CN109635354A - 一种面向船用柴油机箱体类零件的工艺路线智能优选方法 - Google Patents

一种面向船用柴油机箱体类零件的工艺路线智能优选方法 Download PDF

Info

Publication number
CN109635354A
CN109635354A CN201811377013.5A CN201811377013A CN109635354A CN 109635354 A CN109635354 A CN 109635354A CN 201811377013 A CN201811377013 A CN 201811377013A CN 109635354 A CN109635354 A CN 109635354A
Authority
CN
China
Prior art keywords
feature
manufacturing element
process route
group
manufacturing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811377013.5A
Other languages
English (en)
Inventor
刘金锋
朱钰萍
李纯金
周宏根
田桂中
李国超
李磊
景旭文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN201811377013.5A priority Critical patent/CN109635354A/zh
Publication of CN109635354A publication Critical patent/CN109635354A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

为提高工艺装备的利用率、降低加工成本，本发明公开了一种面向船用柴油机箱体类全新零件的工艺路线智能优选方法，本发明包括以下五个步骤：(1)将完全相同的特征定义为一个特征小组，利用含尺寸信息的属性邻接图将箱体类零件的特征组合为多个特征小组；(2)对每个特征小组进行基于加工特征的工艺信息重用，获得特征对应的工艺信息；(3)随机产生加工基元排列，利用制定的基本约束规则，筛选出符合基本工艺约束的加工基元排列作为工艺路线优选的初始种群；(4)以机床刀具更换最少为优选目标，确定适应度函数；(5)基于遗传算法对工艺路线进行优选，最后优选出加工路线最短，资源利用率最高，生产成本最低的工艺路线，为智能化工艺设计奠定了基础。

