CN105224953A - 一种机床零件加工工艺规程中知识提取与演化的方法 - Google Patents

Abstract

一种机床零件加工工艺规程中知识提取与演化的方法：建立机床零件信息描述模型和整理对应工艺规程数据，采用XML技术实现对二者的统一表达；建立雪花模型工艺实例库，将XML中的数据映射进对应表中；建立数据挖掘系统：按工序名称进行聚类，提取工艺规程中常用工艺词语；按零件信息实现零件工艺实例的首次聚类，再按工艺路线进行聚类，提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板；基于实例推理技术，并借助零件结构分解策略和智能提示技术实现工艺知识在常用工艺词语、工序序列、典型结构工艺和典型工艺模板上重用；建立记忆和遗忘模型实现工艺知识的演化和精华萃取。本发明实现工艺知识在不同粒度上的重用和工艺设计的标准化。

Description

一种机床零件加工工艺规程中知识提取与演化的方法

技术领域

本发明涉及一种零件加工工艺知识提取的方法。特别是涉及一种机床零件加工工艺规程中知识提取与演化的方法。

背景技术

为了快速响应设计制造的需求，机床设计中多采用基于产品系列模块化配置设计和变型设计为主，重新设计为辅的设计手段，从而使得以往积累的零件加工工艺规程具有较大的参考性和重复利用性，但也面临着数据丰富而知识贫乏的问题。

目前对工艺规程中知识的提取主要采用聚类、关联规则、序列模式发现和粗糙集等算法从工艺规程信息方面进行分析和挖掘，虽然提取的知识具有一定的普用性和典型性，但模糊化了知识的重用角度和提取角度之间的一致性，在一定程度上造成了所提取知识的不合理和难以利用。同时，随着生产环境的改变和工艺技术的提高，使得无用工艺知识大量积累，由于缺乏相应的智能化管理，也增加了知识在后续重用过程中的难度。

因此，通过一种机床零件加工工艺规程中知识提取与演化的方法，将零件信息和工艺规程信息作为两个阶段结合进行分析，从不同维度上提取可重用的工艺知识，并在记忆与遗忘机制下逐渐对工艺知识进行精华萃取和演化，对企业积累重用工艺知识和提高工艺设计的效率与规范化水平具有重要意义。

发明内容

本发明所要解决的技术问题是，提供一种能够实现工艺知识在不同粒度上的重用和工艺设计的标准化，提高了工艺知识在后续利用过程中的效率和准确性的机床零件加工工艺规程中知识提取与演化的方法。

本发明所采用的技术方案是：一种机床零件加工工艺规程中知识提取与演化的方法，包括如下步骤：

1)建立机床零件信息描述模型和整理对应工艺规程数据，并采用XML技术实现对二者的统一表达；

2)建立雪花模型工艺实例库，将XML中的数据映射进对应表中；

3)建立数据挖掘系统，包括按工序名称进行聚类，提取工艺规程中常用工艺词语；

4)按零件信息实现零件工艺实例的首次聚类，再按工艺路线进行聚类，提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板；

5)基于实例推理技术，并借助零件结构分解策略和智能提示技术实现工艺知识在常用工艺词语、工序序列、典型结构工艺和典型工艺模板上重用；

6)建立记忆和遗忘模型实现工艺知识的演化和精华萃取。

步骤1)所述的建立机床零件信息描述模型，是参照产品零部件信息明细表和零件的CAD模型，从零件的管理特征、几何结构特征、精度特征、毛坯材料特征、热处理特征、尺寸参数特征方面建立零件信息描述模型。

步骤3)所述的提取工艺规程中常用工艺词语，包括如下过程：

(1)建立工艺数据挖掘系统模块，包括采用聚类算法在工艺规程信息的工序维度上按工序名是否相同来进行聚类，根据聚类的结果，抽取出工序名相同的工序文本内容，用占位符“#”和词条切分符“/”分别用于替换文本中的各种参数和语句结束符；

