CN101694572B - 一种提供自评价的数控刀具智能选取方法 - Google Patents

Abstract

本发明涉及一种提供自评价的数控刀具智能选取方法，属于先进制造工艺智能化决策领域。本发明基于成功选刀实例建立选刀知识库，同时基于多目标优化对备选刀具进行评价。其基本思想是：选刀人员按照不同的工艺类型，在系统的提示下输入相应的参数值，可以有选择地输入一个、多个或全部，系统采用多因素模糊综合评价的方法，通过“相似度”这一指标对知识库中保存的选刀实例进行评价，找出与当前实例最接近的刀具，即与目标刀具相似度最高的刀具；并通过“置信度”这一指标为上述结果赋予自评价能力，即对上述选刀方案的可信程度进行评价。最终呈献给用户满足加工需求的刀具的多种方案，为刀具的快速准备提供支持。

Description

一种提供自评价的数控刀具智能选取方法

技术领域

本发明涉及一种提供自评价的数控刀具智能选取方法，属于先进制造工艺智能化决策领域。

背景技术

数控刀具作为制造资源的重要组成部分，它与零件几何特征、尺寸公差、表面精度及加工成本等方面有着十分密切的关系，对加工质量和加工效率起着决定性作用。随着技术的发展，加工制造需求日趋复杂，数控刀具的种类和数量也不断增长，这无疑给机械加工人员合理选择刀具带来了困难，种类及数量繁多的数控刀具管理也成为生产管理中的重要问题。据统计，由于刀具的缺乏或不合适，大约16％的生产调度无法进行，30％到60％的刀具散落在生产现场，金工车间每年刀夹具、耗材和备件的预算高出主要设备的7到12倍。刀具的选择、配置及有效的管理已成为企业制造加工过程中的瓶颈问题。研究和开发能够快速选择数控刀具、对刀具进行拼装规划的系统，以提高数控刀具准备速度并对数控刀具进行有效管理已成为企业亟待解决的问题。因此计算机辅助刀具选择技术的研究成为近年来的重要研究课题。从目前的研究成果来看，刀具选择方案的思路主要分以下几类：

1.单目标选刀

单目标选刀，即仅以单一指标作为选刀的优化目标。H.S.Rong等在文献《A mathematical analysis for cutter size selection on millingconvex prismatic pockets》中以加工时间为优化目标；S.Hindauja等在文献《Determination of optimum cutter diameter for machining 2.5Dpockets》中以加工成本为优化目标。

2.多目标优选刀

多目标优选刀，即考虑多种因素共同作用于选刀优化模型。陈敬海等在文献《面向柔性生产线方案设计的计算机辅助刀具管理系统研究》中，采用多因素评价的方法，建立了刀具优选模型，并用权值表示各因素的相对重要性，运用层次分析法确定各因素的权重，用“专家”知识对其进行校验。

花广如等在文献《模具数字化制造中智能CAPP与系统集成关键技术研究》中提出了一种综合考虑总切削时间和总切削体积的模具型腔粗铣加工刀具选择多目标优化模型。通过最小几何约束提取、切削层优化合并和多步长优选算法求解目标函数，得到了加工效率最高的刀具组合。

3.基于特征建模建立知识库

基于特征建模选刀，即对零件的加工特征和刀具的加工特征进行分析和建模，找到二者之间的推理关系，在此基础上建立知识库，经由知识库推理做出选刀决策，

杨涧石等在文献《刀具的计算机辅助选取与数据管理》中通过特征转换提取形状特征参数，通过人机交互界面获得精度等特征参数，在上述特征的基础上，经由推理机推理得到选配的刀具。

姚雷等在文献《基于STEP-NC特征建模及刀具选配系统研究》中在STEP-NC数据模型的基础上，通过零件的特征分析，建立常用加工零件的实体对应关系模型，作为刀具选配的依据，进行系统数据库的创建。