Description

一种面向船用柴油机箱体类零件的工艺路线智能优选方法
技术领域
本发明涉及一种工艺路线优选方法，尤其涉及一种面向船用柴油机箱体类零件的工艺路线智能优选方法。
背景技术
智能工艺设计是建立在MBD(基于模型定义)技术基础之上的实际应用。利用MBD技术中实体模型表达的唯一可靠性，以自动识别技术获取的制造特征为信息单元实现CAD/CAPP/CAM系统之间的信息传递，并结合已有的工艺资源库及相关规则，智能化生成相应的工艺流程方案。目前的智能工艺设计大都依靠简单的工艺资源库和规则驱动，这些工艺信息重用方法仅能简单地利用已有的工艺信息，造成工艺信息重用智能化程度低，最终得到的是零件中各特征相应工艺信息的简单罗列，而没有给出优选的工艺路线，这对于工艺非固化的全新零件来讲并没有达到智能工艺设计的最终目的，影响了工艺设计系统的完整性。
与汽车发动机生产线、专机的生产模式不同，船用柴油机关键零件的生产模式为单件小批量生产，因此一般首选通用机床和数控加工中心，以此满足不同零件的加工需求。这些零件具有体型大、结构复杂、精度要求较高等特点，加工工序繁多，需要周转于车床、镗床、铣床、磨床等机床，生命周期长。如果不能合理规划工艺路线，将会浪费大量的时间和成本，因此工艺路线的优选直接影响工艺设计的整体性和最终结果。
目前对于加工路线优化的工作大多没有考虑加工机床、刀具等因素对加工效率的影响，只是针对某几个特定的加工工序完成优化。大多文献依旧停留在对已有工艺路线进行优化，忽视了缺少完整工艺路线参考的全新零件的工艺路线设计。同时，大量交互式生成工艺路线的方法自动化水平较低，达不到智能制造的要求。
发明内容
发明目的：本发明目的是提供一种在利用工艺信息重用获得加工特征对应工艺信息的前提下,基于遗传算法的船用柴油机箱体类全新零件的工艺路线智能优选方法。
技术方案：本发明包括以下步骤：
(1)将完全相同的特征定义为一个特征小组，利用含尺寸信息的属性邻接图将箱体类零件的特征组合为多个特征小组；
(2)对每个特征小组进行基于加工特征的工艺信息重用，获得特征对应的工艺信息；
(3)随机产生加工基元排列，制定基本约束规则，筛选出符合基本工艺约束的加工基元排列，并选择部分加工基元排列作为工艺路线优选的初始种群；
(4)以机床刀具更换最少为优选目标，确定适应度函数；
(5)基于遗传算法对工艺路线进行优选，最后优选出加工路线最短，资源利用率最高，生产成本最低的工艺路线。
所述步骤(1)中具体操作过程为：
(11)在对加工特征进行工艺信息重用之前，将完全相同的特征定义为一个特征小组，并提出含尺寸信息的属性邻接图；
(12)将含尺寸信息的属性邻接图分解为单个子图，并对子图一致的特征进行尺寸信息比较；
(13)子图及尺寸信息完全一致的特征记为一个特征小组，对于单个加工特征，自为一组，对组合后的特征小组给定组号标记。
所述步骤(11)中完全相同的特征指几何、拓扑关系、尺寸参数和精度要求完全一致的特征。
所述步骤(2)的工艺信息包含以下三类：
(21)特征本身信息：主要包含特征的名称、尺寸参数和精度要求；
(22)工艺过程信息：主要包含工序名称、工序内容、工步数及工步名称；
(23)装备资源信息：主要包含机床类型、刀具及夹具。
所述步骤(3)的具体操作过程为：
(31)将特征小组在(22)中对应的各工步定义为若干加工基元，以便后期可以在“工步”层面对工艺路线完成优选，并以“特征小组号+此特征加工工步”的简称标记加工基元；
(32)对加工基元随机产生若干加工基元排列，并给出相应的矩阵表示；
(33)以单个特征的加工逻辑顺序为基本工艺约束，制定对应的规则算法作为筛选加工基元排列的基本约束条件；
(34)根据基本约束条件对(32)给出的排列种群进行初步筛选，排除不符合加工逻辑顺序的加工基元排列；
(35)将筛选后的加工基元排列作为初始种群代入遗传算法中进行优选。
所述步骤(31)中表示加工基元排列的矩阵M定义为：矩阵维数n由加工基元个数确定，即Mnn，行和列依次表示各个加工基元，矩阵中各元素依据加工基元在排列中的先后顺序而定，当第i个加工基元在第j个加工基元之前时，元素Mij设为1，当第i个加工基元在第j个加工基元之后时，元素Mij设为0，对角线元素为对应特征小组的标记。
