基于图神经网络的优化框架，用于多阶段制造系统中非合规产品的回收

《JOURNAL OF INTELLIGENT MANUFACTURING》：A graph neural network-based optimization framework for nonconforming product recovery in multistage manufacturing systems

在航空涡轮叶片多阶段制造中，基于图神经网络（GNN）与约束优化的重工作业优化方法有效解决了质量特征间的耦合问题。该方法通过构建特征关联图，预测非合规参数调整对合格参数的影响，结合决策支持机制筛选可修复产品，使回收成功率提升至90.2%并降低二次缺陷风险。

　　

摘要

在航空航天和航空等高精度制造行业中，确保产品符合质量规范对于产品的功能性和安全性至关重要。当质量特性超出其规范限值时，产品就视为不合格品，需要通过返工来调整这些特性，使其恢复到规定的规范限值范围内，然后再进入后续制造阶段。对于具有复杂几何特征的产品（例如通过多阶段制造系统（MMS）生产的涡轮叶片），质量特性之间的相互依赖性给返工过程带来了挑战。在某个阶段对超出规范限值的特性进行返工可能会导致其他最初在规范范围内的特性也偏离其规范限值，从而可能引发更多的不合格问题。本文提出了一种基于图的优化方法，该方法将图神经网络（GNN）与优化算法相结合，用于修复MMS中的不合格产品。其创新之处在于将MMS中的不合格产品修复问题表述为一个基于图的约束优化问题。GNN模型化了返工过程中质量特性之间的关系，并预测超出规范限值的特性的返工会对已经在规范范围内的特性产生何种影响。基于这些建模的关系，优化算法确定不合格特性的最佳返工值，以使其恢复到规范限值范围内，同时保持其他特性的合格性。该方法还包含了一个决策支持机制，用于识别可修复的产品和无法修复的产品。这一机制能够及早拒绝不可行的返工尝试，从而节省资源。所提出的方法使用了来自航空涡轮叶片生产过程的真实制造数据进行了验证。结果表明，该方法能够以90.2%的修复成功率修复不合格产品，同时将额外产生不合格问题的风险降至最低。决策支持机制成功识别出不适合修复的产品，从而实现及早拒绝，减少了资源浪费。这些发现凸显了该方法在推进零缺陷制造、提高修复效率、减少非增值操作以及促进高精度MMS的可持续性方面的潜力。