从几何到工艺：基于机器学习与几何分析的非标零件数控加工工艺分类方法研究

非标机械零件因其结构复杂、品种多、批量小的生产特性，其工艺规划耗时占整个生产周期的70%以上，成为智能制造中制约效率提升的关键瓶颈。传统的工艺分类方法依赖专家经验与规则库，难以适应非标零件几何特征的多样性与工艺知识的异构性。本文系统梳理了基于机器学习与几何分析的非标零件数控加工工艺分类方法的研究进展，从几何特征工程、图神经网络表示学习、自监督预训练与工艺知识微调三条技术主线展开论述。研究表明，基于中轴变换的点云几何分析可有效提取零件的旋转与厚度特征，结合支持向量机实现93.92%的分类准确率；而基于多层属性图与图卷积编码器的自监督方法，通过几何结构嵌入与宏观工艺知识融合，可将分类准确率提升至94.1%。本文进一步分析了不同技术路线的适用场景与局限性，并展望了多源数据融合、可解释性增强及复杂工艺链优化等未来研究方向，为非标零件智能工艺规划提供理论参考与技术路径。

1 引言

随着装备制造业向自动化、智能化方向持续演进，客户需求日益呈现定制化与个性化的显著趋势。在这一背景下，非标机械零件在定制化设备中的占比已高达45%左右，其生产模式呈现出典型的多品种、小批量特征。与标准件不同，非标零件需要定制化的设计与制造工艺，这直接导致其生产成本显著高于标准零件。据统计，在零件设计阶段，约80%的零件可以通过基于历史零件的变型设计和自适应设计完成，仅有20%需要完全重新设计；而在制造准备阶段，工艺规划、数控编程与仿真等环节合计占用了超过70%的加工总时间。因此，如何实现非标零件设计与制造知识的有效重用，已成为降低装备制造业成本、提升生产效率的核心议题。

数控机床的合理选型与工艺路线决策，直接影响生产效率与产品质量。然而，传统工艺规划方法主要依赖两种范式：一种是基于成组技术的派生式CAPP，通过检索相似零件的既有工艺进行修改；另一种是基于专家系统的创成式CAPP，依靠规则库自动生成工艺方案。前者受限于零件检索的准确性与效率，后者则在面对复杂相交特征时表现脆弱，难以适应非标零件几何结构的多样性与工艺知识的异构性。AP242和AP238标准虽然提供了产品几何与制造过程的中性表达格式，但其复杂性及有限软件支持制约了在现代数据驱动制造环境中的实际应用。

近年来，机器学习技术的突破为上述困境提供了新的解决方案。研究者们开始探索将几何分析与深度学习相结合，实现非标零件工艺分类的自动化与智能化。这一研究方向的核心挑战在于：如何从非标零件的几何模型中提取具有工艺区分度的特征表示？如何在缺乏高质量标注数据的情况下实现有效的模型训练？如何将几何特征与宏观工艺知识进行统一表征与协同学习？

本文围绕上述问题，系统综述基于机器学习与几何分析的非标零件数控加工工艺分类方法的研究进展。第2节阐述非标零件几何特征工程的经典方法；第3节聚焦基于图神经网络的表示学习方法；第4节探讨自监督预训练与工艺知识微调的技术路径；第5节通过实验数据对比分析不同方法的性能；第6节展望未来研究方向；第7节总结全文。

2 非标零件几何特征工程：从手工设计到自动提取

2.1 传统几何描述子的局限性

在早期研究中，非标零件的表示主要依赖全局几何描述子，如表面积、体积、质心、惯性矩等。这类方法计算简单、易于实现，但缺乏对局部几何结构的精细刻画能力，仅适用于粗略的模型筛选，难以支撑精确的特征表达与工艺分类。属性邻接图（AAM）的引入在一定程度上弥补了这一缺陷，通过将零件表示为面节点与边关系的图结构，能够捕捉面间的邻接关系与凹凸性。然而，传统AAM在面对复杂相交特征时，常出现表达歧义，无法准确反映零件的真实加工特征。

针对异型零件的加工特征识别问题，有研究者提出了基于图和体分解的混合方法。该方法以STEP中性文件为输入，通过布尔减运算获取零件的加工体积特征，并将其分解为只含凸边关系的单一特征。在此基础上，构建几何特征矩阵（GFM）和拓扑特征矩阵（TFM），分别描述面间的位置关系与相邻凹凸性，从而有效解决了传统AAM的表达局限。这一研究揭示了单一几何描述子的不足，推动了特征工程向结构化、多维度方向的演进。

