几何面、修正约束参数和补充工艺经验,制造约束动态骨架图注意力网络在接收人工反馈后重新执行对应层编码更新。

12、进一步地,制造约束动态骨架图注意力网络的每个编码层包含动态骨架调制单元、制造约束门控单元、约束感知多头注意力和约束残差聚合,包括:

13、动态骨架调制单元根据全局制造约束摘要向量动态生成每层网络骨架参数,骨架参数包括注意力头数和特征投影维度;

14、制造约束门控单元根据节点制造约束向量动态生成门控信号并逐元素调制节点特征传播权重;

15、约束感知多头注意力在标准注意力分数基础上引入制造约束距离偏置;

16、约束残差聚合将多头注意力聚合结果与制造约束残差项相加并经层归一化,其中制造约束残差项通过线性变换将约束向量直接映射到特征空间,用于防止深层网络中约束信息衰减。

17、进一步地,构建制造约束驱动的分层梯度分流多约束损失函数并对其进行训练,得到可制造性预测模块,包括:

18、制造约束驱动的分层梯度分流多约束损失函数包括任务预测损失、几何拓扑约束损失、制造规则约束损失和物理一致性损失;

19、可制造性预测模块用于输出可制造性预测结果,可制造性预测结果包括可制造性综合得分、缺陷类型概率分布和五维度分项得分,五维度分项得分包括结构可制造性得分、材料可制造性得分、工艺可制造性得分、装配可制造性得分以及成本可制造性得分。

20、进一步地,利用可制造性预测模块对融合特征进行处理,构建四阶因果图,采用由结构因果模型框架设计的因果效应估计网络计算各设计参数在微小扰动下缺陷概率的变化量,得到各设计参数对缺陷的因果效应强度,包括:

21、四阶因果图包括设计参数层、中间制造状态层、缺陷结果层以及人工特征校验修正层;

22、结构因果模型框架通过对设计参数进行干预来预测设计参数在微小扰动下缺陷概率的变化量;因果效应估计网络以设计参数的变化量、设计上下文向量和融合特征为输入,以设计参数在微小扰动下缺陷概率的变化量为输出;输出即为因果效应强度。

23、进一步地,引入工艺专属因果单调性约束,自动输出初版优化建议后推送人工特征校验,基于人工特征校验反馈更新因果效应强度,输出优化建议,包括:

24、工艺专属因果单调性约束用于确保各设计参数对缺陷结果层中各类型缺陷的因果方向符合物理常识,当因果方向与物理常识不符时,对因果效应估计网络施加约束;

25、优化建议的优先级由因果效应强度与缺陷严重度及人工特征校验权重的乘积决定,其中缺陷严重度即为缺陷结果层中各类型缺陷的严重等级;优先输出乘积最大的设计参数作为优化对象,并给出调整方向和预期效果。

26、进一步地,基于优化建议生成参数调整方案,循环执行编码、人工特征校验、可制造性评估、四阶因果推理和参数优化的闭环迭代,直至满足收敛条件,根据最终综合得分按四级阈值体系划分可制造性等级,输出结构化评估报告,包括:

27、收敛条件为当前轮综合得分相对提升率低于预设阈值或达到最大迭代次数上限;

28、四级阈值体系按照评分由低到高分为:不可制造等级,低可制造性等级,中可制造性等级与高可制造性等级。

29、为实现上述目的,按照本发明的第二方面,提供一种面向工业设计的智能审核与可制造性评估系统,包括:

30、动态骨架编码模块,用于获取输入的三维cad模型,将其解析为边界表示结构并构建无向属性图,为每个无向属性图的节点构建制造约束特征向量,采用制造约束动态骨架图注意力网络对无向属性图进行编码得到几何拓扑特征,基于制造约束特征向量进行视角特征合成与聚合得到视觉特征,将几何拓扑特征与视觉特征进行跨模态融合得到融合特征,对融合特征进行人工特征校验;

31、分层约束评估模块,用于以人工特征校验后的融合特征为输入,构建制造约束驱动的分层梯度分流多约束损失函数进行训练,得到可制造性预测模块;

32、四阶因果推理模块,用于利用可制造性预测模块对融合特征进行处理,构建四阶因果图,采用由结构因果模型框架设计的因果效应估计网络计算各设计参数在微小扰动下缺陷概率的变化量,得到各设计参数对缺陷的因果效应强度,引入工艺专属因果单调性约束,自动输出初版优化建议后推送人工特征校验,基于人工特征校验反馈更新因果效应强度,输出优化建议;

33、人工特征校验闭环模块,用于基于优化建议生成参数调整方案,循环执行编码、人工特征校验、可制造性评估、四阶因果推理和参数优化的闭环迭代,直至满足收敛条件,根据最终综合得分按四级阈值体系划分可制造性等级,输出结构化评估报告。

34、采用上述技术方案后,本发明与现有技术相比具有以下有益效果:

35、本发明中,从三维cad模型解析为边界表示结构并构建无向属性图、为每个节点构建制造约束特征向量开始,即以此作为全过程的核心驱动源;在编码阶段通过ds-mc-g²an的动态骨架调制单元使制造约束特征向量直接重塑网络每层的注意力头数与特征维度,配合制造约束门控单元、约束感知多头注意力和约束残差聚合三个组件的协同,使制造敏感区域特征捕获准确率提升30%以上,编码完成后插入人工特征校验环节以破除纯黑箱局限;在评估阶段通过分层梯度分流多约束损失函数针对几何拓扑约束、制造规则约束和物理一致性约束分别构建专属可微分惩罚项并由制造约束特征向量动态生成平衡系数,使物理合理率达到98%以上;在推理阶段构建带人工特征校验修正的四阶因果图替代传统三层结构,使优化建议采纳率提升40%以上;最终经闭环迭代输出结构化评估报告,整体评估准确率达95.2%,相比传统规则库工具提升23.2个百分点,评估时间仅8分钟,相比人工审核效率提升30倍以上。