一种数据与因果知识混合驱动的加工变形控制工艺决策方法

技术领域

本发明涉及数控加工领域，尤其是一种零件数控加工变形控制方法，具体地说是一种数据与因果知识混合驱动的加工变形控制工艺决策方法。

背景技术

大型结构件的加工变形控制一直是制造领域的难题，影响零件的尺寸精度和疲劳寿命，如何稳健地决策最优加工工艺是实现结构件加工变形精确控制的保障。

传统的加工变形控制工艺决策方法基于机理模型通过迭代寻找最优加工工艺，然而机理模型的求解过程往往需要借助数值计算方法，由于结构件加工变形问题涉及的边界条件、初始条件复杂，数值计算量大、效率低。传统基于机理模型的加工变形控制方法，将变形控制优化定义为组合优化问题，在数值环境中迭代不同加工策略，优化零件加工变形，求解速度慢、效率低，无法满足在有限时间内获取最优加工策略的要求。

数据驱动方法，包括强化学习和监督学习，从监测数据中直接学习加工变形和最优加工工艺之间的关联关系，训练好的模型比传统数值求解器求解速度快多个数量级。但是由于高维几何变量、残余应力场变量之间存在耦合，现有数据驱动方法在有限数据下基于相关关系仅能建立变量间不稳定的关联关系，当存在数据分布偏差时，模型的稳定性和泛化性能难以保证。

发明内容

本发明的目的是针对数据驱动方法在有限数据下基于相关关系仅能建立变量间不稳定的关联关系，当存在数据分布偏差时，模型的稳定性和泛化性能难以保证的问题，发明一种数据与因果知识混合驱动的加工变形控制工艺决策方法。它通过引入先验知识来提高决策模型的稳定性。用因果推理去混杂和干预等措施学习变量间的因果关系，反映数据生成机制，因此数据和因果知识混合驱动建模是实现结构件制造稳健决策的有效手段。然而结构件变形工艺知识为涉及复杂耦合关系和高维数据变量的非结构化知识，难以与数据模型融合。本发明通过结构化表达加工变形相关变量的因果知识，并引入邻接矩阵、掩码操作等措施，在学习模型中融入了因果知识，建立了数据与因果知识混合驱动的加工变形控制工艺决策模型。

本发明的技术方案是：

一种数据与因果知识混合驱动的加工变形控制工艺决策方法，包括：对工艺变量a、加工状态变量S、目标变形控制量C和加工变形变量d间的因果关系进行结构化表达，建立因果模型，并考虑变量间的因果模型结构建立工艺决策的学习模型；将决策的工艺变量视为状态变量的干预，训练加工变形控制工艺决策模型。

进一步，所述的结构化表达方法包括结构因果模型、因果图。

进一步，所述考虑变量间的因果模型结构建立的工艺决策学习模型，即将结构化表达的因果关系用邻接矩阵A表示，且邻接矩阵表达学习模型中数据变量之间的因果关系。

进一步，所述的干预措施通过掩码操作实现，掩码操作由决策的工艺变量值决定。

进一步，所述的工艺变量即决策的加工工艺方案，由加工位置、工艺加强筋、预应力、加工余量等工艺中的任意一种或多种工艺中不同工艺方案组成。

进一步，所述的加工变形控制工艺决策模型由推断模块、决策模块、因果干预模块和重构模块构成。其中，推断模块输入加工状态变量S，输出潜变量Z；决策模块输入加工状态变量S、目标变形控制量C，输出决策工艺变量a；重构模块输入潜变量Z，输出新的加工状态变量S′和加工变形量d。

进一步，所述的邻接矩阵表达了变形控制决策模型中除工艺变量a之外的变量之间的因果关系，包括加工状态变量、加工变形变量；邻接矩阵中，当一个变量是另外一个变量的因时，其对应的矩阵元素为1，其余情况为0。

