基于图神经网络的非标装配序列规划与可装配性验证方法

非标产品的装配序列规划面临零部件种类多、配合关系复杂且批次多变等挑战，传统基于规则或搜索的方法难以在合理时间内获得最优解。本文提出一种基于图神经网络的非标装配序列规划与可装配性验证方法。将产品结构建模为异构图，其中节点表示零件，边表示接触与紧固关系。通过图注意力网络学习零件的特征嵌入，再使用自回归序列生成模型一次性输出可行装配序列。同时构建一个可装配性判别网络，对生成的序列进行快速验证，并提供不可行原因解释。在包含200个非标装配案例的数据集上，本文方法在平均序列长度15个零件时，成功生成可行序列的比例达91%，序列生成耗时仅0.2秒，相比传统遗传算法加速三个数量级。本工作为非标装配工艺的智能决策提供了高效工具。

1. 引言

装配是产品制造的最后环节，也是成本与质量的关键影响因素。对于非标产品（如定制化的工装夹具、试验设备、非标自动化机构），通常没有固定的装配工艺文件，工艺人员需要临时规划零件装配顺序，并验证干涉、稳定性等约束。这种规划本质上是组合优化问题：对于$N$个零件，理论序列数量为$N!$，即使施加严格的优先约束（如必须子装配体先完成），搜索空间依然爆炸性增长。

传统装配序列规划方法分为三类：基于规则的系统，利用产品设计特征中的“先内后外、先下后上”启发式，但无法覆盖所有非标情况；基于图搜索的方法（如AND/OR图），状态空间过大；基于元启发式（遗传算法、蚁群算法）的方法，每个案例需重新运行迭代，耗时数分钟到数小时，不适应产线快速换产的需求。

近年来，图神经网络（GNN）在处理关系型结构数据上展现出强大能力。产品装配关系天然是一个图：零件是节点，装配关系（贴合、螺纹、卡扣）是边。我们能否训练一个模型，学习从产品装配图到最优或可行装配序列的映射，然后在推理时毫秒级生成序列？同时，能否验证序列的可行性并指出违反了什么约束？本文正是沿着这一思路开展研究。

2. 装配结构图建模与特征工程

2.1 异构图定义

产品装配关系被定义为一个有向异构图$\mathcal{G}=(\mathcal{V},\mathcal{E},\mathcal{R})$。节点$v_i \in \mathcal{V}$代表一个零件或子装配体（在层次化分解中）。边$(v_i, r, v_j) \in \mathcal{E}$表示$v_i$与$v_j$之间通过关系类型$r$关联，$r \in \mathcal{R}$包括：

• mate：贴合/对准（无紧固件）；
• fasten：通过螺钉、铆钉、焊接等紧固；
• insert：轴孔插入；
• enclose：包容关系（如壳体盖板）；
• contact：非固定接触（仅定位）。

每个节点附带属性向量：零件类型（钣金、机加工、标准件）、质量、体积、对称性标志、抓取面数量等。

每条边带属性：配合间隙、紧固力矩要求、装配方向限制等。

2.2 优先约束提取

从产品设计中的几何可达性（例如零件C被零件A和B包围，则C必须在A、B之前安装）、稳定性（零件安装后应能保持位置不跌落）以及工艺优先关系（如先清洗后装配），我们可以提取一部分显式的“先后约束”作为先验知识。但这些约束往往不完整，模型需要从数据中学习隐含的更复杂约束。

3. 图神经网络序列生成模型

3.1 编码器：图注意力网络

将装配图$\mathcal{G}$输入一个三层的图注意力网络（GAT）。每层执行：
$h_i^{(l+1)}=\sigma \left({\sum }_{r\in \mathcal{R}}{\sum }_{j\in {\mathcal{N}}_r(i)}{\alpha }_{ij}^{(l,r)}{W}_r^{(l)}{h}_j^{(l)}\right)$hi(l+1)​=σ(∑r∈R​∑j∈Nr​(i)​αij(l,r)​Wr(l)​hj(l)​)
其中$\alpha_{ij}^{(l,r)}$为注意力系数，根据关系类型$r$分别计算。最后一层输出每个节点的$d$维嵌入向量$z_i$，包含该零件在整个装配上下文中的角色信息。

3.2 解码器：自回归序列生成

解码器基于Transformer的因果掩码结构，逐步输出装配序列$[v_{\pi(1)}, v_{\pi(2)}, …, v_{\pi(N)}]$。在第$t$步，模型已知已装配的零件集合$S_{t-1}$，需要从未装配的零件中选择下一个。为此，我们引入状态编码$s_t = \text{AGG}( { z_i | i \in S_{t-1} } )$，然后计算每个候选零件$v_j \notin S_{t-1}$的得分：
$\text{score}(j)=MLP([z_j;s_t;\text{interaction}(j,S_{t-1})])$score(j)=MLP([zj​;st​;interaction(j,St−1​)])
其中$\text{interaction}$项表示候选零件与已装零件之间的边特征汇总。通过softmax选择得分最高的零件，或使用集束搜索保留多个候选序列。