蒋新宇等在文献《基于特征的刀具智能选取及其数据管理技术研究》中给出了特征加工知识的产生式规则表示，通过获取特征加工知识，并对知识实施有效的组织和管理，建立了特征加工知识库；给出了刀具选取的推理机制和推理流程；在此基础上，运用特征加工知识的推理实现了刀具的智能选取。可以一次性选取整个零件，也可以选取单个特征，经系统识别提取出加工特征信息，自动生成所需加工刀具。

综合考虑多目标进行优化、同时创建智能化选刀知识库，这是智能化刀具选取方法的发展方向。

对上述选刀方案进行分析，发现都存在以下局限性：

(1)单目标选刀的缺点是只考虑一种因素，而不能对多种因素进行综合考虑，这种局限性影响了选刀结果的准确性。

(2)多目标选刀仅仅提出一种基本思想和框架性的解决方案，缺少对各参数隶属度函数的定量计算，因此不能直接用于应用实施。

(3)基于特征建模的知识库选刀主要是通过对零件的加工特征和刀具的加工特征进行分析和建模，找到二者之间的推理关系，在此基础上建立知识库。可以根据某一个特征目标，也可以根据提供的多个特征目标进行选刀，但由于无法对选刀结果的可信程度进行比较，因此影响了给用户提供的参考价值。总之，目前还没有任何一种选刀方法将选刀结果的可信程度的差异性呈现给用户作为参考。

发明内容

本发明的目的是提出一种提供自评价的数控刀具智能选取方法。本发明基于成功选刀实例建立选刀知识库，同时基于多目标优化对备选刀具进行评价，评价分为两个方面，一方面是对参数的相似程度的评价，另一方面是对上述相似度的可信程度的评价。基于上述思想的一种提供自评价的数控刀具智能选取方法，可以为用户提供更可靠的选刀方案。

本发明的目标是通过以下技术方案实现的。

首先，建立选刀实例知识库。

与目前常见的基于特征建模建立知识库的方案不同，本发明的知识库的建立是通过分析工艺专家的选刀实例，区分不同的工艺类型，分别提取特征参数，然后设计适合的存储格式进行存储。即，知识库中存储的是以加工工艺特征参数和对应的刀具构成的工艺专家的成功选刀实例。

对应不同的工艺类型，其特征参数是不同的。本发明通过对实际生产中的手动选刀实例进行分析和总结，提取在选刀过程中起关键作用的工艺参数，将刀具用这些关键工艺特征参数进行描述。

特征参数分为三类：第一类参数描述工艺类型，由2个参数组成。第二类参数为特有参数，随着工艺类型的不同而不同，由2个参数组成。例如：工艺类型为车削时，子工序的取值就被限定为车削下的可能的子工序，而随着子工序的不同，两个特殊参数的参数名称及取值范围也不相同。第三类参数为公有参数，这类参数对每把刀具来说其数值类型和取值范围都是相同的，由4个参数组成，分别是加工材料、加工硬度、加工粗糙度和粗精加工。公有参数的表示和处理相对简单，而特有参数需要根据加工工序的不同动态确定。

表1中的参数描述了加工任务的工艺特征，作为选刀实例的一部分保存起来，与之一起保存的还有相对应的刀具，这样就构成了一个完整的实例，在知识库中进行保存。

表1各工艺类型及其对应特征参数

然后，在建立好选刀知识库的基础上实现刀具的智能选取。

其基本思想是：选刀人员按照不同的工艺类型，在系统的提示下输入相应的参数值，可以有选择地输入一个、多个或全部，系统采用多因素模糊综合评价的方法，通过“相似度”这一指标对知识库中保存的选刀实例进行评价，找出与当前实例最接近的刀具，即与目标刀具相似度最高的刀具；并通过“置信度”这一指标为上述结果赋予自评价能力，即对上述选刀方案的可信程度进行评价。最终呈献给用户满足加工需求的刀具的多种方案，为刀具的快速准备提供支持。

