基于改进图注意力网络的复杂制造系统产品质量建模

摘要

针对复杂制造系统产品质量建模问题面临的多工序间非线性依赖、复杂结构关系、远距离误差传递以及生产过程工程知识不足等关键挑战，本文提出了一种基于改进的图注意力网络的建模方法——ICLF-GAT。首先，采用数据驱动的深度学习框架，可避免对先验物理知识的依赖；其次，基于图注意力网络(GAT)构建制造系统有向图模型，可有效捕捉工序间的复杂结构特征和非线性依赖关系；在此基础上，创新性地提出层间对比损失过滤机制，通过动态评估和筛选节点特征质量，可显著缓解深层GAT中的过平滑问题，大幅提升针对远距离节点间误差传递的建模能力；最后，通过设计目标注意力解码器，进一步增强对系统整体复杂依赖关系的建模精度。仿真实验和实际工业案例的分析结果表明，ICLF-GAT的均方根误差(RMSE)较现有基准方法有显著降低，特别是在远距离误差传递建模方面具有突出优势。

关键词

产品质量建模 / 数据驱动 / 图注意力网络(GAT) / 层间对比损失过滤机制 / 过平滑问题 / 目标注意力解码器