面向非标制造的知识-数据双驱动工艺优化：在有限样本下融合物理先验与深度学习的设计空间导航

一、引言

非标制造因其产品种类多变、批量小、工艺路径不固定等特点，长期面临工艺参数优化效率低、依赖专家经验、试错成本高等挑战。传统的工艺优化方法主要依赖物理实验或数值仿真积累数据，再通过响应面法、田口方法等手段寻找最优参数组合。然而，在非标制造场景下，每个新订单往往意味着全新的工艺条件，历史数据难以直接复用，而针对特定工况重新开展大规模实验或仿真又受限于时间和成本。

数据驱动方法，特别是深度学习技术，为工艺优化提供了新的可能性。神经网络能够从数据中自动提取复杂的映射关系，无需事先假设函数形式。但纯数据驱动方法存在一个根本性困境：当训练样本有限时，模型极易过拟合，在未采样区域产生不可靠的预测，导致优化过程偏离真实最优解。在非标制造中，由于每个工况的有效样本往往只有几十到几百组，这一问题尤为突出。

知识-数据双驱动方法应运而生。其核心思想是：将物理先验知识以适当形式嵌入数据驱动模型，利用知识弥补数据不足，同时利用数据修正知识的不精确性。在非标制造工艺优化场景中，这种融合策略能够在小样本条件下实现比纯数据方法更优的泛化性能，形成一种高效的设计空间导航能力——即在庞大的工艺参数空间中，以最少的实验或仿真调用，快速锁定最优工艺区域。

二、物理先验的多种嵌入方式

物理先验知识在制造工艺领域十分丰富，包括守恒定律（如质量守恒、能量守恒）、本构关系（如应力-应变关系）、经验公式（如切削力经验模型）、以及专家积累的规则性知识（如某类材料推荐切削速度范围）。将这些先验嵌入数据驱动模型，可以采取多种策略。

第一种策略是损失函数正则化。在神经网络的损失函数中增加物理约束项，惩罚模型输出违背物理定律的行为。例如，在预测切削温度场的模型中，可以要求预测温度满足热传导方程残差最小。这种方法的优点是实现简单，不改变网络结构，缺点是物理约束仅以软约束形式存在，不能保证严格满足。

第二种策略是物理信息神经网络，即直接将物理方程以残差项形式加入损失函数，并通过自动微分计算偏导数。这种方法在流体力学、固体力学等领域已有成功应用，在制造工艺建模中也逐渐受到关注。其优势在于可以同时在数据和物理方程上训练模型，即使在无数据区域也能依靠物理方程提供监督信号。

第三种策略是先验数据增强。利用物理仿真模型生成大量合成数据，用于预训练神经网络，再用少量真实实验数据微调。这种方式充分利用了物理模型的泛化能力和真实数据的准确性，在非标制造场景下尤其适用——即使物理模型存在一定的简化误差，通过少量真实数据的校准，模型仍能达到工程可用的精度。

第四种策略是贝叶斯先验设定。在贝叶斯神经网络或高斯过程中，可以将物理知识转化为对模型参数的先验分布。例如，如果已知工艺参数与输出响应之间呈单调关系，可以通过先验约束引导模型学习这种单调性，从而在小样本条件下降低过拟合风险。

三、设计空间导航的主动学习框架

在非标制造中，工艺优化的目标是在有限的实验预算内找到满足质量约束的最优参数组合。这一问题可以形式化为黑盒优化问题——目标函数（如加工质量指标）没有显式表达式，每次评估都需要进行物理实验或高保真仿真，代价昂贵。

知识-数据双驱动方法为这一问题提供了一个高效的解决方案：代理模型辅助的贝叶斯优化框架。在这一框架中，双驱动模型作为目标函数的代理，提供对任意参数点的预测均值和不确定性估计。然后利用采集函数在预测均值高（可能最优）和不确定性高（信息量大）之间进行权衡，推荐下一个评估点。

物理先验在这一框架中发挥着双重作用。在代理模型层面，物理知识提高了小样本下的预测精度，使模型在数据稀疏区域仍能给出合理预测。在采集函数层面，物理知识可以作为约束条件，将搜索空间限制在物理可行区域内，避免推荐违反基本物理规律的参数组合。

研究实践表明，在非标铣削工艺优化中，采用物理信息神经网络作为代理模型的贝叶斯优化方法，在仅使用30组训练数据的情况下，找到的最优点与全局最优解的差距比纯数据驱动方法缩小了约40%。在非标注塑成型工艺优化中，将熔体流动的物理方程嵌入代理模型后，优化迭代次数减少了约三分之一。

四、融合架构与泛化优势分析

知识-数据双驱动方法的泛化优势可以从以下三个方面理解。

第一，物理先验充当了归纳偏置。深度学习模型本身需要大量数据才能学到有意义的映射关系，因为其假设空间极大。物理先验通过限制假设空间，将模型的学习聚焦于物理合理的函数族上，从而降低了样本复杂度。这是一种有效的正则化，在小样本下尤显珍贵。

第二，物理知识提供了跨工况迁移的锚点。在非标制造中，不同工况之间的工艺参数范围可能差异较大，但背后的物理机制是相通的。双驱动模型通过对物理机制的嵌入，能够在新工况下利用已有知识进行推理，即使该工况的具体数据很少。这种迁移能力是纯数据驱动方法难以具备的。

第三，知识-数据的协同校正机制。当物理模型本身存在简化误差时，纯物理方法可能在关键区域产生较大偏差。双驱动方法允许数据对物理预测进行校正，同时物理知识又防止数据驱动部分在稀疏区域产生无物理意义的预测。这种协同作用使得模型在数据密集区域具有数据驱动的精度，在数据稀疏区域仍保持物理驱动的合理性，从而在整个设计空间内实现均衡的预测性能。

在非标制造场景的多个案例中，知识-数据双驱动方法均展现出了对小样本的强鲁棒性。当训练样本从100组减少到20组时，纯数据驱动方法的预测误差增加了约三倍，而双驱动方法的误差增幅不超过一半。这种稳定性对于样本获取成本高昂的非标制造而言，具有重要的工程意义。

五、挑战与展望

尽管知识-数据双驱动方法展现出巨大潜力，但其在实际非标制造中的推广仍面临若干挑战。一是物理知识的获取与形式化表达需要跨学科协作，制造工程师与数据科学家之间需要建立有效的知识转化机制。二是不同制造工艺的物理规律差异巨大，通用的嵌入框架尚不成熟。三是物理模型的精度与计算效率之间存在权衡，高保真物理模型虽然准确但仿真时间过长，难以嵌入迭代优化流程。

展望未来，随着制造工艺数字孪生技术的成熟和数据积累的增多，知识-数据双驱动方法有望成为非标制造工艺优化的标准范式。物理信息神经网络、基于物理的迁移学习、以及融合领域知识的贝叶斯优化等技术将不断融合，推动非标制造从经验驱动向知识-数据联合驱动转型。