本发明的一种提供自评价的数控刀具智能选取方法的整体框架设计流程如图1所示，其具体步骤如下：

步骤一、指导用户填写特征参数

首先，通过人机交互的方式，分步骤指导用户填写的加工任务的工艺特征参数。特征参数用户可以有选择地输入一个、多个或全部。

步骤二、生成目标刀具

在步骤一的基础上，生成目标刀具。目标刀具是满足所有加工工艺特征的理论计算上的最优刀具。通过提取用户输入的加工任务的工艺特征参数依次对目标刀具的加工参数赋值，完成目标刀具的生成。对于用户没有输入的加工参数，在生成目标刀具时将使用默认值。本发明中，目标刀具是一种理论计算上的理想刀具，在现实中有可能不存在。

步骤三、生成备选刀具集

在步骤一的基础上，生成备选刀具集。由于刀具的加工参数中加工工序、子工序、粗精加工三个参数对刀具的筛选有严格的限定作用，因此利用这三个加工参数进行精确匹配，从知识库库中筛选出一个刀具集合，称该刀具集合为备选刀具集。备选刀具集的生成可以有效的缩小模糊综合评价的刀具范围，有利于提高选刀的速度。

步骤四、进行模糊评价优选，生成推荐刀具集

在步骤二和步骤三的基础上，以目标刀具为标准，依次对备选刀具集中的刀具做出模糊综合评价，得到各刀具与目标刀具的相似度，并计算结果的置信度，然后按照推荐优先级的高低列出多种方案供用户选择。具体操作步骤如下：

第1步：计算刀具相似度

知识库中保存的选刀实例是实践经验的体现，因此具有模糊性和不确定性，难以精确描述。如在车削中的内圆车工艺中，要求刀具的直径小于被加工孔的直径，且越接近越好，这里的“越接近越好”就是一种具有模糊性的工艺经验。

本发明根据模糊数学原理，对工艺参数进行模糊匹配，综合考虑各工艺参数并对刀具做出评价，评价的结果称为相似度。刀具的相似度表明该刀具与目标刀具的接近程度，相似度越高则表明该刀具越能满足加工任务的需求。

在刀具加工参数的模糊匹配中，对该刀具的综合评价过程即为计算该刀具与目标刀具的相似度的过程。计算刀具相似度的步骤如下：

步骤a.每一把刀具都可以使用若干个参数来描述，刀具用式(1)表示：

C＝{P₁，P₂，P₃...，P_t}(1)

其中，C表示刀具，P₁，P₂，P₃...，P_t表示特征参数值。

步骤b.由于刀具中各加工参数在刀具选配中的重要性不同，各参数对刀具相似度的贡献大小也不同，使用参数的相似度权值Q来表示参数的重要性。权值的大小可根据参数的重要性做出调整。规定所有参数的相似度权值之和W为100，每个参数的权值大小介于0到100之间，如式(2)所示：

W＝Q₁+Q₂+Q₃+...+Q_t    (2)

步骤c.计算刀具相似度。先计算刀具的每一个参数的相似度，所有参数的相似度的加权平均值就是刀具的相似度值。故刀具相似度S的计算如式(3)所示：

$S=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{Q}_i\·{\mathrm{\λ}}_i,$ (0≤λ_i≤1，0≤S≤100)(3)

其中，对每个参数，引入隶属度λi来描述其相似度，λ_i∈[0，1]。

隶属度描述了该参数与目标刀具中对应参数的趋近程度，0表示隶属度最低，1表示隶属度最高。若目标刀具中的某一参数值为空，即用户未输入参数值时，则认为备选刀具集中的所有刀具在参数上的隶属度值为1，即目标刀具参数为空时认为该参数可取任意值。

参数隶属度λ值的计算方法如下：

考察刀具参数，可以把其分为两类，一类是定量参数，加工工艺、特有参数以及公有参数中的加工粗糙度、加工硬度和粗精加工都属于定量参数；另一类是定性参数，公有参数中的加工材料属于定性参数。

①计算定量参数的隶属度

定量参数的λ值可以根据相应的隶属度函数计算得到。在分析了选配刀具过程中所有可能的决策方式后，得出选刀过程中可能遇到的几种隶属度函数。

(i)偏大型

以目标刀具中的参数值为基准值，备选刀具集中的刀具的对应参数的值应比该基准值大，但越接近基准值隶属度越高，若小于基准值，则隶属度为0。偏大型参数的隶属度可按照式(4)计算：