(2)创建文本索引来记录工序内容的字符位置信息，通过计算字符串左右信息熵LE(s)、RE(s)是否小于规定阀值常数E_min来决定字符串是否向左或向右扩展，把扩展完成后的字符串加入到结果集C中，其中字符串左信息熵LE(s)和字符串右信息熵RE(s)表示为：

$LE\left(s\right)=-\underset{l\⋐L}{\Σ}P\left(ls\right|s){\log }_{2}P\left(ls\right|s)$

$RE\left(s\right)=-\underset{r\⋐R}{\Σ}P\left(rs\right|s){\log }_{2}P\left(rs\right|s)$

式中，s表示候选字符串；L表示s左邻字的集合；ls是s的左侧汉字l和s结合构成的字符串；P(ls|s)为s出现的前提下，s的左侧出现汉字l的概率，RE(s)公式中的参数含义与LE(s)中的含义相同但方向相反；

(3)过滤掉C集中字数小于3和包含在错词词典中的词语，再将剩余候选的词语经过人工选择，把不正确的词句登陆错词词典，正确的词语通过建立常用工艺词语库进行存储。

步骤4)所述的按零件信息实现零件工艺实例的首次聚类，是在雪花模型工艺实例库中从零件的管理特征、几何特征、精度特征、毛坯材料特征、基本参数特征方面通过加权方式计算出零件间整体信息的相似度，将零件间相似度的差异作为零件间的距离，再按照平均距离法计算出簇间的距离，依次取距离最小的两簇进行合并直到簇间距离大于阀值常数α_u为止。

所述的簇间的距离计算表示为：

$d(u_i,u_j)=1-\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\ω}}_k\×{\mathrm{Sim}}_k(u_i,u_j\left)\right)}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_k}$

$d_{avg}(G_p,G_q)=\frac{1}{n_p{n}_q}\underset{u_i\⋐G_p}{\Σ}\underset{u_j\⋐G_q}{\Σ}d(u_i,u_j)$

式中，d(u_i,u_j)表示零件u_i、u_j之间的距离；ω_k表示零件特征属性的权重系数，n表示特征属性的个数，Sim_k(u_i,u_j)表示零件u_i、u_j中第k个特征属性的相似度；d_avg(G_p,G_q)表示簇G_p、G_q间的距离，n_p、n_q分别表示簇G_p、G_q中工艺实例的数量。

步骤4)所述的提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板，是通过零件信息和工艺路线两阶段聚类，忽略聚类簇中工艺实例数量相对少的孤立簇，采用Apriori算法获取簇中典型工序序列，并提取出序列中能够完整表达基本结构加工和复合结构加工的工序组合，整理出典型结构加工工艺，再计算出在簇中工艺路线距离均方差最小且包含最长典型工序序列的工艺实例作为推荐典型工艺模板。

步骤6)所述的记忆与遗忘模型是仿照记忆的认知规律而建立起来的记忆与遗忘规律的二室数学模型。模型通过在时间维度上对工艺实例、常用工艺词语、工序序列、典型结构工艺的存储时间、查看停留时间、查看周期、重用周期进行度量，激励其中经常使用的知识，提高其中经常使用的知识的记忆强度，逐渐遗忘冗余无用的知识，从而经过萃取系统中工艺知识的精华和缓慢调整系统中知识组织的偏好性来实现系统中知识的不断演化。

本发明的一种机床零件加工工艺规程中知识提取与演化的方法，具有的优点和积极效果是：

(1)本发明通过将零件信息和工艺规程信息作为两个阶段结合进行分析，从不同维度上提取、整理出可重用的工艺知识，并能够在实例推理、结构分解策略和智能提示技术下，实现工艺知识在不同粒度上的重用和工艺设计的标准化。

