本发明涉及智能制造和先进检测，尤其涉及工件表面质量的预测方法及系统。
背景技术：
1、情绪在制造业中，工件表面质量直接影响产品的性能、寿命和可靠性。高质量的表面能够显著提高工件的抗磨损、抗腐蚀性能，同时减少疲劳裂纹的发生。精准的表面质量预测有助于及时调整加工参数，提高加工过程的稳定性和效率，确保最终产品满足设计要求。
2、当前工件质量常面临以下问题：表面粗糙度不均匀、热损伤、内部缺陷等。这些问题主要由加工过程中的不稳定因素、设备磨损、工艺参数设置不当等原因引起。例如，切削速度过高可能导致表面粗糙度增加，冷却不足可能引起热损伤，而材料内部应力未能均匀释放则可能导致内部缺陷。
3、现有技术(中国发明专利，公开号：cn118247269a，名称：一种工件表面质量预测方法、装置及计算设备)在应对上述问题时存在以下缺陷：
4、依赖样本图像的第一属性(如显微硬度值)进行分组，忽略了其他重要特征如表面粗糙度和热分布，导致分组模型的不准确性；
5、将样本图像划分为多个细分段并根据第二属性数据划分状态，这一过程复杂且容易受噪声干扰，导致状态划分不准确；
6、通过状态转移概率矩阵计算马尔可夫过渡模型参数，计算复杂度高，且假设状态转移仅依赖当前状态，忽略历史数据对未来状态的潜在影响；
7、主要依赖图像数据，未能充分利用其他形式的数据(如热成像、超声波信号)，导致对工件表面质量预测的不全面和不准确。
技术实现思路
1、针对上述现有技术存在的诸多问题，本发明提供工件表面质量的预测方法及系统，本发明通过引入相移干涉术、热成像分析、超声波相控阵检测等多模态数据获取技术，结合多模态变分自编码器(mm-vae)和图神经网络(gnn)，对综合特征数据进行联合特征学习和图结构数据深度学习，并通过强化学习优化，最终生成高精度的预测模型；该模型能够实时预测工件表面质量，并通过分布式传感网络反馈系统，及时调整加工参数，确保加工质量；效果上，本发明显著提高了工件表面质量预测的准确性和实时性，解决了现有技术的多项局限。
2、一种工件表面质量的预测方法，包括以下步骤：
3、利用相移干涉术、热成像和超声波相控阵设备分别获取工件的干涉图像数据、热成像数据和超声波信号数据，并进行预处理以生成干涉特征数据、热特征数据和超声波特征数据，将所述干涉特征数据、热特征数据和超声波特征数据进行融合，生成综合特征数据；
4、将所述综合特征数据输入到多模态变分自编码器中进行联合特征学习，生成联合特征表示；将联合特征表示构建为图结构数据，并利用图神经网络对图结构数据进行深度学习和优化，生成图结构状态模型；
5、对所述图结构状态模型进行多阶段预测建模，包括初步分组与建模、细分段划分与状态标注、状态转移建模和强化学习优化，以生成最终优化模型；
6、实时采集工件的干涉图像数据、热成像数据和超声波信号数据，进行预处理和融合，生成实时综合特征数据，将实时综合特征数据输入到所述最终优化模型中进行预测，生成表面质量预测结果，并通过分布式传感网络将表面质量预测结果反馈给加工设备和操作人员，以调整加工参数。
7、优选的，所述预处理包括：
8、对干涉图像数据进行噪声去除，应用中值滤波算法去除干涉图像中的噪声；
9、对干涉图像数据进行图像增强，使用直方图均衡化算法增强图像对比度；
10、对热成像数据进行热图像校正，应用多点温度校准方法校正热图像；
11、对热成像数据进行去除热噪声，使用低通滤波算法去除热成像数据中的噪声；
12、对超声波信号数据进行信号滤波，应用带通滤波器去除超声波信号中的低频和高频噪声；
13、对超声波信号数据进行特征提取，使用时频分析方法提取超声波信号的特征频谱。
14、优选的，所述数据融合包括：
15、将干涉特征数据、热特征数据和超声波特征数据进行标准化处理，对每种特征数据进行零均值单位方差标准化；
16、将标准化后的干涉特征数据、热特征数据和超声波特征数据进行加权平均，为每种特征数据分配权重，并计算加权平均值以生成综合特征数据；
17、所述权重的确定方法包括基于各特征数据的预测性能，通过交叉验证方法选择最优权重组合。
18、优选的，所述多模态变分自编码器通过以下步骤进行联合特征学习：
19、将综合特征数据输入编码器，使用多层神经网络对综合特征数据进行编码，将其映射到潜在空间；
20、从潜在空间中解码，使用多层神经网络将潜在表示解码为重构特征数据；
21、计算重构误差，使用均方误差作为损失函数，计算原始综合特征数据与重构特征数据之间的误差；
22、优化模型参数，使用反向传播算法调整编码器和解码器的参数，以减少重构误差，提高联合特征表示的准确性。
23、优选的，所述图神经网络通过以下步骤对图结构数据进行深度学习和优化：
24、将联合特征表示构建为图结构数据，将每个特征表示作为图中的节点，节点之间的关系作为边；
25、进行图卷积处理，使用多层图卷积网络提取节点的高阶特征，更新每个节点的表示；
26、应用图注意力机制，计算每个节点的注意力权重，增强对关键特征节点的关注；
27、生成图结构状态模型，整合所有节点的高阶特征表示，形成图结构状态模型。