所述步骤(33)中的规则算法指每个特征的加工过程必须遵循一定的加工逻辑顺序决定，即任意一个特征的加工基元总满足第i个加工基元在第j个加工基元之前加工(i≤j时)，因此在各个特征对应的分块方阵中满足一定的规律，即以主对角线为界右上三角全为1，左下三角全为0，表示为：
所述步骤(4)中的适应度函数包含的具体内容为：
(41)记总加工基元的数量为a，所需机床数为b，加工过程中变换机床的次数为c，所需刀具数为d，加工过程中变换刀具的次数为e，适应度函数中衡量机床变换的因子为衡量刀具变换的因子为
(42)综合考虑更换机床和刀具两个因素，适应度函数η＝ω1×β1+ω2×β2，考虑到更换机床的难度明显高于更换刀具的难度,将机床影响权重ω1设为0.7,刀具影响权重ω2设为0.3。
所述步骤(5)中的优选过程为：
(51)分别计算种群中各加工基元排列对应的适应度函数值，并运用轮盘赌选择法完成选择；
(52)对选择出的加工基元排列进行交叉、变异操作；
(53)重复(51)、(52)操作；
(54)当优选的适应度基本保持不变时，优选过程结束，同时输出适应度最高的加工基元排列。
附图说明
图1为本发明的总体框架流程图；
图2为本发明的基本约束条件规则算法；
图3为本发明选取的零件实例模型所含的面组分类图
图4为本发明选取的零件实例模型；
图5为本发明实例模型中对应的带尺寸信息的属性邻接图；
图6为本发明实例模型中对应分解后的特征子图；
图7为分组后的同类型子图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明包括以下步骤：
(1)在对箱体类零件的加工特征进行工艺信息重用之前，提出含尺寸信息的属性邻接图，通过比较带有尺寸信息的子图，将子图完全一致的特征记为一个特征小组，具体操作过程为：
(11)在对加工特征进行工艺信息重用之前，将完全相同的特征定义为一个特征小组，并提出含尺寸信息的属性邻接图，其中，完全相同的特征指几何、拓扑关系、尺寸参数和精度要求完全一致的特征，子图及尺寸信息的一致性会相互制约，保证子图匹配的准确性；
(12)将含尺寸信息的属性邻接图分解为单个子图，并对子图一致的特征进行尺寸信息比较；
(13)子图及尺寸信息完全一致的特征记为一个特征小组，对于单个加工特征，自为一组，对组合后的特征小组给定组号标记，完成智能分组的同时，减轻了工艺人员的工作量，减少了误差，提高了效率。
(2)对每个特征小组进行基于加工特征的工艺信息重用，获得特征相应的工艺信息。在路线优选前进行分组可以简化后续的优选操作，同时不会影响工艺路线的总体排序，在加工路线优选的过程中，具体需要的工艺信息包含以下三类：
(21)特征本身信息：主要包含特征的名称、尺寸参数和精度要求；
(22)工艺过程信息：主要包含工序名称、工序内容、工步数及工步名称；
(23)装备资源信息：主要包含机床类型、刀具及夹具。
(3)随机产生加工基元排列，制定基本约束规则，筛选出符合基本工艺约束的加工基元排列，并选择部分加工基元排列作为工艺路线优选的初始种群，具体操作过程为：
(31)将特征小组在(22)中对应的各工步定义为若干加工基元，以便后期可以在“工步”层面对工艺路线完成优选，并以“特征小组号+此特征加工工步”的简称标记加工基元；
(32)基于加工基元随机产生若干加工基元排列，并给出相应的矩阵表示，加工基元排列的矩阵M定义如下：矩阵维数n由加工基元个数确定即Mnn，行和列依次表示各个加工基元，矩阵各元素依据加工基元在排列中的先后顺序而定，当第i个加工基元在第j个加工基元之前时，元素Mij设为1，当第i个加工基元在第j个加工基元之后时，元素Mij设为0，对角线元素为对应特征小组的标记；
(33)由于每个特征的加工过程必须遵循一定的加工逻辑顺序，例如：铣削轮廓面必须先粗铣轮廓才能精铣轮廓，因此以单个特征的加工逻辑顺序为基本工艺约束，制定对应的规则算法作为筛选加工基元排列的基本约束条件，即任意单个特征的加工基元总满足第i个加工基元在第j个加工基元之前加工(i≤j时)，因此在各个特征对应的分块方阵中满足一定的规律，即：以主对角线为界右上三角全为1，左下三角全为0，如下所示：
