CN102799700B - 基于ann的特征制造行为序列构建方法 - Google Patents

Abstract

本发明涉及一种基于ANN的特征制造行为序列构建方法，主要是使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，在特征被识别出来后，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列，然后利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则对该产品的所有特征加工方法重新进行排序，并继续进行逆向推理处理，若是，则确定初始加工序列为特征制造行为序列。

Description

基于ANN的特征制造行为序列构建方法

技术领域

本发明涉及一种特征制造行为序列构建技术，尤指一种基于ANN(artificial neuralnetwork)的特征制造行为序列构建方法。

背景技术

产品模型数据是指为在覆盖产品整个生命周期中的应用而全面定义的产品所有数据元素的集合，它包括为进行设计、分析、制造、测试、检验和产品支持而全面定义的零部件或构件所需的几何、拓扑、公差、关系、属性和性能等数据，另外，还可能包含一些和处理有关的数据。产品模型对于下达生产任务、直接质量控制、测试和进行产品支持功能可以提供全面的信息。

早期多采用CAD构建产品模型，但是，随着特征识别技术的发展，已经逐步由CAD产品模型转化为基于特征的产品模型，当前已提出了许多特征识别方法，其中有基于规则、基于图，还有基于几何解释、体积分解等方法，这些方法都是通过与特征库中已经定义的特征类型进行比较来识别特征。

然，现实中存在着多种多样的复杂特征，特征库中不可能包含所有的特征类型，也不可能为特征库中所有的特征类型添加约束信息，利用上述方法不能识别特征库中没有定义的特征类型，有限的特征覆盖域并不具有学习能力，而且识别效率也低。

因此，如何提出一种具有学习和反馈能力的特征制造行为序列构建方法，便成为目前业界急待克服的课题。

发明内容

鉴于上述现有技术的缺点，本发明目的在于提供一种具有学习和反馈能力的基于ANN的特征制造行为序列构建方法。

本发明的另一目的在于提供一种具有高识别效率的基于ANN的特征制造行为序列构建方法。

为达到上述目的，本发明所提供的基于ANN的特征制造行为序列构建方法包括：1)使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，以识别该产品的所有特征，每一个特征对应一个特征加工方法；2)依据加工序列约束规则，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列；3)利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若是，确定初始加工序列为特征制造行为序列，并结束该构建方法，若否，进至下一个步骤；以及4)对该产品的所有特征加工方法重新进行排序，并返回至上一步骤。

上述步骤1)进一步包括：基于顶点拓扑关系图的面积分矩阵训练BP神经网络，并据以识别以B-rep模型表示的产品。

此外，该加工序列约束矩阵是以如下公式表示：

C＝{f_ij}，其中，f_ij表示特征加工方法i与特征加工方法j的约束因子，i表示优先的特征加工方法，j表示i后面的特征加工方法，当两个特征加工方法有明确的先后顺序，则f_ij＝1；当两个特征加工方法没有明确的先后顺序，则f_ij＝f_ji＝1；当两个或更多个特征加工方法同时完成后，才进行下一个特征加工方法，此时，如果有n个特征加工合并，则所有的f_ij＝1/n；当两个或更多个特征加工方法中的任何一个完成后，就可以进行下一个特征加工方法，此时，如果有n个特征加工方法平行，则所有的f_ij＝1。而加工序列约束规则为加工序列约束矩阵中的元素体现纵向所列的特征加工方法对横向所列的特征加工方法的约束关系，具有以下的特点：特点(1)：当一个特征加工方法的横向和纵向全为零，则表示此特征加工方法为自由的，即可以插入到制造行为序列的任一位置；特点(2)：当一个特征加工方法的横向有非零值，而纵向全为零，则表示该特征加工方法可以为第一个工步，但不包括特点(1)中所述的自由的特征加工方法；特点(3)：当一个特征加工方法的横向全为零，而纵向有非零值，则表示该特征加工方法可以作为最后一个工步，但不包括特点(1)中所述的自由的特征加工方法；以及特点(4)：当一个特征加工方法的横向存在非零值和纵向均存在非零值，则表示该特征加工方法处于加工序列的中间位置。

