數字工廠中機械加工應用的智能優化

摘 要：本文以智能制造為出發點，構建了基于數字孿生技術的數字加工工廠架構，形成了從虛擬加工空間到物理加工空間的映射關系。以工序優化為研究對象，構建了基于深度學習的數字工廠加工工序的優化框架。將加工工件、加工參數、加工設備需求、加工質量需求和加工工序樣例多類數據作為輸入，進而利用BERT模型和注意力機制模塊，進行去冗余和加工工序精確性提升。試驗結果表明，數字工廠加工工序的優化減少了加工工步數量，提升了加工精度。

關鍵詞：智能制造；數字工廠；機械加工；智能優化

中圖分類號：TH 16" " 文獻標志碼：A

隨著我國現代化經濟體系不斷完善，我國國民經濟的產業結構也日趨完整。據統計，與世界主要發達國家相比，我國是工業門類最齊備的國家[1]。尤其在機械制造領域，我國可以加工和組裝的機械產品包括從微小零件到大型設備的方方面面，從這點來看，我國是典型的制造業大國。但是，我國的機械加工行業也存在明顯的勞動密集型、加工效率低和加工精度不足等問題。在工業4.0的全新時代里，我國機械加工制造行業迎來了前所未有的發展機遇[2]，信息技術、大數據技術和AI技術等高新科技將全面引入中國制造，我國也將迎來嶄新的智能制造時代。智能制造打破了操作者對加工過程的控制壟斷，以智能平臺、智能算法驅動機械加工過程，可以提高大批量機械加工任務的加工效率，還可以突破單件復雜加工技術壁壘[3]。在智能制造時代，數字工廠的建立對形成實體加工的數字孿生模型，進而完成加工工藝過程的仿真分析具有十分重要的意義。本文針對數字工廠中機械加工的應用和智能優化等問題進行了研究。

1 機械加工領域的數字工廠架構

1.1 數字工廠及其特點分析

智能制造是應用各種先進的信息技術、大數據、云計算和人工智能去改造傳統機械制造流程，實現機械制造自動化、信息化和智能化的過程。在各種智能制造的實現途徑中，數字工廠具有十分重要的地位。

運用計算機和三維仿真軟件平臺，能夠對機械加工、裝配等機械制造過程進行數字化建模，并對機械加工過程進行評估、調整和優化，提高其生產效率、智能化程度。在計算機和三維軟件平臺上對真實機械加工過程和加工場景建立數字模型和數字化流程，就是數字工廠。

數字工廠具有以下3個方面的特點。首先，數字工廠實現了機械加工過程的虛擬化和可視化，可以將整個加工過程進行虛擬化展示，并根據反饋意見進行加工過程再調整和優化，以避免在加工工藝、加工手段等尚不完善的情況下即進行機械加工，造成原材料損耗和人力、物力浪費。其次，利用數字工廠可以整合機械加工各種資源、高效管理加工設備和智能決策生產調度。最后，一旦機械加工過程出現問題，可以根據數字工廠中的數字化模型、信息文件和數據庫等進行加工工藝流程回溯，從而實現加工問題的準確溯源。

1.2 基于數字孿生理念的數字工廠架構設計

為了更精確地進行數字工廠建設，對機械加工實際流程建立完全對應的數字孿生工藝流程，是本文開發智能制造機械加工的新思路，即對機械加工廠房、機械加工工具、加工材料、加工工藝和裝配流程進行數字模型和實體過程的完全對應，在計算機三維仿真平臺上構建的場景和機械加工實體完全一致。與機械加工實體局部數字化相比，數字孿生工藝流程具有更全面、更準確的特征，數字模型端的工藝設計可以直接移植到實體加工工藝流程端。本文數字孿生機械加工工藝流程的框架設計如圖1所示。

在數字孿生建模的過程中，分別對各個機械加工單元、加工設備和加工材料進行建模，其數量、位置、外形尺寸和運動功能都要與機械加工實體過程一一對應。因此在數字孿生建模過程中，需要對各模型單元進行數據和信息配置。完成模型端構建后，需要設計加工工藝，在設計過程中需要對各工藝、工序和工步進行反復推敲、分析和核對，并充分考慮加工過程中可能存在的干擾和可能出現的故障，進而在仿真環境下進行加工質量檢測，對所設計的工藝流程進行數字端的合理性評價。如果評價結果令人滿意，那么可以將數字端的加工工藝設計直接移植到實體端。至此，將工藝作為橋梁，實現了數字虛擬空間和實體加工空間間的對應，該對應關系如圖2所示。

利用加工工藝的3套數據實現數字工廠的三維仿真模型和實體工廠模型間的緊密聯系。數字工廠中的仿真工藝流程可以直接用于實體工廠的機械加工，同時還要考慮數字工廠中的軟件和信息處理，包括架構、屬性特征等。

2 基于數字孿生的機械加工工序優化

2.1 工序優化模型的建立

為了優化實體加工工藝，需要在數字工廠中對虛擬加工過程進行工序優化和調整。在虛擬空間中，加工對象、加工設備和加工環境等進行數字模型建立，并且和實體加工過程滿足一一對應的孿生關系。為了實現智能制造的目標，本文利用基于深度學習的神經網絡對虛擬加工過程中的工序設計進行訓練，深度學習框架如圖3所示。