其中，a表示基准值；x表示备选刀具集中的刀具的对应参数的值；b表示x可取的最大值。

(ii)偏小型

以目标刀具中的参数值为基准值，刀具中对应参数的值应比该基准值小，但越接近基准值隶属度越高，若大于基准值，则隶属度为0。偏小型参数的隶属度可按照式(5)计算：

其中，b表示基准值；x表示参数的值；a表示x可取的最小值。

(iii)精确型

以目标刀具中的参数值为基准值，要求刀具中对应参数的值精确等于该基准值时隶属度为1，否则隶属度为0。精确型参数的隶属度可按照式(6)计算：

$A\left(x\right)=\left\{\begin{array}{c}1,x=a\\ 0,x\≠a\end{array}\right.---\left(6\right)$

其中，a表示基准值。

(iv)中间型

以目标刀具中的参数值为基准值，当该基准值落入知识库中某刀具对应参数的区间(用[m，n]表示)时隶属度为1，否则隶属度为0。中间型参数的隶属度可按照式(7)计算：

其中，a表示基准值；m表示对应参数的区间的下限；n对应参数的区间的上限。

(v)区间型

以目标刀具中的参数值所表示的区间为基准区间(用[a，b]表示)，当基准区间与刀具对应参数所表示的区间(用[m，n]表示)的重叠部分越多则隶属度越高。若基准区间被包含，则隶属度为1；若刀具区间端点值均为达到基准区间的端点值，则隶属度为0。区间型参数的隶属度可按照式(8)计算：

其中，a表示基准区间的下限；b表示基准区间的上限；m表示对应参数的区间的下限；n对应参数的区间的上限。

公有参数的隶属度函数类型如表2所示。

表2公有参数适用的隶属度函数

参数名称	类型	取值范围	隶属度函数
				粗精加工	定量	粗或精	精确型
加工材料	定性	按级别	按级别指定
				加工硬度	定量	数值	偏大型
加工粗糙度	定量	数值	偏小型

特有参数的隶属度函数类型如表3所示。

表3特有参数适用的隶属度函数

②定性参数的隶属度计算

定性参数，其隶属度λ的值不能简单的指定为0或1，需要考虑参数值间的差异性。本发明对差异性采用分级的方法，对不同的级别指定不同的值，其值介于0和1之间。本发明涉及到的唯一一个定性参数“加工材料”的隶属度按以下方法确定。

在材料分类中使用分组的方法，每组材料中又细分为几个小类，每个小类都有唯一的组别代码，具体分组情况如表4所示。

表4材料分类表

按照上述分组方法确定的隶属度值如表5所示。

表5加工材料的隶属度值

级别	组间	组内	相同
				隶属度	0.5	0.75	1

第2步：计算选刀结果的置信度

相似度是通过隶属度函数计算得到的，仅仅表示了知识库中存储的某一刀具与目标刀具的相似程度，并没有体现出对选刀结果的可靠性衡量。因此为了对选刀结果的可靠性做出评价，在相似度的基础上引入置信度的概念。置信度是对相似度计算结果的一种可靠性判断，即当前计算出的刀具与目标刀具的相似度值的可信程度。

在一次刀具选配过程中，用户提供的参数越多，则选刀的结果理应越准确，离用户的期望理应越接近；反之，则虽然也能提供多种选择方案，但离用户的期望却比较远。因此置信度计算的一个重要依据就是用户提供的参数，即用户提供的参数越多，选刀结果的置信度越高。计算置信度的具体操作步骤如下：

步骤a.使用置信度权值(用R表示)来表示各参数对置信度的贡献大小，如式(9)所示：

W_c＝R₁+R₂+R₃+...+R_i    (9)

其中，R_i表示各参数对置信度的贡献的大小，即置信度权值，介于0到100之间；W_c表示置信度权值之和，所有权值之和为100。

步骤b.计算刀具的置信度(用S_c表示)。首先计算刀具的每一个参数的置信度δ_i，计算参数的置信度δ_i时，若目标刀具对应参数的值为空，则知识库中的备选刀具在该参数上的置信度δ_i为0；反之，则该参数的置信度δ_i等于该参数的相似度λi(即隶属度函数值)。所有参数的置信度的加权平均值就是该刀具的置信度值。置信度S_c可由式(10)计算得到：