训练阶段：使用教师强制（teacher forcing）方式，损失函数为负对数似然。我们将历史产品中经过验证的装配序列作为正样本。同时利用数据增强：随机掩码部分约束，生成不同的可行序列作为训练数据，增强模型泛化能力。

3.3 可行性约束注入

为了确保生成的序列满足几何可行性（不干涉、可达），我们在训练中不仅使用样例序列，还引入一个判别器网络（见下一节），并将判别器反馈作为强化学习奖励信号，对生成器进行微调。这类似于GAN的思路，但生成器是序列模型。

4. 可装配性验证网络

单独搭建一个双线性图神经网络判别器，用于快速验证给定装配序列的可行性。输入为装配图$\mathcal{G}$和序列$\pi$，输出为二进制标签（可行/不可行）以及违反约束类型的概率分布。判别器结构如下：

• 对每个时间步$t$，将已装配子图$\mathcal{G}_{S_t}$和候选零件特征通过时间感知聚合；
• 使用层次化GNN检测三类典型不可行原因：
  1. 干涉：候选零件$v_j$的扫略路径与已安装零件$S_{t-1}$发生碰撞；
  2. 稳定性：安装后$v_j$在重力下会掉落（缺少支撑）；
  3. 可达性：工具或操作手无法进入安装位姿。

判别器通过记忆这些约束，可对未在训练中出现的序列进行通用评估。实验表明，判别器验证一条序列的时间约为3ms，远快于CAD软件中的物理仿真（通常需要数百毫秒到数秒）。我们将判别器用于后过滤，确保最后推荐的序列百分百可行。

5. 实验与结果

5.1 数据集构建

收集了某非标设备制造商200个非标装配体的三维模型与工艺文件，零件数范围从5到30不等。人工提取每个案例的至少一个可行装配序列（通过资深工艺师确认）。其中150个用于训练，50个用于测试。

5.2 评价指标

• 成功率：模型生成的Top-1序列经过判别器验证为可行的比例。同时记录Top-3、Top-5的可行性。
• 序列相似度：与人工参考序列的最长公共子序列（LCS）长度。
• 生成时间：平均每个测试案例的推理耗时。

5.3 结果与对比

• 本文方法Top-1成功率为91%，Top-5成功率为98%。对比方法：基于遗传算法的GA-Planner（为每个案例运行30代）成功率为84%，但平均耗时3.2分钟；基于规则的Expert-Rule只用0.05秒，但成功率仅47%。
• 序列相似度：本文生成的序列与人工参考序列LCS平均为0.78，说明模型学会的序列与专家指示相近，但有时会生成不同的可行序列（判别器确认可行而人工未提及），体现了方法的创造性。
• 生成时间：每案例0.2秒（包括图编码和自回归解码），完全达到实时交互要求。

5.4 消融实验

去掉异构图中的关系类型（统一视为无向边），成功率降至71%，说明区分fasten与mate至关重要。去掉注意力机制（使用平均邻居聚合），成功率降至81%。使用LSTM替代GAT编码器，成功率仅为65%，因为LSTM强制将图线性化，损失了拓扑信息。

6. 挑战与展望

动态零件变化：在实际装配中，有些零件可能在后期需要拆卸以完成另一零件的安装，涉及重定向序列。本文模型目前不支持多次装配-拆卸，未来可引入“子装配体”循环。

与CAD系统集成：目前输入装配图需人工提取，未来应直接对接CAD软件的装配树和碰撞检测模块，实现端到端的自动化。

不确定性下的规划：产品设计有时未完全定义公差，导致某些序列的可行性取决于实际零件尺寸偏差。需要考虑概率性约束。

可解释性：工艺师需要理解模型为何选择某序列。可以通过注意力权重可视化或反事实解释（“如果先装零件A会发生什么干涉”）来提高可解释性。

7. 结论

本文提出了一种基于图神经网络的非标装配序列规划与可装配性验证方法。通过异构图建模产品装配关系、图注意力网络编码零件上下文、自回归模型生成序列以及专用的判别器网络进行快速验证，实现了在毫秒级时间为非标产品生成可行装配序列。实验证明该方法在成功率和效率上显著优于传统方法。本研究为智能工艺设计提供了一种新颖的、数据驱动的解决方案，有望减少对人工经验的依赖，缩短非标产品生产准备周期。