2.2 基于中轴变换的几何分析与特征提取

中轴变换（MAT）作为一种强大的几何形状描述工具，近年来在非标零件分析中得到重要应用。Shi等研究者提出了一种基于Voronoi图的中轴变换与点云滤波技术，用于获取零件的三维中轴点云（MAPC）。实验表明，在相同条件下，经过优化的MAPC精度优于传统的外心法。这一方法的优势在于：中轴点云能够以紧凑的形式表达零件的整体形状骨架，同时保留局部几何细节，为后续的特征提取奠定基础。

在获取中轴点云的基础上，研究者采用主成分分析（PCA）和点云角度分布直方图评估每个零件的旋转特性与形状特征。PCA能够有效识别零件的主方向与几何延伸程度，而角度分布直方图则捕捉表面法向的统计分布规律，二者结合形成对零件整体几何构型的鲁棒描述。对于板壳类零件，厚度分布是区分不同工艺的关键几何指标。通过引入k-means聚类算法对点云厚度进行分析，可自动识别零件的厚度变化模式，为钣金件与机加件的区分提供依据。

2.3 点云与体素表示的深度学习范式

随着三维深度学习的发展，点云和体素成为非标零件几何表示的重要载体。FeatureNet等早期研究采用三维卷积神经网络（3D-CNN）对体素化零件进行加工特征识别。这类方法的优势在于能够充分利用卷积操作的局部感受野，自动学习层次化特征。然而，体素化带来的量化误差和内存开销限制了其对精细几何结构的表达能力。

点云网络（PointNet）及其改进版本PointNet++的出现，为直接处理原始点云数据提供了新范式。这类方法通过共享多层感知机和对称聚合函数，实现点云置换不变性的特征学习。但对于CAD模型而言，点云表示丢失了边界表示（B-Rep）中蕴含的拓扑结构信息，如面边邻接关系、环的走向等，这些信息对于加工特征识别具有重要价值。

针对这一局限，UV-Net等研究工作尝试直接在B-Rep数据结构上构建神经网络。通过对面域进行参数化采样，将曲面转化为UV网格上的规则表示，同时保留边界的拓扑连接关系。这种方法在一定程度上兼顾了几何精度与拓扑完整性，但仍面临采样分辨率与计算效率的权衡问题。

3 图神经网络与几何结构的深度表示

3.1 从属性邻接图到图卷积网络

图结构天然适配CAD模型的B-Rep表示范式。传统属性邻接图将零件面作为节点，面间邻接关系作为边，节点属性包含面类型、面积、法向等几何信息。这一表示形式与图神经网络（GNN）高度契合，为深度学习方法的应用铺平了道路。

Li等研究者提出了一种基于图卷积编码器（GCE）的自监督预训练模型，用于非标零件几何结构的嵌入表示。该方法的核心创新在于：将零件的表面属性图输入图卷积网络，通过对比学习使得几何相似的零件在嵌入空间中彼此靠近，几何相异的零件相互远离。预训练完成后，模型可通过少量标注数据进行微调，迁移至下游分类任务。实验结果表明，该方法的迁移学习准确率达到92.6%，充分证明了图卷积网络在捕捉非标零件几何结构方面的强大能力。

3.2 多尺度特征融合与Transformer增强

尽管图卷积网络能够有效学习局部拓扑特征，但在捕捉全局依赖关系方面存在固有局限。针对这一问题，有研究者提出了多尺度融合图神经网络框架，将图同构网络（GIN）与Transformer层有机结合。其中，GIN模块擅长学习面邻接的局部结构模式，而Transformer的多头自注意力机制则能够建模全局范围内几何特征间的长程依赖。这种局部-全局协同的表达能力，对于识别复杂相交特征组合尤为关键。

在实际工业零件上的实验显示，该方法在自动化制造任务中的加工特征识别准确率超过85%。值得注意的是，该研究进一步引入无监督微调策略，利用大量无标注的真实工件数据进行领域自适应，有效缩小了合成数据与实际工件之间的几何分布差异。这一思路对于解决工业场景中标注数据稀缺的问题具有重要启示。

3.3 多层次属性图：几何与工艺的统一表征

非标零件的工艺分类不仅取决于几何结构，还与宏观工艺知识密切相关。传统的几何表示方法难以兼容工艺知识，导致零件检索与工艺重用效率低下。为解决这一困境，Li等提出了多层属性图表示方法，将非标零件表达为表面属性图、加工特征属性图和工艺单元属性图三个层次，并建立面到加工特征、加工特征到工艺单元的映射关系。

这一多层次表示框架的优势在于：既保留了底层几何细节，又显式编码了高层工艺语义。基于该表示，研究者进一步提出了双图编码器（DGE）模型，在保留几何结构嵌入的同时，采用图池化编码器（GPE）嵌入宏观工艺知识的潜在特征，并将二者融合投影至新的潜在空间。该方法在宏观工艺重用的判断准确率上达到94.1%，相似度阈值经实验确定为0.952，为工艺知识的高效检索与重用提供了可靠工具。