深度學習過程中的輸入包括多個維度，尤其是加工參數、加工工序樣例，對加工工序的優化結果具有約束和限定作用。輸入圖3中的5類信息后，進入BERT模型，可以有效信息整理、去除冗余信息。進而在循環神經網絡（Recurrent Neural Network，RNN）處理過程中引入多頭注意力機制，從而提高工序設計和優化的準確性。

2.2 深度網絡的模型設計

在虛擬空間加工工序的生成過程中，RNN是執行深度學習的核心結構。假設xm代表數字工廠虛擬空間中輸入的各項數據信息，其序號為m；ym代表數字工廠虛擬空間中輸出的各項數據信息，其序號為m；Hmn代表處理輸入和輸出數據關系的各個神經元，從而可以得到對應的關系模型，分別如公式（1）、公式（2）所示。

式中：f（）為數字工廠虛擬空間加工工序優化的非線性激活函數；g（）為數字工廠虛擬空間加工工序優化的激活函數；wx為數字工廠虛擬空間加工工序優化的各輸入變量權重；wh為數字工廠虛擬空間加工工序優化的各隱含權重；wy為數字工廠虛擬空間加工工序優化的各輸出變量權重。

2.3 注意力機制模塊的設計

數字工廠虛擬空間加工工序優化的數據形成一個向量T，進而分成3個子向量VT、KT和QT，該分解過程如公式（3）所示。

式中：T為數字工廠虛擬空間加工工序優化的特征向量；QT為數字工廠虛擬空間加工工序優化的查詢矩陣；KT為數字工廠虛擬空間加工工序優化的鍵矩陣；VT為數字工廠虛擬空間加工工序優化的值矩陣；wQ為數字工廠虛擬空間加工工序優化的查詢權重；wK為數字工廠虛擬空間加工工序優化的鍵權重；wV為數字工廠虛擬空間加工工序優化的值權重。

拆分得到狀態數據的3個子向量后，進一步計算各個子向量信息頭headi，如公式（4）所示。

式中：headi表示第i個向量的信息頭；Attention（）為數字工廠虛擬空間加工工序優化的注意力機制函數；Same（）為數字工廠虛擬空間加工工序優化的歸一化函數；DK為矩陣KT的維度。

為了得到更精確的結果，需要對head1的值進行多次重復計算，因此將其稱之為多頭注意力機制。得到確定的多個headi后，將其合并，從而得到數字工廠虛擬空間加工工序優化的語義表達模型，如公式（5）所示。

式中：Multihead_Y為數字工廠虛擬空間加工工序優化的特征語義向量；Fusion（）為數字工廠虛擬空間加工工序優化的融合函數；w0為數字工廠虛擬空間加工工序優化的線性變換矩陣。

3 優化后的性能比較試驗與分析

上文以智能制造為出發點，構建了基于數字孿生技術的數字加工工廠架構，并給出了數字工廠和實體工廠間的空間對應性，從而形成了從虛擬加工空間到物理加工空間的映射關系。為了優化機械加工過程，本文以工序優化為研究對象，構建了基于深度學習的數字工廠加工工序的優化框架。在該框架中，將加工工件、加工參數、加工設備需求、加工質量需求和加工工序樣例數據作為輸入，進而利用BERT模型和注意力機制模塊，提升去冗余和加工工序的精確性。最終，在RNN網絡下實現了加工工序優化。

為了驗證上述研究工作的有效性和正確性，本文進行了試驗研究。通過試驗驗證優化前、后加工工序的工步數量，結果如圖4所示。

從圖4可以看出，隨著加工時間不斷增加，機械加工工序中的總工步數量也在不斷增加。但是，執行數字工廠的深度學習智能優化后，總工步數量明顯少于優化前的總工步數量。

進一步觀察優化前、后加工精度提升幅度，結果如圖5所示。從圖5可以看出，隨著加工工步不斷增加，加工精度不斷提升，優化后加工精度的提升幅度明顯高于優化前。

4 結語

本文以工業4.0時代中對機械加工制造行業的背景需求為出發點，對智能制造技術進行了相應研究。在研究過程中，從數字孿生技術的視角進行數字加工工廠架構，根據數字工廠的設定，實現從實體加工到虛擬加工的映射。并以此為基礎，在虛擬數字工廠中進行優化，以優化實體工廠的加工過程。在具體的優化操作中，構建了基于BERT模塊和注意力機制的智能優化方法。該方法可以同時對加工參數、設備需求、加工質量和加工供需進行優化，從而提升加工精度。

參考文獻

[1]王超.基于機械智能制造的DNC與MES集成化系統模型實踐[J].工業加熱，2020，49（11）：48-51.

[2]戴蓉蓉，趙波.淺談智能制造時代機械設計制造及其自動化技術[J].中國科技期刊數據庫工業A，2023，59（22）：444-456.

[3]曹錦江，黃家才，陳道慶.面向機械加工的智能制造生產線控制設計與實現[J].制造業自動化，2023，45（7）：70-74.

作者簡介：譚偉美（1985—），女，廣西南寧人，本科，高級講師，研究方向為機械設計應用。

電子郵箱：417143738@qq.com。