(34)根据基本约束条件对(32)给出的排列种群进行初步筛选，排除不符合加工逻辑顺序的加工基元排列，用于筛选随机给定初始种群的约束条件的规则算法如图2所示，用于判断同一特征的各加工基元之间的排列是否符合逻辑顺序：
首先通过判断主对角线上各元素是否一致来判断是否属于同一特征；然后，对于主对角线一致的元素，进一步判断非主对角线元素的值是否符合逻辑顺序，如果不符合逻辑顺序则直接退出，如果符合则继续判断直至判断完毕，对于不一致的主对角线元素，直接判断下一组主对角线元素，最终筛选出符合基本约束要求的初始种群；
(35)将筛选后的加工基元排列作为初始种群代入遗传算法中进行优选。
(4)根据优选目标，确定适应度函数，由于影响加工效率的因素很多，因此优选加工基元排列是一个多目标优选问题，此处主要考虑减少加工机床及刀具的更换来优选加工路线，适应度函数包含的具体内容为：
(41)记总加工基元的数量为a，所需机床数为b，加工过程中变换机床的次数为c，所需刀具数为d，加工过程中变换刀具的次数为e，适应度函数中衡量机床变换的因子为衡量刀具变换的因子为
(42)综合考虑更换机床和刀具两个因素，记适应度函数η＝ω1×β1+ω2×β2，考虑到更换机床的难度要明显高于更换刀具的难度,因此参考经验数据，将机床影响权重ω1设为0.7,刀具影响权重ω2设为0.3。
(5)基于遗传算法对加工加工基元排列进行优选，最后优选出加工路线最短，资源利用率最高，生产成本最低的工艺路线，具体优选过程为：
(51)分别计算种群中各加工基元排列对应的适应度函数值，并运用轮盘赌选择法完成选择；
(52)对选择出的加工基元排列进行交叉、变异操作，由于种群在交叉变异操作后会对应改变部分加工工序的逻辑顺序,因此对于产生的新种群需要再次运用约束条件进行筛选；
(53)重复(51)、(52)操作；
(54)当优选的适应度基本保持不变，则优选过程结束，同时输出适应度最高的加工基元排列。
将零件中所含的面组定义为加工面和非加工面，对于加工面进一步划分为平面和非平面，平面分为：规则矩形平面和不规则平面，非平面分为：圆柱面和类圆柱面，具体表达方式如图3所示。根据定义可以得到图4所示的零件实例模型以及图5所示对应的含尺寸信息的属性邻接图(由于空间不足，此处尺寸信息隐含在字母中)。通过分解后的特征子图，如图6所示，可以看出该零件一共有17个特征，通过比较相同子图的尺寸信息可以得到子图分组，如图7所示。由子图分组可以准确地将特征(1)记为第1特征小组；将特征(2)～特征(9)合并为一组，记为第2特征小组；将特征(10)记为第3特征小组；将特征(11)和特征(12)合并为一组，记为第4特征小组；将特征(13)记为第5特征小组；将特征(14)和特征(15)合并为一组，记为第6特征小组；记特征(16)为第7特征小组，特征(17)为第8特征小组。
对工艺信息重用获得的各特征小组中各加工基元及其逻辑顺序排列如下，第1特征小组为的孔，对应的加工基元为：粗铣孔、镗孔；第2特征小组为的孔，对应的加工基元为：钻孔、铰孔；第3特征小组为的孔，对应的加工基元为：钻孔、扩孔、铰孔；第4特征小组为的孔，对应的加工基元为：钻孔、扩孔、铰孔；第5特征小组为的浅圆形型腔，对应的加工基元为：粗铣型腔、精铣型腔；第6特征小组为的孔，对应的加工基元为：粗铣孔、镗孔；第7特征小组为台阶，对应的加工基元为：粗铣台阶、精铣台阶；第8特征小组为凸台，对应的加工基元为：粗铣凸台、精铣凸台，根据工艺信息给出各加工基元对应的标识以备筛选和后期计算适应度函数，具体特征小组及加工基元情况如表1所示。
表1特征小组及加工基元情况表
加工特征 特征小组 特征加工元
(1) 第1组 粗铣孔(CX)-镗孔(T)
(2)-(9) 第2组 钻孔(Z)-铰孔(J)
(10) 第3组 钻孔(Z)-扩孔(K)-铰孔(J)
(11)-(12) 第4组 钻孔(Z)-扩孔(K)-铰孔(J)
(13) 第5组 粗铣型腔(CX)-精铣型腔(JX)
(14)-(15) 第6组 粗铣孔(CX)-镗孔(T)
(16) 第7组 粗铣台阶(CX)-精铣台阶(JX)
(17) 第8组 粗铣凸台(CX)-精铣凸台(JX)