$S_c=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{R}_i\·{\mathrm{\δ}}_i,$ 0≤S_c≤100         (10)

其中，R_i表示各参数的置信度权值；δ_i表示各参数的置信度值。

通过计算相似度与置信度，给出了对刀具与目标刀具的相似度及对该相似度的可靠性的判断，实现了基于模糊评价的自动选刀。用户在自动选刀时，应选择相似度和置信度都较高的刀具。

通过上述操作，生成推荐刀具集。推荐刀具集中可以查看刀具的实际库存情况，辅助用户结合库存情况做出决策。

有益效果：

(1)本发明提取出了对刀具选配产生影响的加工工艺参数，包括普遍适用的公有参数和针对不同工艺类型的特有参数，并提出了多目标优化方法中的参数的定量评价方法。

(2)基于各种工艺类型及其相应的工艺参数定义了成功选刀实例的格式，设计了基于选刀实例的知识库，与基于特征建模的知识库相比，本方案知识库更简单快捷、更有利于实施。

(3)将相似度与置信度两个层面的评价指标呈现给用户，其中用置信度来评价选刀方案的可信程度，这在目前查阅到的资料中尚未发现。

附图说明

图1为本发明的一种提供自评价的数控刀具智能选取方法的整体框架设计流程图。

图2为本发明具体实施方式中的推荐刀具集界面图；

图3为本发明具体实施方式中的刀具详情界面图。

具体实施方式

下面结合实施例对本发明技术方案做详细论述。

以车削为例，表6中给出了加工任务描述，需要选出满足表6中描述的加工任务的刀具。

表6用户要为以下加工任务选刀

首先，建立选刀实例知识库

通过手工选刀过程在知识库中积累起以下136个实例，以其中的3个实例对知识库内容进行说明。实例1的工艺参数如表7所示，相对应的刀具如表8所示：

表7知识库中实例1的工艺参数

表8知识库中实例1的刀具组装信息

实例2的工艺参数如表9所示，相对应的刀具如表10所示：

表9知识库中实例2的工艺参数

表10知识库中实例2的刀具组装信息

实例3的工艺参数如表11所示，相对应的刀具如表12所示：

表11知识库中实例3的工艺参数

表12知识库中实例3的刀具组装信息

在建立好选刀知识库后，在此基础上针对表6所示的加工任务，实现刀具的智能选取。

步骤一、指导用户填写特征参数

首先，通过人机交互的方式，分步骤指导用户填写的加工任务的工艺特征参数。

步骤二、生成目标刀具

在步骤一的基础上，生成目标刀具。目标刀具是满足所有加工工艺特征的理论计算上的最优刀具。通过提取用户输入的加工任务的工艺特征参数依次对目标刀具的加工参数赋值，完成目标刀具的生成。对于用户没有输入的加工参数，在生成目标刀具时将使用默认值。

步骤三、生成备选刀具集

在步骤一的基础上，生成备选刀具集。使用刀具的加工参数中加工工序、子工序、粗精加工三个参数对刀具进行筛选从知识库库中筛选出一个刀具集合，称该刀具集合为备选刀具集。

步骤四、进行模糊评价优选，生成推荐刀具集

在步骤二和步骤三的基础上，对备选刀具集中的刀具进行模糊评价，生成推荐刀具集供用户选择，如图2所示。

在推荐刀具集中选择相似度和置信度都比较高的刀具，点击图2中的“详情”即可查看详细刀具信息。本实例选择排名最高的刀具，刀具详情如图3所示。

虽然结合附图描述了本发明的实施方式，但是对于本领域技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些也应视为属于本发明的保护范围。

Claims (5)

1.一种提供自评价的数控刀具智能选取方法，其特征在于：基于成功选刀实例建立选刀知识库，同时基于多目标优化对备选刀具进行评价，评价分为两个方面，一方面是对参数的相似度的评价，另一方面是对上述相似度的可信程度的评价；其具体操作步骤如下：