(2)在记忆与遗忘机制作用下，逐渐积累有用的知识、遗忘无用的知识，实现了工艺知识的精华萃取和演化，提高了工艺知识在后续利用过程中的效率和准确性。

附图说明

图1是本发明的工艺规程中知识提取与演化方法的流程图；

图2是本发明中常用工艺词语抽取流程图；

图3是本发明的知识重用过程中萃取与演化流程图。

具体实施方式

下面结合实施例和附图对本发明的一种机床零件加工工艺规程中知识提取与演化的方法做出详细说明。

如图1所示，本发明的一种机床零件加工工艺规程中知识提取与演化的方法，包括如下步骤：

1)建立机床零件信息描述模型和整理对应工艺规程数据，并采用XML技术实现对二者的统一表达；其中，

所述的建立机床零件信息描述模型，是参照产品零部件信息明细表和零件的CAD模型，对二者进行简化处理，从零件的管理特征、几何结构特征、精度特征、毛坯材料特征、热处理特征、尺寸参数特征方面建立零件信息描述模型。

然后，整理出零件对应的工艺规程，去除冗余信息并转换其中专用符号和参数的表达方式；将零件信息描述模型和工艺规程数据作为一个整体，通过应用程序交互界面转换为XML和XMLSchema描述的规范表达形式。

2)建立雪花模型工艺实例库，将XML中的数据映射进对应表中；

本发明中应用关系型数据库作为零件信息和工艺规程信息的存储方式来建立雪花模型工艺实例库，并将XML中的数据通过字段匹配方式提取到对应的数据库表中，以保证数据可以在不同维度上进行分析、抽取和使用。

所述雪花模型工艺实例库的建立，是将零件整体信息作为数据库的事实表，零件的管理特征、几何结构特征和工艺规程信息作为主维度表。其中，事实表中主要包括毛坯材料特征、热处理特征等信息；工艺规程维中主要包括工序以及加工部门等信息；几何结构特征包括几何主特征和修饰主特征的几何辅特征，而尺寸参数特征和精度特征作为属性约束附加到几何结构特征上。

3)建立数据挖掘系统，包括按工序名称进行聚类，提取工艺规程中常用工艺词语；其中，所述的提取工艺规程中常用工艺词语，是以雪花模型数据库作为事实存储基础，采用基于信息熵、虑词规则和错词词典的字符串提取算法提取工艺规程中被固定使用的工艺词语，提取流程如图2所示，包括如下过程：

(1)建立工艺数据挖掘系统模块，包括采用聚类算法在工艺规程信息的工序维度上按工序名是否相同来进行聚类，根据聚类的结果，抽取出工序名相同的工序文本内容，用占位符“#”和词条切分符“/”分别用于替换文本中的各种参数和语句结束符；

(2)创建文本索引来记录工序内容的字符位置信息，通过计算字符串左右信息熵LE(s)、RE(s)是否小于规定阀值常数E_min来决定字符串是否向左或向右扩展，把扩展完成后的字符串加入到结果集C中，其中字符串左信息熵LE(s)和字符串右信息熵RE(s)表示为：

$LE\left(s\right)=-\underset{l\⋐L}{\Σ}P\left(ls\right|s){\log }_{2}P\left(ls\right|s)$

$RE\left(s\right)=-\underset{r\⋐R}{\Σ}P\left(rs\right|s){\log }_{2}P\left(rs\right|s)$

式中，s表示候选字符串；L表示s左邻字的集合；ls是s的左侧汉字l和s结合构成的字符串；P(ls|s)为s出现的前提下，s的左侧出现汉字l的概率，RE(s)公式中的参数含义与LE(s)中的含义相同但方向相反；

(3)过滤掉C集中字数小于3和包含在错词词典中的词语，再将剩余候选的词语经过人工选择，把不正确的词句登陆错词词典，正确的词语通过建立常用工艺词语库进行存储。

4)按零件信息实现零件工艺实例的首次聚类，再按工艺路线进行聚类，提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板；待提取的工艺知识是以零件信息为依托在零件工艺规程中体现的，本发明通过凝聚层次聚类和关联序列发现技术从已有的工艺规程中分析整理出各类零件的典型工艺知识，其中，