Claims (9)

1.一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，包括以下步骤：
(1)将完全相同的特征定义为一个特征小组，利用含尺寸信息的属性邻接图将箱体类零件的特征组合为多个特征小组；
(2)对每个特征小组进行基于加工特征的工艺信息重用，得到特征对应的工艺信息；
(3)随机产生加工基元排列，制定基本约束规则，筛选出符合基本工艺约束的加工基元排列，并选择部分加工基元排列作为工艺路线优选的初始种群；
(4)以机床刀具更换最少为优选目标，确定适应度函数；
(5)基于遗传算法对工艺路线进行优选，最后优选出加工路线最短，资源利用率最高，生产成本最低的工艺路线。
2.根据权利要求1所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(1)中的操作过程为：
(11)在对加工特征进行工艺信息重用之前，将完全相同的特征定义为一个特征小组，并提出含尺寸信息的属性邻接图；
(12)将含尺寸信息的属性邻接图分解为单个子图，并对子图一致的特征进行尺寸信息比较；
(13)子图及尺寸信息完全一致的特征记为一个特征小组，对于单个加工特征，自为一组，对组合后的特征小组给定组号标记。
3.根据权利要求2所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(11)中完全相同的特征指几何、拓扑关系、尺寸参数和精度要求完全一致的特征。
4.根据权利要求1所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(2)中的工艺信息包含以下三类：
(21)特征本身信息：主要包含特征的名称、尺寸参数和精度要求；
(22)工艺过程信息：主要包含工序名称、工序内容、工步数及工步名称；
(23)装备资源信息：主要包含机床类型、刀具及夹具。
5.根据权利要求1所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(3)的具体操作过程为：
(31)将特征小组在(22)中对应的各工步定义为若干加工基元，并以“特征小组号+此特征加工工步”的简称标记加工基元；
(32)对加工基元随机产生的若干加工基元排列，并给出相应的矩阵表示；
(33)以单个特征的加工逻辑顺序为基本工艺约束，制定对应的规则算法作为筛选加工基元排列的基本约束条件；
(34)根据基本约束条件对(32)给出的排列种群进行初步筛选，排除不符合加工逻辑顺序的加工基元排列；
(35)将筛选后的加工基元排列作为初始种群，代入遗传算法中进行优选。
6.根据权利要求5所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(32)中表示加工基元排列的矩阵M定义为：矩阵维数n由加工基元个数确定，即Mnn，行和列依次表示各个加工基元，矩阵中各元素依据加工基元在排列中的先后顺序而定，当第i个加工基元在第j个加工基元之前时，元素Mij设为1，当第i个加工基元在第j个加工基元之后时，元素Mij设为0，对角线元素为对应特征小组的标记。
7.根据权利要求5所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(33)中的规则算法指每个特征的加工过程必须遵循一定的加工逻辑顺序，即任意单个特征的加工基元总满足第i个加工基元在第j个加工基元之前加工(i≤j时)，因此在各个特征对应的分块方阵中满足一定的规律，即以主对角线为界右上三角全为1，左下三角全为0。
8.根据权利要求1所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(4)中的适应度函数包含的具体内容为：
(41)记总加工基元的数量为a，所需机床数为b，加工过程中变换机床的次数为c，所需刀具数为d，加工过程中变换刀具的次数为e，适应度函数中衡量机床变换的因子为衡量刀具变换的因子为
(42)综合考虑更换机床和刀具两个因素，记适应度函数η＝ω1×β1+ω2×β2，考虑到更换机床的难度要明显高于更换刀具的难度,将机床影响权重ω1设为0.7,刀具影响权重ω2设为0.3。
9.根据权利要求1所述的一种面向船用柴油机箱体类零件的工艺路线智能优选方法，其特征在于，所述步骤(5)中的优选过程为：
(51)分别计算种群中各加工基元排列对应的适应度函数值，并运用轮盘赌选择法完成选择；
(52)对选择出的加工基元排列进行交叉、变异操作；
(53)重复(51)、(52)操作；
(54)当优选的适应度基本保持不变时，优选过程结束，同时输出适应度最高的加工基元排列。
CN201811377013.5A 2018-11-19 2018-11-19 一种面向船用柴油机箱体类零件的工艺路线智能优选方法 Pending CN109635354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811377013.5A CN109635354A (zh) 2018-11-19 2018-11-19 一种面向船用柴油机箱体类零件的工艺路线智能优选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811377013.5A CN109635354A (zh) 2018-11-19 2018-11-19 一种面向船用柴油机箱体类零件的工艺路线智能优选方法

Publications (1)

