基于CNN-GNN的特征识别与模糊多属性决策方法（MCDM）在STEP文件中的策略排序：智能机械加工决策的案例研究

《Expert Systems with Applications》：CNN–GNN-based feature recognition and fuzzy MCDM strategy ranking from STEP files: a case study on intelligent machining decisions

　　本研究提出结合CNN-GNN深度学习自动特征识别与混合模糊MCDM决策模型的框架，从ISO 10303-21 STEP文件直接生成智能加工策略。通过CNN提取几何特征，GNN建模拓扑关系，融合两者特征后采用模糊AHP-熵权-Fuzzy VIKOR模型进行多准则决策，验证了在盲孔加工中优于传统CAM工具92.3%的一致性，且决策鲁棒性通过参数扰动和不同VIKOR权重验证。摘要：不超过110字，使用纯文本，无格式标记。

　　
该研究提出了一种基于深度学习的自动特征识别（AFR）与混合多准则决策模型（MCDM）的集成框架，旨在从ISO 10303-21 STEP文件中直接生成智能加工策略。研究以机械制造中的几何特征识别与加工决策为核心，结合了计算机视觉、图神经网络和模糊决策分析方法，为数字化制造系统提供了端到端的解决方案。

在特征识别方面，研究创新性地融合了卷积神经网络（CNN）与图神经网络（GNN）的双重优势。CNN通过三维网格数据提取几何特征，能够有效识别孔、凹槽等标准制造特征；而GNN则通过构建CAD模型的图结构，捕捉特征间的拓扑关联性。这种混合架构在处理复杂几何时表现出显著优势，特别是在存在相交特征或嵌套结构的情况下，能够同时利用局部几何信息与全局拓扑关系进行特征分类。实验表明，该模型对盲孔特征的识别准确率达到92.3%，验证了其在非规则几何场景下的鲁棒性。

加工决策模型采用模糊层次分析法（AHP）与熵权法相结合的混合决策机制。研究团队通过引入模糊逻辑处理专家判断中的主观性，结合熵权法客观评估数据变异程度，构建了包含工具可达性、表面粗糙度、加工周期和公差精度等多维度的评价指标体系。这种双权重机制既保留了专家经验的价值，又通过数据驱动的权重分配规避了主观偏差。在盲孔加工策略选择中，模糊VIKOR算法成功识别出铰刀加工作为最优方案，其妥协指数（Q值）达到0.267，与资深工程师的建议高度吻合。

研究特别强调框架的工业适用性，通过模块化设计实现了从STEP文件解析到加工策略输出的全流程自动化。实验验证部分采用12种棱柱类零件的基准测试，结果显示该框架在保持高决策一致性的同时，将传统人工决策时间缩短了60%以上。鲁棒性测试表明，在VIKOR妥协参数波动±20%以及权重体系±20%扰动范围内，加工策略排序始终保持稳定，这为工业场景中的参数波动提供了理论支撑。

在方法创新方面，研究突破了传统AFR系统与决策支持系统间的信息孤岛。通过将CNN-GNN的特征提取层与模糊决策层进行端到端集成，形成了具有自解释能力的智能决策系统。系统不仅输出加工策略，还能通过可视化决策路径解释推荐理由，例如展示工具可达性评分与表面质量要求的平衡关系。这种透明化设计符合工业4.0对可追溯制造过程的需求，同时支持数字孪生系统的实时优化。

针对STEP文件解析，研究团队开发了基于ISO标准的专用解析器，能够完整提取几何拓扑信息与制造属性。这种标准化处理方式有效解决了不同CAD系统间的数据兼容性问题，为跨平台制造决策提供了可靠的数据基础。实验中使用的12个基准案例均来自开放CAD资源库，涵盖典型机械零件的5种标准特征类型，形成了多维度的测试矩阵。

在工业应用潜力方面，研究特别关注了可持续制造与成本优化。通过整合加工时间、刀具寿命、能耗等多重指标，系统在保证加工精度的前提下，实现了平均15%的刀具成本节约。这种综合优化能力在处理复杂零件时尤为突出，例如在多特征耦合的棱柱体加工中，系统能够自动识别特征间的空间关联性，避免传统方法中的孤立决策缺陷。

研究局限性部分客观指出了当前框架的适用边界。首先，训练数据规模限制（仅12个基准案例）可能导致复杂特征识别存在过拟合风险，后续研究计划扩展至200+工业案例库。其次，MCDM模型的权重分配仍依赖专家经验，团队正在开发基于强化学习的自适应权重调整模块。此外，STEP文件解析尚未涵盖所有国际标准扩展，需进一步开发通用性更强的数据处理器。

在技术实现层面，研究团队构建了完整的开发环境。基于PyTorch框架搭建了CNN-GNN混合模型训练平台，采用STEP-JSON中间格式实现CAD数据的标准化转换。模糊决策模块则开发了专用算法库，支持动态权重调整与多方案对比分析。整个系统通过微服务架构部署，可无缝接入MES（制造执行系统）和ERP（企业资源计划）平台，形成闭环的智能制造流程。

实验验证部分采用对比研究方法，将本框架的决策结果与主流CAM软件的输出进行对比分析。在12个测试案例中，策略推荐一致性达到89.5%，加工周期预测误差控制在±3.2%以内。特别值得注意的是，在处理存在特征重叠的复杂棱柱体时，本框架展现出更强的容错能力，其特征分割准确率比传统方法提高27.6%。

研究还建立了完整的验证指标体系，包括决策一致性指数（DI）、计算效率指数（CEI）和鲁棒性指数（RI）。在基准测试中，决策一致性指数达到0.923，计算效率指数优于传统MCDM方法42%，鲁棒性指数在参数波动±20%时仍保持0.87以上的系统稳定性。这些量化指标为同类研究提供了可复现的评估基准。

未来研究方向聚焦于三个维度：首先，构建千万级工业级CAD数据集，通过迁移学习提升模型泛化能力；其次，开发基于知识图谱的语义理解模块，实现STEP文件中非结构化文本信息的自动提取与融合；最后，研究联邦学习框架下的分布式训练机制，解决工业数据隐私与模型共享的矛盾。

该研究为智能制造提供了重要的技术参考，其核心价值在于构建了从数字孪生体到物理执行器的智能决策闭环。通过将深度学习特征识别与多准则决策机制有机结合，不仅解决了传统方法中特征识别与工艺规划割裂的问题，更重要的是建立了可解释的智能决策系统，这为ISO 23247标准中定义的"自主决策能力"提供了实现路径。在工业4.0背景下，该框架的模块化设计使其能够快速适配不同制造场景，例如航空零件的精密加工、能源设备的批量制造等特定领域，具有广泛的应用前景。