所述的按零件信息实现零件工艺实例的首次聚类，是在雪花模型工艺实例库中从零件的管理特征、几何特征、精度特征、毛坯材料特征、基本参数特征方面通过加权方式计算出零件间整体信息的相似度，将零件间相似度的差异作为零件间的距离，再按照平均距离法计算出簇间的距离，依次取距离最小的两簇进行合并直到簇间距离大于阀值常数α_u为止。所述的簇间的距离计算表示为：

$d(u_i,u_j)=1-\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\ω}}_k\×{\mathrm{Sim}}_k(u_i,u_j\left)\right)}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_k}$

$d_{avg}(G_p,G_q)=\frac{1}{n_p{n}_q}\underset{u_i\⋐G_p}{\Σ}\underset{u_j\⋐G_q}{\Σ}d(u_i,u_j)$

式中，d(u_i,u_j)表示零件u_i、u_j之间的距离；ω_k表示零件特征属性的权重系数，n表示特征属性的个数，Sim_k(u_i,u_j)表示零件u_i、u_j中第k个特征属性的相似度；d_avg(G_p,G_q)表示簇G_p、G_q间的距离，n_p、n_q分别表示簇G_p、G_q中工艺实例的数量

所述的按工艺路线进行聚类，是将工艺路线中的工序按JB/T5992中规定进行大类、中类、小类3位编码，使用曼哈顿距离算法计算工序间的距离，在此基础上再用欧式距离算法得出工艺路线间的距离。通过平均距离算法表达出簇间的距离，并根据设定的距离阀值α_x来实现零件工艺实例细化聚类。其中，工艺路线间的距离可表示为：

$d(x_i,x_j)={\[\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}d{(x_{ik},x_{jk})}^2\]}^{1/2}$

式中，d(x_ik,x_jk)表示工艺路线间第k道工序的距离，x_ikn表示工艺路线x_i中第k道工序的第n位编码，∧表示编码的异或运算，ω_n表示编码类对工序相似度影响权重；d(x_i,x_j)表示工艺路线之间的距离，m表示待聚类簇中工艺路线的最大工序数。

所述的提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板，是通过零件信息和工艺路线两阶段聚类，忽略聚类簇中工艺实例数量相对少的孤立簇，采用Apriori算法获取簇中强关联工序序列作为典型工序序列，并参照获得的典型工序序列和簇中零件加工工艺规程，提取出序列中能够完整表达基本结构加工和复合结构加工的工序组合，整理出基本结构和复合结构加工工艺作为典型结构工艺，再计算出在簇中工艺路线距离均方差最小且包含最长典型工序序列的工艺实例作为推荐典型工艺模板。

推荐典型工艺模板经过工艺人员的审核和规范化后成为典型工艺模板。最后，通过建立工序序列库、典型结构工艺库、典型工艺模板库实现对典型工序序列、典型结构工艺和典型工艺模板的存储。其中，工艺路线距离方差可表示为：

$d_i=\sqrt{\frac{1}{p}\underset{j=1}{\overset{p}{\Σ}}{d}^2(x_i,x_j)}$

式中，d_i为工艺路线x_i的均方差，p为簇中包含的工艺实例数量，d(x_i,x_j)为工艺路线x_i、x_j间的距离。

5)基于实例推理技术，并借助零件结构分解策略和智能提示技术实现工艺知识在常用工艺词语、工序序列、典型结构工艺和典型工艺模板上重用；

在实例推理过程中将零件信息作为工艺重用中的检索匹配部分，工艺规程和工艺知识作为工艺重用中的可重用部分。根据任务零件的描述信息采用最近邻法在典型工艺模板库中检索出最相似的典型工艺模板，对于其中不合理的内容部分，可将零件分解为基本结构或复合结构作为检索单元，在典型结构工艺库和雪花模型工艺实例库中检索出匹配的工艺进行模块化替换。当无法检索到匹配的工艺时，可以在工序序列的提示和常用工艺词语的提示下快速完成对工艺内容的添加与修改。其中，任务零件与检索实例之间的相似度可表示为：