上述步骤3)进一步包括：

3-1)针对该产品的所有特征加工方法中，按所述特点(1)找出自由的特征加工方法，在以下每个步骤中，如是检查到是自由的特征加工方法，将初始加工序列链后退一步后，再按照以下步骤3-2)至步骤3-7)进行，否则，直接按照以下步骤3-2)至步骤3-7)进行；

3-2)从初始加工序列逆向一步一步匹配，首先检查最后一个工步是否满足特点(3)，若否，则进至步骤4)，若是，则进至步骤3-3)；

3-3)检查该非零值是1还是1/n，若是1，进至步骤3-4)，若是1/n，则进至步骤3-5)；

3-4)判断非零值所对应的横向特征加工方法是否为该非零值所对应的纵向特征加工方法的前一个特征加工方法，若是，则进至步骤3-6)，若否，则进至步骤4)；

3-5)判断非零值所对应的n个横向特征加工方法是否都存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，若是，则对于此n个特征加工方法的每一个特征加工方法，依次进至步骤3-6)，直到满足特点(2)为止，若n个横向特征加工方法均不存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，则进至步骤4)；

3-6)在初始加工序列链上再后退一步，判断此特征加工方法是否满足特点(4)，若是，则进至步骤到3-3)，若否，则进一步判断是否满足特点(2)，若是，则进至步骤3-7)；以及

3-7)确定初始加工序列为特征制造行为序列，并结束该构建方法。

以下结合上述技术方案，说明本发明的有益技术效果。相比于现有技术，本发明主要是使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，在特征被识别出来后，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列，然后利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则对该产品的所有特征加工方法重新进行排序，并继续进行逆向推理处理，若是，则确定初始加工序列为可指导零件加工的特征制造行为序列。由于本发明是基于神经网络执行特征识别，可识别特征库中没有定义的特征类型，具有学习和反馈能力，容许输入误差，并且神经网络只需要通过数学计算而不需要进行推理来获得特征识别的结果，所以它具有更高的识别效率。

附图说明

图1为本发明的基于ANN的特征制造行为序列构建方法的操作流程示意图。

图2为应用本发明的基于ANN的特征制造行为序列构建方法所建立的一实施例的加工序列约束矩阵的示意图。

图3为应用本发明的基于ANN的特征制造行为序列构建方法所识别的另一实施例的特征列表以及所建立的加工序列约束矩阵的示意图。

图4为应用本发明的基于ANN的特征制造行为序列构建方法所构建的特征制造行为序列示意图。

【主要元件符号说明】

S10～S14                    步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，所属领域的普通技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明亦可通过其他不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

请参阅图1，其为显示本发明的基于ANN的特征制造行为序列构建方法的操作流程示意图。以下即配合图2至详细说明本发明的基于ANN的特征制造行为序列构建方法的具体操作步骤。

如图1所示，首先执行步骤S10，使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，以识别该产品的所有特征，每一个特征对应一个特征加工方法。优选地，在本实施例中，是基于顶点拓扑关系图的面积分矩阵训练BP神经网络，并依据训练好的BP神经网络识别以B-rep模型表示的产品。接着，进行步骤S11。

在步骤S11，依据加工序列约束规则，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列。具体而言，该加工序列约束矩阵是以如下公式表示：

C＝{f_ij}，其中，f_ij表示特征加工方法i与特征加工方法j的约束因子，i表示优先的特征加工方法，j表示i后面的特征加工方法。为明确界定该公式，以下配合图2所示的加工序列约束矩阵为例进行说明，如图所示，该产品具有7个特征，当两个特征加工方法有明确的先后顺序，则f_ij＝1，如图所示，特征加工方法2要在特征加工方法1完成后才可进行，则f₁₂＝1；当两个特征加工方法没有明确的先后顺序，则f_ij＝f_ji＝1，如图所示，特征加工方法6与特征加工方法7加工方法没有明确的先后顺序，则f₆₇＝f₇₆＝1；当两个或更多个特征加工方法同时完成后，才进行下一个特征加工方法，此时，如果有n个特征加工合并，则所有的f_ij＝1/n，如图所示，特征加工方法7需特征加工方法4和5这2个特征加工方法都完成，才可进行特征加工方法7，则f₄₇＝f₅₇＝1/2；当两个或更多个特征加工方法中的任何一个完成后，就可以进行下一个特征加工方法，此时，如果有n个特征加工方法平行，则所有的fij＝1，如图所示，特征加工方法6在特征加工方法4、5、7任一个完成，即可进行特征加工方法6，则f₄₆＝1、f₅₆＝1、f₇₆＝1。

