加工智能体不再自己算刀路:MillBill用几何反馈把97.4%目标表面做到0.1毫米内
核心概要
MillBill把数控加工中的工艺决策与几何执行分开:本地部署的Qwen3.8-27B只负责工序、刀具和切削参数,刀路生成、材料去除仿真与偏差测量交给几何工具链。在100个来自GrabCAD的零件上,按仿真后落在0.1毫米公差内的目标表面积计,MillBill达到97.4%,高于自行编写几何与刀路代码的GPT-6 Astra智能体的94.3%。不带语言模型的参考计划本身已达97.0%,说明增益主要来自几何工具链。
深度剖析
加工编程被拆成两件事:语言模型只做工艺决策,坐标、偏置和扫掠体积一律由几何算法计算。 此前的语言模型工艺规划器只输出工序、刀具和切削参数,停在刀路之前,计划从未在零件上执行;另一类做法让模型直接写G代码或自行编写几何与刀路代码,一个错误数字就会产出能运行却加工错零件的程序。 在100个零件上,MillBill用Qwen3.8-27B使97.4%的目标表面落在0.1毫米公差内,自行编写几何与刀路代码的GPT-6 Astra智能体为94.3%,Opus 5.5智能体为83.0%,CNC-Net为42.3%。
零件先被切成加工特征,装夹方向按刀具实际可达性挑选,而不是只看可见性。 可见性对可达是必要但不充分的:刀具长度有限,又夹在比刀杆宽得多的刀柄里,深而窄的区域可能看得见却够不着。 可达性测试对刀具库中每一对剩余的刀柄悬伸与可达长度做一次高度图膨胀,再按新暴露的可达体积贪心选择装夹;把可达感知装夹换成单一方向装夹后,公差内表面比例从97.4%降到66.4%。
几何工具链把计划变成刀路和G代码,用解析扫掠体精确判断材料是否残留,并把超差区域归到特征和工序上回传给模型。 常见做法用Z-map、dexel或体素离散工件来近似仿真,而这里对任意查询点直接检验其是否被刀具扫掠体切除。 每次构建按安全问题、过切面积和公差内表面比例排序,最多保留三次构建中的最好一次;只给一次构建时为95.6%,第二次升到97.2%,第三次为97.4%。
启示与展望
评估范围是100个取自GrabCAD Community Library的零件,公差0.1毫米,机床为索引式三轴加工中心,每个方法每个零件运行一次;同一仿真器给MillBill与各基线打分。方法限于从六个主轴方向装夹的三轴加工,需要斜装夹或五轴联动的零件不在范围内。
装夹与机床行程未建模,刀路未检查与夹具或刀柄的碰撞,可达性判据只是刀柄间隙的必要条件;仿真不计刀具偏摆、振动和磨损,因此仿真中满足公差的刀路在实际加工中未必达标。丝锥和螺纹铣刀未被仿真,螺纹几何只规划不验证;知识库是代表性而非厂商切削数据,AAGNet在合成零件上训练,识别误差可能传入计划。