$S\left(u_j\right)=\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\ω}}_k\×{\mathrm{Sim}}_k(u,u_j\left)\right)}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_k}$

式中，S(u_j)表示任务零件u与检索实例u_j之间的相似度，ω_k表示零件特征属性的权重系数，n表示特征属性个数，Sim_k(u_j,u)表示零件u、u_j中第k个特征属性的相似度。

6)建立记忆和遗忘模型实现工艺知识的演化和精华萃取；所述的记忆与遗忘模型是仿照记忆的认知规律而建立起来的记忆与遗忘规律的二室数学模型。模型中使用长时记忆M_L(t)来衡量系统对资源的记忆程度，模型通过在时间维度上对工艺实例、常用工艺词语、工序序列、典型结构工艺的存储时间、查看停留时间、查看周期、重用周期进行度量，激励其中经常使用的知识，提高其中经常使用的知识的记忆强度，逐渐遗忘使用频率低的冗余无用的知识，降低其记忆强度，逐渐将长时记忆强度低于阀值常数D_min的无用知识归入遗忘区中，从而经过萃取系统中工艺知识的精华和缓慢调整系统中知识组织的偏好性来实现系统中知识的不断演化与高效利用，其运作流程如图3部分所示。其中，二室数学模型可表示为：

$\left\{\begin{array}{cc}\frac{{\mathrm{dM}}_S\left(t\right)}{dt}=V_{12}{M}_L\left(t\right)-(V_{12}+V)& M_S\left(t\right)\frac{{\mathrm{dM}}_L\left(t\right)}{dt}=V_{12}{M}_S\left(t\right)-V_{21}{M}_L\left(t\right)\\ M_S\left(t\right)=M_S\left(t^{-}\right)+\mathrm{\ϵ}\left(t\right)& M_L\left(t\right)=M_L\left(t\right)+H\left(t\right)\end{array}\right.$

式中，t表示资源已存入数据库中的时间，M_S(t)表示t时刻的短时记忆强度并且其值小于记忆强度上限常数D_max(D_max>D_min)，M_L(t)表示长时记忆强度，V₁₂、V₂₁表示短时记忆强度与长时记忆强度间转化的速度常数，V为遗忘速度常数；ε(t)为回忆激励，H(t)为存储激励，如下式：

式中，△t_wait为查看某一工艺实例或典型结构工艺时的页面停留时间，T_min为能激励短时记忆的最小时间间隔，η为单次回忆激励上限值系数，ηD_max为单次回忆激励的最大值(当知识被重用导入到任务工艺文件中时取值)，α为短时记忆激励系数；M_L(0)为工艺实例、常用工艺词语、工序序列、典型结构工艺存入时的初始激励值。

以上实施例仅用于说明本发明的技术而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的进行修改或者同等替换，而不脱离本发明技术的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，包括如下步骤：

1)建立机床零件信息描述模型和整理对应工艺规程数据，并采用XML技术实现对二者的统一表达；

2)建立雪花模型工艺实例库，将XML中的数据映射进对应表中；

3)建立数据挖掘系统，包括按工序名称进行聚类，提取工艺规程中常用工艺词语；

4)按零件信息实现零件工艺实例的首次聚类，再按工艺路线进行聚类，提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板；

5)基于实例推理技术，并借助零件结构分解策略和智能提示技术实现工艺知识在常用工艺词语、工序序列、典型结构工艺和典型工艺模板上重用；

6)建立记忆和遗忘模型实现工艺知识的演化和精华萃取。

2.根据权利要求1所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，步骤1)所述的建立机床零件信息描述模型，是参照产品零部件信息明细表和零件的CAD模型，从零件的管理特征、几何结构特征、精度特征、毛坯材料特征、热处理特征、尺寸参数特征方面建立零件信息描述模型。

3.根据权利要求1所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，步骤3)所述的提取工艺规程中常用工艺词语，包括如下过程：