Publication Number Publication Date
CN109635354A true CN109635354A (zh) 2019-04-16

Family

ID=66068725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811377013.5A Pending CN109635354A (zh) 2018-11-19 2018-11-19 一种面向船用柴油机箱体类零件的工艺路线智能优选方法

Country Status (1)

Country Link
CN (1) CN109635354A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001635A (zh) * 2020-08-25 2020-11-27 上海汽车集团股份有限公司 一种工艺流程确定方法、装置、服务器及存储介质
CN113721543A (zh) * 2021-08-30 2021-11-30 南京埃斯顿自动化股份有限公司 一种数控机床中直线型工具集位置排列的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015096511A1 (zh) * 2013-12-24 2015-07-02 沈阳飞机工业（集团）有限公司 飞机结构件智能数控加工编程系统及方法
CN105182903A (zh) * 2015-10-19 2015-12-23 南京航空航天大学 同一加工特征定义方法
CN105893715A (zh) * 2016-06-01 2016-08-24 江苏科技大学 基于加工特征的工艺信息智能匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015096511A1 (zh) * 2013-12-24 2015-07-02 沈阳飞机工业（集团）有限公司 飞机结构件智能数控加工编程系统及方法
CN105182903A (zh) * 2015-10-19 2015-12-23 南京航空航天大学 同一加工特征定义方法
CN105893715A (zh) * 2016-06-01 2016-08-24 江苏科技大学 基于加工特征的工艺信息智能匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
凌玲等: "基于改进遗传算法的箱体类零件加工路线优化问题研究", 《组合机床与自动化加工技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001635A (zh) * 2020-08-25 2020-11-27 上海汽车集团股份有限公司 一种工艺流程确定方法、装置、服务器及存储介质
CN112001635B (zh) * 2020-08-25 2024-10-15 上海汽车集团股份有限公司 一种工艺流程确定方法、装置、服务器及存储介质
CN113721543A (zh) * 2021-08-30 2021-11-30 南京埃斯顿自动化股份有限公司 一种数控机床中直线型工具集位置排列的方法

Similar Documents

Publication Publication Date Title
CN103699055B (zh) 飞机结构件智能数控加工编程系统及方法
CN1426005A (zh) 中间阶段模型的制作装置和方法
CN104008181B (zh) 一种基于三维模型特征的电子零件相似数控工艺检索方法
CN109635354A (zh) 一种面向船用柴油机箱体类零件的工艺路线智能优选方法
CN101208639A (zh) 加工工序生成装置
CN108733003A (zh) 基于kmeans聚类算法的回转类零件工序工时预测方法及系统
Gindy et al. Component grouping for cell formation using resource elements
CN113112121A (zh) 一种基于多目标非支配排序的车间布局调度优化方法
CN116822985A (zh) 智能工艺决策方法
Göloğlu A constraint-based operation sequencing for a knowledge-based process planning
CN113868860A (zh) 一种基于工艺知识的零件自适应成本估算方法
CN111948977B (zh) 一种用于不锈钢加工的多目标优化方法和系统
CN117391514B (zh) 一种立轴磨床的加工质量管理方法及系统
CN114626190A (zh) 一种基于知识图谱的工艺设计资源模型构建方法
CN112346409B (zh) 一种快速判断点云包含问题的方法
Hua et al. GA-based synthesis approach for machining scheme selection and operation sequencing optimization for prismatic parts
CN112861433A (zh) 一种基于多层级集成框架的产品低碳设计的方法
CN108227627B (zh) 一种用于船用柴油机关键件的数控程序编制方法
CN111985056A (zh) 一种可实现快速工艺规划的机加件设计方法
CN104298816B (zh) 一种适合制造系统重构的机床布局设计方法
Elmaraghy et al. Feature based expert parts assignment in cellular manufacturing
CN112182877B (zh) 一种复合材料智能化切削加工优化方法及系统
CN113626948A (zh) 一种基于知识推理的自动工步设计方法
ElMaraghy et al. Knowledge-based system for assignment of parts to machine cells
CN113157260A (zh) 一种面向cmm的零件质量检测程序自动生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190416