摘 要：本文以智能制造為出發(fā)點，構(gòu)建了基于數(shù)字孿生技術(shù)的數(shù)字加工工廠架構(gòu)，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(yōu)化為研究對象，構(gòu)建了基于深度學習的數(shù)字工廠加工工序的優(yōu)化框架。將加工工件、加工參數(shù)、加工設備需求、加工質(zhì)量需求和加工工序樣例多類數(shù)據(jù)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(jié)果表明，數(shù)字工廠加工工序的優(yōu)化減少了加工工步數(shù)量，提升了加工精度。

關鍵詞：智能制造；數(shù)字工廠；機械加工；智能優(yōu)化

中圖分類號：TH 16" " 文獻標志碼：A

隨著我國現(xiàn)代化經(jīng)濟體系不斷完善，我國國民經(jīng)濟的產(chǎn)業(yè)結(jié)構(gòu)也日趨完整。據(jù)統(tǒng)計，與世界主要發(fā)達國家相比，我國是工業(yè)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(chǎn)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(yè)大國。但是，我國的機械加工行業(yè)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(yè)4.0的全新時代里，我國機械加工制造行業(yè)迎來了前所未有的發(fā)展機遇[2]，信息技術(shù)、大數(shù)據(jù)技術(shù)和AI技術(shù)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(qū)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(shù)壁壘[3]。在智能制造時代，數(shù)字工廠的建立對形成實體加工的數(shù)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(shù)字工廠中機械加工的應用和智能優(yōu)化等問題進行了研究。

1 機械加工領域的數(shù)字工廠架構(gòu)

1.1 數(shù)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(shù)、大數(shù)據(jù)、云計算和人工智能去改造傳統(tǒng)機械制造流程，實現(xiàn)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(xiàn)途徑中，數(shù)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?qū)C械加工、裝配等機械制造過程進行數(shù)字化建模，并對機械加工過程進行評估、調(diào)整和優(yōu)化，提高其生產(chǎn)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(shù)字模型和數(shù)字化流程，就是數(shù)字工廠。

數(shù)字工廠具有以下3個方面的特點。首先，數(shù)字工廠實現(xiàn)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(jù)反饋意見進行加工過程再調(diào)整和優(yōu)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(shù)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(chǎn)調(diào)度。最后，一旦機械加工過程出現(xiàn)問題，可以根據(jù)數(shù)字工廠中的數(shù)字化模型、信息文件和數(shù)據(jù)庫等進行加工工藝流程回溯，從而實現(xiàn)加工問題的準確溯源。

1.2 基于數(shù)字孿生理念的數(shù)字工廠架構(gòu)設計

為了更精確地進行數(shù)字工廠建設，對機械加工實際流程建立完全對應的數(shù)字孿生工藝流程，是本文開發(fā)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(shù)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(gòu)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(shù)字化相比，數(shù)字孿生工藝流程具有更全面、更準確的特征，數(shù)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(shù)字孿生機械加工工藝流程的框架設計如圖1所示。

在數(shù)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(shù)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(shù)字孿生建模過程中，需要對各模型單元進行數(shù)據(jù)和信息配置。完成模型端構(gòu)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(xiàn)的故障，進而在仿真環(huán)境下進行加工質(zhì)量檢測，對所設計的工藝流程進行數(shù)字端的合理性評價。如果評價結(jié)果令人滿意，那么可以將數(shù)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(xiàn)了數(shù)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(shù)據(jù)實現(xiàn)數(shù)字工廠的三維仿真模型和實體工廠模型間的緊密聯(lián)系。數(shù)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(shù)字工廠中的軟件和信息處理，包括架構(gòu)、屬性特征等。

2 基于數(shù)字孿生的機械加工工序優(yōu)化

2.1 工序優(yōu)化模型的建立

為了優(yōu)化實體加工工藝，需要在數(shù)字工廠中對虛擬加工過程進行工序優(yōu)化和調(diào)整。在虛擬空間中，加工對象、加工設備和加工環(huán)境等進行數(shù)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(xiàn)智能制造的目標，本文利用基于深度學習的神經(jīng)網(wǎng)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(shù)、加工工序樣例，對加工工序的優(yōu)化結(jié)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(huán)神經(jīng)網(wǎng)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(yōu)化的準確性。