28、优选的，所述图注意力机制包括：
29、计算节点间的相关性，使用点积注意力机制计算节点间的相关性分数；
30、归一化相关性分数，使用softmax函数将相关性分数归一化；
31、加权求和节点特征，将归一化后的相关性分数作为权重，对节点特征进行加权求和，生成注意力增强图特征数据。
32、优选的，所述多阶段预测建模包括以下步骤：
33、初步分组与建模，对联合特征表示进行聚类分析，使用k-means聚类算法对联合特征表示进行聚类，生成初步组分布模型；为每个初步组建立初步预测模型，使用回归分析或分类模型对初步组进行建模；
34、细分段划分与状态标注，将初步组数据划分为多个细分段，基于时间序列将初步组数据按固定时间窗口划分；对每个细分段进行状态标注，使用隐马尔可夫模型对细分段数据进行状态标注，生成状态序列数据；
35、状态转移建模，将状态序列数据构建为图结构数据，将每个状态作为图中的节点，节点间的转移关系作为边；使用图神经网络对状态序列数据进行建模，生成状态转移图模型；
36、强化学习优化，在强化学习环境中对状态转移图模型进行优化，定义状态、动作和奖励机制，使用深度q网络或策略梯度方法对模型进行优化，生成最终优化模型。
37、优选的，所述初步分组与建模包括以下步骤：
38、使用k-means聚类算法对联合特征表示进行聚类，将联合特征表示输入到k-means聚类算法中，选择合适的聚类数量，生成初步组分布模型；
39、为每个初步组建立初步预测模型，使用回归分析或分类模型对每个初步组进行建模，生成初步预测模型数据。
40、优选的，所述状态转移建模包括以下步骤：
41、使用图神经网络对状态序列数据进行多层图卷积处理，将状态序列数据构建为图结构数据，使用多层图卷积网络提取节点的高阶特征，更新节点表示；
42、生成状态转移图模型，整合所有节点的高阶特征表示，形成状态转移图模型，并用于状态转移概率的计算和预测。
43、一种用于实施所述工件表面质量的预测方法的系统，包括：
44、数据采集模块，用于利用相移干涉术、热成像和超声波相控阵设备分别获取工件的干涉图像数据、热成像数据和超声波信号数据；
45、预处理模块，与所述数据采集模块连接，用于对干涉图像数据进行噪声去除和图像增强，对热成像数据进行热图像校正和去除热噪声，对超声波信号数据进行信号滤波和特征提取，以生成干涉特征数据、热特征数据和超声波特征数据；
46、数据融合模块，与所述预处理模块连接，用于将干涉特征数据、热特征数据和超声波特征数据进行标准化处理，并进行加权平均，以生成综合特征数据；
47、特征提取与建模模块，与所述数据融合模块连接，包括多模态变分自编码器，用于对综合特征数据进行联合特征学习，生成联合特征表示；以及图神经网络，用于将联合特征表示构建为图结构数据，并对图结构数据进行深度学习和优化，生成图结构状态模型；
48、预测建模模块，与所述特征提取与建模模块连接，用于对图结构状态模型进行多阶段预测建模，包括初步分组与建模、细分段划分与状态标注、状态转移建模和强化学习优化，以生成最终优化模型；
49、实时预测与反馈模块，与所述预测建模模块连接，用于实时采集工件的干涉图像数据、热成像数据和超声波信号数据，进行预处理和融合，生成实时综合特征数据；将实时综合特征数据输入到最终优化模型中进行预测，生成表面质量预测结果；并通过分布式传感网络将表面质量预测结果反馈给加工设备和操作人员，以调整加工参数。
50、相比于现有技术，本发明的优点及有益效果在于：
51、本发明通过多模态数据融合与特征提取技术手段，实现了对工件表面特征的全面捕捉，解决了现有方案单一属性分组的局限性；
52、本发明通过多模态变分自编码器(mm-vae)技术手段，实现了综合特征数据的联合特征学习，提升了特征表示的准确性；
53、本发明通过图神经网络(gnn)技术手段，实现了图结构数据的深度学习和优化，捕捉特征之间的复杂关系，解决了状态转移概率矩阵计算复杂度高的问题；
54、本发明通过强化学习优化技术手段，实现了模型参数的自适应调整，提升了模型的预测精度；
55、本发明通过多阶段预测建模技术手段，实现了对工件表面质量的精准预测，改进了马尔可夫模型的单一假设。
1.一种工件表面质量的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，所述预处理包括：
3.根据权利要求1所述的方法，所述数据融合包括：
4.根据权利要求1所述的方法，所述多模态变分自编码器通过以下步骤进行联合特征学习：
5.根据权利要求4所述的方法，所述图神经网络通过以下步骤对图结构数据进行深度学习和优化：
6.根据权利要求5所述的方法，所述图注意力机制包括：
7.根据权利要求1所述的方法，所述多阶段预测建模包括以下步骤：
8.根据权利要求7所述的方法，所述初步分组与建模包括以下步骤：
9.根据权利要求7所述的方法，所述状态转移建模包括以下步骤：
10.一种用于实施权利要求1-9任一所述工件表面质量预测方法的系统，其特征在于，包括：