此外，该加工序列约束规则为加工序列约束矩阵中的元素体现纵向所列的特征加工方法对横向所列的特征加工方法的约束关系，具有以下的特点：

特点(1)：当一个特征加工方法的横向和纵向全为零，则表示此特征加工方法为自由的，即可以插入到制造行为序列的任一位置，如图2中所示的特征加工方法3即为自由的特征加工方法。

特点(2)：当一个特征加工方法的横向有非零值，而纵向全为零，则表示该特征加工方法可以为第一个工步，但不包括特点(1)中所述的自由的特征加工方法，如图2中所示的特征加工方法1与特征4均可以为第一个工步。

特点(3)：当一个特征加工方法的横向全为零，而纵向有非零值，则表示该特征加工方法可以作为最后一个工步，但不包括特点(1)中所述的自由的特征加工方法，如图2中所示的特征加工方法2可以作为最后一个工步。

特点(4)：当一个特征加工方法的横向存在非零值和纵向均存在非零值，则表示该特征加工方法处于加工序列的中间位置，如图2中所示的特征加工方法5、6以及7处于加工序列的中间位置。

接着，进行步骤S12。

在步骤S12，利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则进至步骤S13，若是，则进至步骤S14。具体而言，具体逆向推理步骤如下：

首先执行步骤S120，针对该产品的所有特征加工方法，按所述特点(1)找出自由的特征加工方法，在以下每个步骤中，如是检查到是自由的特征加工方法，将初始加工序列链后退一步后，再按照以下步骤S121至步骤S125进行；否则，直接按照以下步骤S121至步骤S125进行。

在步骤S121中，从初始加工序列逆向一步一步匹配，首先检查最后一个工步是否满足特点(3)，若否，则进至步骤S13；若是，则进至步骤S122。

在步骤S122中，检查该非零值是1还是1/n，若是1，进至步骤S123；若是1/n，则进至步骤S124。

在步骤S123中，判断非零值所对应的横向特征加工方法是否为该非零值所对应的纵向特征加工方法的前一个特征加工方法，若是，则进至步骤S125；若否，则进至步骤S13。

在步骤S124中，判断非零值所对应的n个横向特征加工方法是否都存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，若是，则对于此n个特征加工方法的每一个特征加工方法，依次进至步骤S125，直到满足特点(2)为止，若n个横向特征加工方法均不存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，则进至步骤S13。

在步骤S125中，在初始加工序列链上再后退一步，判断此特征加工方法是否满足特点(4)，若是，则进至步骤到S122，若否，则进一步判断是否满足特点(2)，若是，则进至步骤S14。

在步骤S13中，对该产品的所有特征加工方法重新进行排序，并返回至步骤S13。

在步骤S14中，确定初始加工序列为特征制造行为序列，并结束该特征制造行为序列构建过程。

一个形状特征f的加工序列可以表示为S＝{P1，f1；P2，f2；P3，f3；…；Pn}。即从毛坯开始，首先采用特征加工方法P1，加工出中间相状f1，接着用特征加工方法P2，加工出中间形状f2，直到采用特征加工方法Pn，加工出合格形状f为止。一个零件是由若干个形状特征组合而成的，应用本发明的基于ANN的特征制造行为序列构建方法将所有的特征加工方法P1，P2，……，Pn合并起来，进行排列和优化，就得到了优化后的制造行为序列。为更详尽了解应用本发明的ANN的特征制造行为序列构建方法如何实现特征制造行为序列的构建，以下配合图3所示的产品的9个特征(F1～F9)且特征加工方法以P表示为例进行说明，首先执行上述步骤S10，即可识别出如图3所示的以B-rep模型表示的产品的9个特征(F1～F9)，接着执行上述步骤S11，得到如图3所示的针对所有特征(F1～F9)的加工序列约束矩阵，最后执行步骤S12至S14，即确定如图4所示的该产品的特征制造行为序列，其中，如图4中所示的矩阵是分析逆向推理序列所得到的加工序列约束矩阵。

