Mill2Seq-A deep learning-based approach for Milling Operation Sequence Generation

Verma, Satyam Kumar

doi:10.1016/j.cag.2026.104714

Mill2Seq-A deep learning-based approach for Milling Operation Sequence Generation

2026-08-01

1

PRE

AI

V

Verma, Satyam Kumar *

R

Raj, Aditya

R

Ramanathan Muthuganapathy

DOI：10.1016/j.cag.2026.104714

原文链接

原文求助

摘要

En 中文

铣削是一种基础制造工艺，但传统的计算机辅助工艺规划（CAPP）系统仍严重依赖人类专业知识，限制了可扩展性。深度学习在工艺规划中的应用受到数据集有限、几何表示无效以及空间依赖关系映射到加工序列复杂性的制约。本研究提出了一种新型3D CAD模型数据集，以带属性的面邻接图（FAGs）表示，其中节点编码38维几何属性，边捕捉20维拓扑交互。基于此数据集，我们提出了一种解耦的端到端生成框架。图注意力网络（GATv2）执行语义特征识别和面聚类，并通过Transformer模块联合预测刀具选择、加工轴和特征间优先级约束。通过破环操作将概率神经网络预测修正为严格的 Directed Acyclic Graph（DAG）以避免机器碰撞，并通过约束旅行商问题（TSP）求解器生成最终序列以最小化设置翻转和刀具更换。广泛评估表明接近完美的感知能力，GATv2达到99.77%的节点级宏F1和96.88%的精确特征提取率。在19,724个未见CAD零件的全自主端到端推理中，该流程的效率成本为96.28%，无碰撞的有效效率评分（VES）为93.79%。结果表明，结合神经感知与确定性序列生成，为实际CAPP自动化提供了安全、高度优化且可扩展的途径。

Keyword:

Computer-Aided Process Planning

Graph Attention Network

Transformer

Face Adjacency Graph

Milling

Deep learning

CAD/CAM automation

Mill2Seq-A deep learning-based approach for Milling Operation Sequence Generation

摘要

期刊

机构

引用论文