4 自监督学习与工艺知识融合

4.1 标注数据稀缺困境与自监督学习的引入

非标零件种类繁多、结构复杂，获取高质量标注数据需要大量领域专家的参与，成本高昂且难以规模化。这一困境严重制约了监督学习方法在实际工业场景中的推广应用。自监督学习的兴起为解决这一问题提供了新思路。自监督方法通过设计预训练任务，使模型能够从无标注数据本身学习有效的特征表示，然后通过少量标注数据进行下游任务微调。

在非标零件领域，几何相似样本的自动生成成为自监督预训练的关键。研究者通过调整加工特征参数（如孔直径、槽深度等），从原始零件生成几何相似但并非完全相同的新样本。这些样本对天然构成正例，可用于对比学习预训练。采用C++和Open CASCADE技术（OCC）对25,021个STEP格式非标零件进行二次开发，最终获得10,746对几何相似样本作为预训练数据集。

4.2 对比学习与几何结构嵌入

基于上述几何相似样本，研究者构建了图对比学习框架。其核心思想是：将同一零件的不同几何变体作为正样本对，将不同零件作为负样本，通过对比损失函数使得模型学习到几何结构的不变性与区分性表征。图卷积编码器在此框架下进行预训练，输出的嵌入向量能够有效捕捉零件的本质几何特征。

这种基于对比学习的预训练方法具有两个显著优势：其一，无需人工标注，可充分利用大量现存的无标注CAD数据；其二，学习到的嵌入表示具有良好的泛化能力，可迁移至多种下游任务。实验表明，预训练模型在区分不同样本方面表现出色，其嵌入空间的聚类效果明显优于未经预训练的模型。

4.3 宏观工艺知识的融合机制

单纯基于几何结构的嵌入表示虽然能够有效区分零件类别，但对于工艺知识重用而言，几何相似并不等同于工艺相似。同一几何结构的零件可能存在多种可行的加工方案，而不同几何结构的零件有时可采用相似的工艺流程。因此，如何在几何表示的基础上融合宏观工艺知识，成为提升工艺分类性能的关键。

宏观工艺知识的融合可通过微调阶段实现。具体而言，在预训练模型基础上，引入工艺相似样本对进行有监督微调。工艺相似样本的生成需依据专家知识，确保具有相同或相似工艺流程的零件在嵌入空间中彼此接近。双图编码器架构在此过程中发挥重要作用：一个分支继承预训练的几何编码器，另一个分支采用图池化编码器学习工艺知识的潜在特征，最终通过特征拼接与投影实现两类信息的有机融合。

4.4 工艺知识重用的阈值决策

在实际应用中，工艺知识重用需要明确的决策阈值。当待检索零件与历史零件的嵌入余弦相似度超过某一阈值时，即可判定二者工艺相似，可直接重用历史零件的工艺流程。实验研究表明，宏观工艺重用的最优相似度阈值为0.952，在此阈值下判断准确率达到94.1%。这一结果的工程意义在于：为工艺知识重用系统提供了可操作的决策边界，避免了主观经验判断的不确定性。

5 方法比较与实验分析

5.1 典型方法的性能对比

为便于比较不同技术路线的性能，表1汇总了近年来非标零件工艺分类相关研究的核心方法与实验结果。

表1 非标零件工艺分类方法性能对比

研究方法	核心技术	特征表示	分类准确率	零件类型
Shi等	MAT + PCA + k-means + SVM	几何特征向量	93.92%	非标零件（含钣金）
Li等	图卷积编码器 + 自监督预训练	多层属性图	92.6%	铣削类非标零件
Li等	双图编码器 + 工艺知识微调	多层属性图	94.1%	铣削类非标零件
Chai等	GIN + Transformer + 无监督微调	B-Rep图	>85%	真实工件
AutoSplit	CNN/MLP + 随机森林	图像+数值特征	82.0%	金属零件（AM/机加/钣金）
AE-SNN	自编码器 + 孪生网络	体素	89%	车削/铣削零件

从表中数据可以看出，基于中轴变换与经典机器学习的组合方法已能达到93.92%的分类准确率，说明精心设计的几何特征工程仍具有强大竞争力。而基于图神经网络与自监督学习的方法进一步将准确率提升至94.1%，同时具备工艺知识重用的能力。值得关注的是，AE-SNN方法采用生成模型学习工艺的形状变换能力，在工艺选择任务上达到89%的准确率，且可解释性优于纯判别模型。

5.2 不同技术路线的适用场景分析

上述方法各有其适用场景与技术特点。基于MAT的几何分析方法对板壳类零件（如钣金件）具有天然优势，因为厚度分布是区分钣金工艺与机加工艺的关键几何指标。该方法计算效率高、可解释性强，适用于工艺分类的初步筛选阶段。