综上所述，本发明主要使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，在特征被识别出来后，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列，然后利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则对该产品的所有特征加工方法重新进行排序，并继续进行逆向推理处理，若是，则确定初始加工序列为可指导零件加工的特征制造行为序列。由于本发明是基于神经网络执行特征识别，可识别特征库中没有定义的特征类型，不受有限的特征覆盖域的影响，具有学习和反馈能力。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何所属技术领域的普通技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如所附的权利要求书的范围所列。

Claims (4)

1.一种基于ANN的特征制造行为序列构建方法，其特征在于，所述构建方法包括： 

1)使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，以识别该产品的所有特征，每一个特征对应一个特征加工方法； 

2)依据加工序列约束规则，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列； 

所述加工序列约束矩阵是以如下公式表示： 

C={f_ij}，其中，f_ij表示特征加工方法i与特征加工方法j的约束因子，i表示优先的特征加工方法，j表示i后面的特征加工方法，当两个特征加工方法有明确的先后顺序，则f_ij=1；当两个特征加工方法没有明确的先后顺序，则f_ij=f_ji=1；当两个或更多个特征加工方法同时完成后，才进行下一个特征加工方法，此时，如果有n个特征加工合并，则所有的f_ij=1/n；当两个或更多个特征加工方法中的任何一个完成后，就可以进行下一个特征加工方法，此时，如果有n个特征加工方法平行，则所有的f_ij=1；

3)利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若是，确定初始加工序列为特征制造行为序列，并结束该构建方法，若否，进至下一个步骤；以及 

4)对该产品的所有特征加工方法重新进行排序，并返回至上一步骤。 

2.根据权利要求1所述的基于ANN的特征制造行为序列构建方法，其特征在于，所述步骤1)进一步包括：基于顶点拓扑关系图的面积分矩阵训练BP神经网络，并据以识别以B-rep模型表示的产品。 

3.根据权利要求1所述的基于ANN的特征制造行为序列构建方法，其特征在于，所述加工序列约束规则为加工序列约束矩阵中的元素体现纵向所列的特征加工方法对横向所列的特征加工方法的约束关系，具有以下的特点： 

特点(1)：当一个特征加工方法的横向和纵向全为零，则表示此特征加工方法为自由的，即可以插入到制造行为序列的任一位置； 

特点(2)：当一个特征加工方法的横向有非零值，而纵向全为零，则表示该特征加工方法可以为第一个工步，但不包括特点(1)中所述的自由的特征加工方法； 

特点(3)：当一个特征加工方法的横向全为零，而纵向有非零值，则表示该特征加工方法可以作为最后一个工步，但不包括特点(1)中所述的自由的特征加工方法；以及 

特点(4)：当一个特征加工方法的横向存在非零值和纵向均存在非零值，则表示该特征加工方法处于加工序列的中间位置。 

4.根据权利要求3所述的基于ANN的特征制造行为序列构建方法，其特征在于，利用所述约束匹配算法进行推理的步骤3)进一步包括： 

3-1)针对该产品的所有特征加工方法中，按所述特点(1)找出自由的特征加工方法，在以下每个步骤中，如是检查到是自由的特征加工方法，将初始加工序列链后退一步后，再按照以下步骤3-2)至步骤3-7)进行，否则，直接按照以下步骤3-2)至步骤3-7)进行； 

3-2)从初始加工序列逆向一步一步匹配，首先检查最后一个工步是否满足特点(3)，若否，则进至步骤4)，若是，则进至步骤3-3)； 

3-3)检查该非零值是1还是1/n，若是1，进至步骤3-4)，若是1/n，则进至步骤3-5)； 

3-4)判断非零值所对应的横向特征加工方法是否为该非零值所对应的纵向特征加工方法的前一个特征加工方法，若是，则进至步骤3-6)，若否，则进至步骤4)； 

3-5)判断非零值所对应的n个横向特征加工方法是否都存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，若是，则对于此n个特征加工方法的每一个特征加工方法，依次进至步骤3-6)，直到满足特点(2)为止，若n个横向特征加工方法均不存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，则进至步骤4)； 

3-6)在初始加工序列链上再后退一步，判断此特征加工方法是否满足特点(4)，若是，则进至步骤到3-3)，若否，则进一步判断是否满足特点(2)，若是，则进至步骤3-7)；以及 

3-7)确定初始加工序列为特征制造行为序列，并结束该构建方法。