2.2 深度網(wǎng)絡的模型設計

在虛擬空間加工工序的生成過程中，RNN是執(zhí)行深度學習的核心結(jié)構(gòu)。假設xm代表數(shù)字工廠虛擬空間中輸入的各項數(shù)據(jù)信息，其序號為m；ym代表數(shù)字工廠虛擬空間中輸出的各項數(shù)據(jù)信息，其序號為m；Hmn代表處理輸入和輸出數(shù)據(jù)關系的各個神經(jīng)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(shù)字工廠虛擬空間加工工序優(yōu)化的非線性激活函數(shù)；g（）為數(shù)字工廠虛擬空間加工工序優(yōu)化的激活函數(shù)；wx為數(shù)字工廠虛擬空間加工工序優(yōu)化的各輸入變量權(quán)重；wh為數(shù)字工廠虛擬空間加工工序優(yōu)化的各隱含權(quán)重；wy為數(shù)字工廠虛擬空間加工工序優(yōu)化的各輸出變量權(quán)重。

2.3 注意力機制模塊的設計

數(shù)字工廠虛擬空間加工工序優(yōu)化的數(shù)據(jù)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(shù)字工廠虛擬空間加工工序優(yōu)化的特征向量；QT為數(shù)字工廠虛擬空間加工工序優(yōu)化的查詢矩陣；KT為數(shù)字工廠虛擬空間加工工序優(yōu)化的鍵矩陣；VT為數(shù)字工廠虛擬空間加工工序優(yōu)化的值矩陣；wQ為數(shù)字工廠虛擬空間加工工序優(yōu)化的查詢權(quán)重；wK為數(shù)字工廠虛擬空間加工工序優(yōu)化的鍵權(quán)重；wV為數(shù)字工廠虛擬空間加工工序優(yōu)化的值權(quán)重。

拆分得到狀態(tài)數(shù)據(jù)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(shù)字工廠虛擬空間加工工序優(yōu)化的注意力機制函數(shù)；Same（）為數(shù)字工廠虛擬空間加工工序優(yōu)化的歸一化函數(shù)；DK為矩陣KT的維度。

為了得到更精確的結(jié)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(shù)字工廠虛擬空間加工工序優(yōu)化的語義表達模型，如公式（5）所示。

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

3 優(yōu)化后的性能比較試驗與分析

上文以智能制造為出發(fā)點，構(gòu)建了基于數(shù)字孿生技術(shù)的數(shù)字加工工廠架構(gòu)，并給出了數(shù)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(yōu)化機械加工過程，本文以工序優(yōu)化為研究對象，構(gòu)建了基于深度學習的數(shù)字工廠加工工序的優(yōu)化框架。在該框架中，將加工工件、加工參數(shù)、加工設備需求、加工質(zhì)量需求和加工工序樣例數(shù)據(jù)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(wǎng)絡下實現(xiàn)了加工工序優(yōu)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(yōu)化前、后加工工序的工步數(shù)量，結(jié)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(shù)量也在不斷增加。但是，執(zhí)行數(shù)字工廠的深度學習智能優(yōu)化后，總工步數(shù)量明顯少于優(yōu)化前的總工步數(shù)量。

進一步觀察優(yōu)化前、后加工精度提升幅度，結(jié)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(yōu)化后加工精度的提升幅度明顯高于優(yōu)化前。

4 結(jié)語

本文以工業(yè)4.0時代中對機械加工制造行業(yè)的背景需求為出發(fā)點，對智能制造技術(shù)進行了相應研究。在研究過程中，從數(shù)字孿生技術(shù)的視角進行數(shù)字加工工廠架構(gòu)，根據(jù)數(shù)字工廠的設定，實現(xiàn)從實體加工到虛擬加工的映射。并以此為基礎，在虛擬數(shù)字工廠中進行優(yōu)化，以優(yōu)化實體工廠的加工過程。在具體的優(yōu)化操作中，構(gòu)建了基于BERT模塊和注意力機制的智能優(yōu)化方法。該方法可以同時對加工參數(shù)、設備需求、加工質(zhì)量和加工供需進行優(yōu)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(tǒng)模型實踐[J].工業(yè)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(shù)[J].中國科技期刊數(shù)據(jù)庫工業(yè)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(chǎn)線控制設計與實現(xiàn)[J].制造業(yè)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。