图神经网络方法则更适用于复杂结构零件的精细分类。多层属性图能够同时编码几何与工艺信息，尤其适合铣削类零件这类加工特征明确、特征识别技术成熟的场景。但该方法对CAD模型的图构建质量敏感，且在转向其他零件类型（如回转体零件）时需要重新验证。

两阶段分类架构（如AutoSplit）通过先区分标准件与非标件，再对非标件进行工艺分类，有效降低了类别不平衡带来的误分类风险。这一思路在大规模零件库的自动筛选中具有实用价值，但对标准件的定义和样本库的完备性有一定依赖。

生成模型方法则展现出独特优势。通过建模工艺的形状变换能力，AE-SNN能够判断零件是否可被特定工艺加工，而无需大量非可加工样本。这在处理新型零件、缺乏历史数据的情况下具有显著价值。

5.3 当前研究存在的挑战

尽管上述研究取得了显著进展，但仍面临若干共同挑战。首先是数据集的局限性。现有研究多集中于铣削类零件，因为其加工特征识别技术相对成熟。对于车削类零件、冲压件或增材制造零件，几何结构与工艺知识的关联机制存在差异，方法的泛化能力尚待验证。

其次是特征交互问题。非标零件中常存在多个加工特征相交的情况，如孔贯穿槽、槽 intersecting腔体等。这类交互特征使得基于单一特征识别的传统方法失效，对图神经网络的表达能力提出了更高要求。

再次是工艺知识的表示与获取。宏观工艺知识的显式表示本身就是一个难题。现有方法多依赖专家预定义的工艺单元和知识库，这在实际工业环境中并非总是可用的。如何在缺乏结构化工艺知识的情况下实现工艺分类，是亟待解决的问题。

最后是模型的可解释性。深度学习模型常被视为“黑箱”，其决策过程难以被工艺人员理解和信任。在安全关键的制造场景中，这一局限性制约了智能方法的实际部署。

6 未来研究方向

6.1 多源数据融合与知识图谱增强

未来研究可进一步拓展数据来源，融合CAD模型、加工文档、切削参数、测量数据等多源信息，构建非标零件的多维特征空间。知识图谱技术有望在此过程中发挥重要作用，通过将零件几何特征、材料属性、加工设备、工艺参数等实体及其关系组织为结构化知识网络，为工艺分类提供更丰富的语义支持。此外，大型语言模型在制造领域的应用探索也为非结构化工艺文档的知识抽取提供了新工具。

6.2 可解释性增强与人机协同决策

提升模型可解释性是推动智能方法落地应用的关键。图神经网络本身具备一定的可解释性潜力，通过分析模型关注的关键面或边，可揭示影响工艺决策的核心几何特征。未来可进一步开发可视化工具，将模型的决策依据以工艺人员可理解的方式呈现，实现人机协同的工艺规划：模型提供初步建议，工艺人员基于经验进行确认或修正，反馈数据又可用于模型的持续优化。

6.3 复杂工艺链的端到端优化

现有研究多聚焦于单工序的工艺分类，而实际生产中非标零件往往需要多工序组合加工（如车铣复合、增材-减材混合制造等）。未来可探索端到端的复杂工艺链优化方法，将零件几何特征作为输入，直接输出最优的工艺链组合与排序。这需要考虑工序间的相互约束、装夹方案、刀具更换等因素，对智能算法的建模能力提出更高要求。

6.4 小样本学习与领域自适应

尽管自监督学习降低了模型对标注数据的依赖，但面对全新的零件类型或加工工艺时，仍面临领域分布差异的挑战。小样本学习（few-shot learning）和领域自适应（domain adaptation）技术有望解决这一问题，使模型能够从少量新类别样本中快速学习，或将在源域学习到的知识迁移至目标域。元学习（meta-learning）框架在这一方向上展现出潜力，值得深入研究。

7 结语

非标零件的数控加工工艺分类是智能制造领域的基础性难题，也是实现工艺自动化规划的关键突破口。本文系统梳理了基于机器学习与几何分析的工艺分类方法研究进展，揭示了该领域从手工特征工程到图神经网络表示学习、从监督学习到自监督预训练、从纯几何分析到几何-工艺融合的技术演进脉络。

现有研究表明，中轴变换、主成分分析与聚类算法的组合可实现93.92%的分类准确率，而基于多层属性图与自监督对比学习的方法进一步将准确率提升至94.1%，同时具备工艺知识重用的能力。这些进展为非标零件智能工艺规划奠定了理论方法基础，也为工业场景下的自动化、智能化转型提供了技术支撑。

展望未来，多源数据融合、可解释性增强、复杂工艺链优化及小样本学习将是值得重点关注的研究方向。随着算法能力的持续提升和工业数据的不断积累，有理由相信，真正意义上的智能工艺规划将在不远的将来成为现实，为非标零件的高效、高质量制造开辟新路径。