Abstract Five-axis flank milling is prevalent in complex surfaces manufacturing, and it typically consumes high electricity energy. To save energy and improve energy efficiency, this paper proposes a tool path optimisation of five-axis flank milling by meta-reinforcement learning. Firstly, considering flank milling features, a feed angle is defined that guides tool spatial motion and identifies an ideal principal path. Then, machining energy consumption and time are modelled by tool path variables, i.e., feed angle, cutting strip width and path length. Secondly, an energy-efficient tool path dynamic optimisation model is constructed, which is then described by multiple Markov Decision Processes (MDPs). Thirdly, meta-learning integrating with the Soft Actor-Critic (MSAC) framework is utilised to address the MDPs. In an MDP with one principal path randomly generated by a feed angle, cutting strip width is dynamically optimised under a maximum scallop height limit to realise energy-efficient multi-expansions. By quick traversal of MDPs with various feed angles, MSAC enables an energy-efficient path generation and expansion integrated scheme. Experiments show that, regarding machining energy consumption and time, the proposed method achieves a reduction of 69.96% and 68.44% over the end milling with an iso-scallop height, and of 41.50% and 39.80% over the flank milling with an iso-scallop height, with a minimum amount of machining carbon emission, which highlights its contribution to the arena of energy-oriented and sustainable intelligent manufacturing.

Five-axis machining, especially flank milling, is popular in machining thin-walled freeform surface parts with high energy consumption. Reducing the machining energy consumption is paramount for advancing green manufacturing. Therefore, this paper proposes an energy-efficient integration optimisation of cutting parameters and tool path with hierarchical reinforcement learning (HRL). Firstly, a novel multi-pass machining energy consumption model is developed with cutting and path parameters, based on which the integrated optimisation problem is modelled considering a dynamic workpiece deformation constraint. Secondly, HRL with a Soft Actor Critic agent (HSAC) decouples the model into two Markov Decision Processes at different timescales. The higher-layer plans cutting parameters for each pass on a macro timescale, while the micro-timescale lower-layer performs multiple tool path expansions with the planned cutting parameters, and provides feedback to the higher layer. By hierarchical optimisation and non-hierarchical interaction, the model is efficiently solved. Moreover, curriculum transfer learning is applied to expedite task completion of the lower layer, enhancing interaction efficiency between the two layers. Experiments show that, compared with two benchmarks, the proposed method improves machining energy consumption by 35.02 % and 30.92 %, and reduces machining time by 38.57 % and 27.17 %, providing a promising paradigm of green practices for thin-walled freeform parts and the broader manufacturing industry.

In the context of Industry 4.0, model-based definition (MBD) has been an effective approach to creating 3D models contained all heterogeneous information needed to define a product, which proposes new challenges for the traditional subassembly identification method that only considers the geometric information of a product in assembly sequence planning. To bridge the gap, we propose a novel heterogeneous knowledge graph-driven subassembly identification method to enhance assembly sequence planning in the model-based systems engineering (MBSE) paradigm. Specifically, a heterogeneous knowledge graph is first constructed based on the shape information and engineering details of an MBD model. Next, an ensemble deep learning approach that combines graph neural networks with the community detection algorithm is proposed to effectively detect the subassembly from the MBD model. Finally, the feasibility and effectiveness of the proposed method are demonstrated through an example of car suspension subassembly identification, providing insight into the industrial implementation.