进一步，所述的掩码操作由决策工艺变量a的值决定，与邻接矩阵A相乘后，将决策工艺变量a对其余变量的影响通过邻接矩阵A传递至其余变量。

本发明的有益效果是：

1.本发明通过将数据和因果知识融合，提高了模型的稳定性；

2.本发明通过引入干预等措施，可以对存在耦合的变量进行解耦；

3.本发明建立的决策模型，决策时间短，可用于结构件加工变形控制工艺在线决策。

附图说明

图1数据与因果知识混合驱动的加工变形控制工艺决策方法整体思路图。

图2工艺加强筋控制加工变形机制。其中(a)为带工艺加强筋的零件示意图；(b)为带工艺加强筋零件时效后的零件示意图；(c)为去除工艺加强筋后的零件示意图。

图3为本发明加工变形控制相关变量因果图。

图4为本发明加工变形控制相关变量邻接矩阵图。

图5为工艺加强筋决策模型神经网络图。

具体实施方式

以下结合附图和实例来对本发明做进一步说明，本发明不限于该实施例。

如图1-5所示。

下面以面向飞机结构件加工变形控制的工艺加强筋决策为例对数据与因果知识混合驱动的加工变形控制工艺决策方法作详细的说明，整体思路图如图1所示，具体包括以下步骤：

1.工艺加强筋在零件精加工几何的基础上，在槽内增加加强筋的结构，以控制零件变形。工艺加强筋不仅改变了零件几何，同时影响了残余应力场的分布及加工中的释放过程，使得零件加工结束后及去除加强筋后的变形量不同。根据已有研究，不同工艺加强筋零件时效后去除加强筋的最终变形量主要与带有工艺加强筋的零件加工结束后的变形以及去除的加强筋有关。因此，具有加强筋的零件加工变形越小，时效后零件去除加强筋的变形越小，如图2所示。为控制结构件加工变形，在容易产生变形的区域预留部分工艺加强筋，在精加工前，根据零件加工状态，决策预留的工艺加强筋的去留，即从预留的加强筋中保留一部分加强筋，剩余的加强筋在精加工中取出，从而控制结构件精加工结束后的最终变形。

2.针对数据和因果知识混合驱动的工艺加强筋优化决策建模问题，其整体思路图如图1所示。首先分析包含工艺加强筋的加工变形相关变量之间的因果关系。与零件加工变形相关的变量包括零件加工过状态变量S，加工变形控制量C和零件加工变形变量d，其中加工状态变量S中包含零件几何变量G和残余应力场变量σ，其中几何变量G是由工艺加强筋变量r和其余几何特征W构成，而且几何变量是影响零件变形的刚度B变量的原因。根据以上分析，加工状态和加工变形控制量，影响零件的加工变形控制工艺决策；执行决策的加工工艺后，通过工艺加强筋的调整影响加工状态，进而影响零件的最终变形。因此利用因果图建立加工变形d、加工状态S和加工变形控制量C之间的因果关系，如图2所示，其中决策工艺变量a

3.根据建立的工艺加强筋加工变形控制因果图，工艺加强筋的决策因果模型可以表示为：

p(d

a

p(B

p(d

其中，公式(1)表示零件精加工前的变形由当前加工状态的残余应力σ

4.建立因果变量干预模块，基于掩码机制和邻接矩阵实现干预，其中掩码机制用于改变因果变量的值，邻接矩阵用于计算结果变量的变化。工艺加强筋的调整为决策预留的加强筋中需要保留的加强筋，决策的工艺变量均为离散变量，因此通过二进制掩码操作作为模型中的干预措施。具体实施过程如下，首先定义二进制掩码操作，其计算过程如式(5)所示。

式(5)中，do

式(6)表达了二进制干预的实施方法，对于加工位置和工艺加强筋通过决策是否保留，即0和1，进行干预。通过掩码值和邻接矩阵相乘，可将干预的影响通过邻接矩阵传递至下一个加工状态。邻接矩阵A

5.通过神经网络拟合并计算以上

第一个模块为推断模块，输入为零件初始状态几何G

Z

工艺加强筋经干预do

第二个模块为重构模块，输入为推断和干预后的几何状态潜变量Z

G

第三个模块是决策模块，输入的是零件的加工状态和变形控制目标C

a

第四个模块是预测模块，输入的是零件的加工状态包括刚度B

d

第五个模块是因果变量干预模块，输入的是因果变量和变形控制决策动作，输出的是干预后变量的效果，如式(7)所示，每个因果变量均有一个函数，建立父节点和子节点之间的关系，该函数通过全连接神经网络拟合。

6.干预-决策神经网络，其损失函数如式(13)所示：

其中，MSE为均方损失函数用于计算变形预测和重构损失，λ、β、γ为不同损失函数部分的超参数。

本发明未涉及部分与现有技术相同或可采用现有技术加以实现。