首先，建立选刀实例知识库；

其次，在建立好选刀知识库的基础上实现刀具的智能选取；其具体步骤如下：

步骤一、指导用户填写特征参数

首先，通过人机交互的方式，分步骤指导用户填写的加工任务的工艺特征参数；特征参数用户可以有选择地输入一个、多个或全部；

步骤二、生成目标刀具

在步骤一的基础上，生成目标刀具；目标刀具是满足所有加工工艺特征的理论计算上的最优刀具；通过提取用户输入的加工任务的工艺特征参数依次对目标刀具的加工参数赋值，完成目标刀具的生成；

步骤三、生成备选刀具集

在步骤一的基础上，生成备选刀具集；由于刀具的加工参数中加工工序、子工序、粗精加工三个参数对刀具的筛选有严格的限定作用，因此利用这三个加工参数进行精确匹配，从知识库库中筛选出一个刀具集合，称该刀具集合为备选刀具集；

步骤四、进行模糊评价优选，生成推荐刀具集

在步骤二和步骤三的基础上，以目标刀具为标准，依次对备选刀具集中的刀具做出模糊综合评价，得到各刀具与目标刀具的相似度，并计算结果的置信度，然后按照推荐优先级的高低列出多种方案供用户选择。

2.根据权利要求1所述的一种提供自评价的数控刀具智能选取方法，其特征在于选刀实例知识库，其具体存储方法为：

通过对实际生产中的手动选刀实例进行分析和总结，提取在选刀过程中起关键作用的工艺参数，将刀具用这些关键工艺特征参数进行描述； 

特征参数分为三类：第一类参数描述工艺类型；第二类参数为特有参数，随着工艺类型的不同而不同，随着子工序的不同，特殊参数的参数名称及取值范围也不相同；第三类参数为公有参数，这类参数对每把刀具来说其数值类型和取值范围都是相同的，由4个参数组成，分别是加工材料、加工硬度、加工粗糙度和粗精加工；各工艺类型及其对应特征参数如表1所示；

表1各工艺类型及其对应特征参数

知识库中保存的是用特征参数描述的加工任务的工艺特征，以及 相对应的刀具。

3.根据权利要求1所述的一种提供自评价的数控刀具智能选取方法，其特征在于刀具的智能选取的步骤四中的第1步计算刀具相似度，其具体操作步骤为：

步骤a.每一把刀具都可以使用若干个参数来描述，则刀具用式(1)表示：

C＝{P₁，P₂，P₃...，P_t}(1)

其中，C表示刀具，P₁，P₂，P₃...，P_t表示特征参数值；

步骤b.由于刀具中各加工参数在刀具选配中的重要性不同，各参数对刀具相似度的贡献大小也不同，使用参数的相似度权值Q来表示参数的重要性；权值的大小可根据参数的重要性做出调整；规定所有参数的相似度权值之和W为100，每个参数的权值大小介于0到100之间，如式(2)所示：

W＝Q₁+Q₂+Q₃+...+Q_t    (2)

步骤c.计算刀具相似度；先计算刀具的每一个参数的相似度，所有参数的相似度的加权平均值就是刀具的相似度值；故刀具相似度S的计算如式(3)所示：

(0≤λ_i≤1，0≤S≤100)(3)

其中，对每个参数，引入隶属度λ_i来描述其相似度，λ_i∈[0，1]；

隶属度描述了该参数与目标刀具中对应参数的趋近程度，0表示隶属度最低，1表示隶属度最高；若目标刀具中的某一参数值为空，即用户未输入参数值时，则认为备选刀具集中的所有刀具在参数上的隶属度值为1，即目标刀具参数为空时认为该参数可取任意值；

参数隶属度λ值的计算方法如下：

考察刀具参数，可以把其分为两类，一类是定量参数，加工工艺、特有参数以及公有参数中的加工粗糙度、加工硬度和粗精加工都属于 定量参数；另一类是定性参数，公有参数中的加工材料属于定性参数；