(1)建立工艺数据挖掘系统模块，包括采用聚类算法在工艺规程信息的工序维度上按工序名是否相同来进行聚类，根据聚类的结果，抽取出工序名相同的工序文本内容，用占位符“#”和词条切分符“/”分别用于替换文本中的各种参数和语句结束符；

(2)创建文本索引来记录工序内容的字符位置信息，通过计算字符串左右信息熵LE(s)、RE(s)是否小于规定阀值常数E_min来决定字符串是否向左或向右扩展，把扩展完成后的字符串加入到结果集C中，其中字符串左信息熵LE(s)和字符串右信息熵RE(s)表示为：

$LE\left(s\right)=-\underset{l\⋐L}{\Σ}P\left(ls\right|s){\log }_{2}P\left(ls\right|s)$

$RE\left(s\right)=-\underset{r\⋐R}{\Σ}P\left(rs\right|s){\log }_{2}P\left(rs\right|s)$

式中，s表示候选字符串；L表示s左邻字的集合；ls是s的左侧汉字l和s结合构成的字符串；P(ls|s)为s出现的前提下，s的左侧出现汉字l的概率，RE(s)公式中的参数含义与LE(s)中的含义相同但方向相反；

(3)过滤掉C集中字数小于3和包含在错词词典中的词语，再将剩余候选的词语经过人工选择，把不正确的词句登陆错词词典，正确的词语通过建立常用工艺词语库进行存储。

4.根据权利要求1所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，步骤4)所述的按零件信息实现零件工艺实例的首次聚类，是在雪花模型工艺实例库中从零件的管理特征、几何特征、精度特征、毛坯材料特征、基本参数特征方面通过加权方式计算出零件间整体信息的相似度，将零件间相似度的差异作为零件间的距离，再按照平均距离法计算出簇间的距离，依次取距离最小的两簇进行合并直到簇间距离大于阀值常数α_u为止。

5.根据权利要求4所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，所述的簇间的距离计算表示为：

$d(u_i,u_j)=1-\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\ω}}_k\×{\mathrm{Sim}}_k(u_i,u_j\left)\right)}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_k}$

$d_{avg}(G_p,G_q)=\frac{1}{n_p{n}_q}\underset{u_i\⋐G_p}{\Σ}\underset{u_j\⋐G_q}{\Σ}d(u_i,u_j)$

式中，d(u_i,u_j)表示零件u_i、u_j之间的距离；ω_k表示零件特征属性的权重系数，n表示特征属性的个数，Sim_k(u_i,u_j)表示零件u_i、u_j中第k个特征属性的相似度；d_avg(G_p,G_q)表示簇G_p、G_q间的距离，n_p、n_q分别表示簇G_p、G_q中工艺实例的数量。

6.根据权利要求1所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，步骤4)所述的提取出工艺规程中的典型工序序列、典型结构工艺并推荐出典型工艺模板，是通过零件信息和工艺路线两阶段聚类，忽略聚类簇中工艺实例数量相对少的孤立簇，采用Apriori算法获取簇中典型工序序列，并提取出序列中能够完整表达基本结构加工和复合结构加工的工序组合，整理出典型结构加工工艺，再计算出在簇中工艺路线距离均方差最小且包含最长典型工序序列的工艺实例作为推荐典型工艺模板。

7.根据权利要求1所述的一种机床零件加工工艺规程中知识提取与演化的方法，其特征在于，步骤6)所述的记忆与遗忘模型是仿照记忆的认知规律而建立起来的记忆与遗忘规律的二室数学模型。模型通过在时间维度上对工艺实例、常用工艺词语、工序序列、典型结构工艺的存储时间、查看停留时间、查看周期、重用周期进行度量，激励其中经常使用的知识，提高其中经常使用的知识的记忆强度，逐渐遗忘冗余无用的知识，从而经过萃取系统中工艺知识的精华和缓慢调整系统中知识组织的偏好性来实现系统中知识的不断演化。