①计算定量参数的隶属度

定量参数的λ值可以根据相应的隶属度函数计算得到；在分析了选配刀具过程中所有可能的决策方式后，得出选刀过程中可能遇到的5种隶属度函数；

(i)偏大型

以目标刀具中的参数值为基准值，备选刀具集中的刀具的对应参数的值应比该基准值大，但越接近基准值隶属度越高，若小于基准值，则隶属度为0；偏大型参数的隶属度可按照式(4)计算：

其中，a表示基准值；x表示备选刀具集中的刀具的对应参数的值；b表示x可取的最大值；

(ii)偏小型

以目标刀具中的参数值为基准值，刀具中对应参数的值应比该基准值小，但越接近基准值隶属度越高，若大于基准值，则隶属度为0；偏小型参数的隶属度可按照式(5)计算：

其中，b表示基准值；x表示参数的值；a表示x可取的最小值；

(iii)精确型

以目标刀具中的参数值为基准值，要求刀具中对应参数的值精确等于该基准值时隶属度为1，否则隶属度为0；精确型参数的隶属度可按照式(6)计算：

其中，a表示基准值； 

(iv)中间型

以目标刀具中的参数值为基准值，当该基准值落入知识库中某刀具对应参数的区间时隶属度为1，否则隶属度为0；中间型参数的隶属度可按照式(7)计算：

其中，a表示基准值；m表示对应参数的区间的下限；n对应参数的区间的上限；

(v)区间型

以目标刀具中的参数值所表示的区间为基准区间，当基准区间与刀具对应参数所表示的区间的重叠部分越多则隶属度越高；若基准区间被包含，则隶属度为1；若刀具区间端点值均为达到基准区间的端点值，则隶属度为0；区间型参数的隶属度可按照式(8)计算：

其中，a表示基准区间的下限；b表示基准区间的上限；m表示对应参数的区间的下限；n对应参数的区间的上限；

公有参数的隶属度函数类型如表2所示：

表2公有参数适用的隶属度函数

  参数名称   类型   取值范围   隶属度函数   粗精加工   定量   粗或精   精确型   加工材料   定性   按级别   按级别指定   加工硬度   定量   数值   偏大型   加工粗糙度   定量   数值   偏小型

特有参数的隶属度函数类型如表3所示： 

表3特有参数适用的隶属度函数

②定性参数的隶属度计算

定性参数的值介于0和1之间；加工材料的隶属度可按以下方法确定：

在材料分类中使用分组的方法，每组材料中又细分为几个小类，每个小类都有唯一的组别代码，具体分组情况如表4所示：

表4材料分类表

按照上述分组方法确定的隶属度值如表5所示：

表5加工材料的隶属度值

  级别   组间   组内   相同   隶属度   0.5   0.75   1 。      

4.根据权利要求1所述的一种提供自评价的数控刀具智能选取方法，其特征在于刀具的智能选取的步骤四中的第2步计算选刀结果的置信度，其具体操作步骤为：

步骤a.使用置信度权值来表示各参数对置信度的贡献大小，如式(9)所示：

W_c＝R₁+R₂+R₃+...+R_i(9)

其中，R_i表示各参数对置信度的贡献的大小，即置信度权值，介于0到100之间；W_c表示置信度权值之和，所有权值之和为100；

步骤b.计算刀具的置信度；首先计算刀具的每一个参数的置信度δ_i，若目标刀具对应参数的值为空，则知识库中的备选刀具在该参数上的置信度δ_i为0；反之，则该参数的置信度δ_i等于该参数的相似度λi，即隶属度函数值；所有参数的置信度的加权平均值就是该刀具的置信度值；置信度S_c可由式(10)计算得到：

0≤S_c≤100           (10)

其中，S_c表示刀具的置信度；R_i表示各参数的置信度权值；δ_i表示各参数的置信度值。

5.根据权利要求1所述的一种提供自评价的数控刀具智能选取方法，其特征在于根据权利要求1所述的操作步骤生成的推荐刀具集，可以提供查看刀具的实际库存情况的信息，辅助用户结合库 存情况做出决策。 

Images