CN110766055A - 一种基于语素划分和人工神经网络的智能装配工艺设计方法 - Google Patents
一种基于语素划分和人工神经网络的智能装配工艺设计方法 Download PDFInfo
- Publication number
- CN110766055A CN110766055A CN201910901458.7A CN201910901458A CN110766055A CN 110766055 A CN110766055 A CN 110766055A CN 201910901458 A CN201910901458 A CN 201910901458A CN 110766055 A CN110766055 A CN 110766055A
- Authority
- CN
- China
- Prior art keywords
- assembly
- knowledge
- structure tree
- similarity
- assembly process
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 201
- 230000008569 process Effects 0.000 title claims abstract description 166
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000013461 design Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 239000003638 chemical reducing agent Substances 0.000 description 5
- 238000012938 design process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/81—Indexing, e.g. XML tags; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/83—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于语素划分和人工神经网络的智能装配工艺设计方法。该方法包括装配工艺知识表达和装配工艺知识推理两部分，主要步骤为：1)装配工艺知识语素划分；2)装配结构树构建、储存与表达；3)装配工艺知识库构建：4)装配结构树结构相似度计算与比较；5)装配工艺知识多重约束匹配与检索；6)智能权重调整与人工神经网络训练模型辅助知识匹配。本发明能够减少工艺人员重复的手工劳动，提高工艺设计工程中的容错率，节约装配工艺设计工程中的时间成本，提高生产效率，同时本发明为建立装配工艺知识库，结合人的推理能力，支持自动化装配工艺设计的方法，可以为装配工艺设计提供更全面有效的指导并提高装配工艺设计效率和准确性。
Description
技术领域
本发明属于装配工艺知识库构建、装配工艺设计技术领域，具体涉及一种基于语素划分和人工神经网络的智能装配工艺设计方法。
背景技术
机械产品的装配工艺规划和设计是机械产品生产过程中的重要组成部分。企业在多年的生产实践已经积累了丰富的工艺知识和生产经验，但其大多数只是储存在相关工艺人员的头脑或者是纸质文件(工艺卡片、图纸等)中，造成了当前在企业中工艺知识组织不系统，缺乏条理性，传承性较低，重复利用度低，利用时时间耗费大，且容易出现人为错误。这大大地影响了装配工艺设计的效率和品质。
发明内容
本发明的目的是针对目前企业传统手工装配工艺设计效率低，重复劳动多，智能化以及自动化程度低的问题，提供了一种基于语素划分和人工神经网络的智能装配工艺设计方法。
本发明采用如下技术方案来实现的：
一种基于语素划分和人工神经网络的智能装配工艺设计方法，该方法包括装配工艺知识表达和装配工艺知识推理，具体包括以下步骤：
1)对于已有的装配工艺知识进行语素划分，并以“总装/总成—部件—组件—合件—零件”由高到低的装配单元阶序构建装配结构树，并以基于结构约束方式的XML结构文档的形式进行结构树的储存与表达；
2)建立基于语素划分的工艺知识以及基于XML结构文档的装配结构树的工艺知识库，储存已有的工艺知识条目和装配结构，并建立装配结构树中的装配单元与相应语素划分装配工艺知识的映射关系；
3)对于装配结构树，给出基装配结构相似度约束和子节点语素相似度相结合的装配结构相似度算法，根据装配结构相似度和装配结构树中子节点对应装配工艺知识语素相似度分配不同的权重，对装配工艺知识库中的知识进行综合评分排序，并将待设计机械产品的装配结构树与知识库中已有装配结构树进行相似度计算与比较，根据相似度分值高低筛选匹配出相应的装配工艺知识；
4)进一步以结构对象关键工艺参数及关键词为条件，通过语义逻辑包含及数值区间筛选方法，对经相似度筛选出的备选知识进行多重约束条件的筛选与匹配；
5)结合机器学习中与贝叶斯估计有关的算法，对于每次装配工艺知识筛选匹配的结果增加知识匹配粘度指标，即对于最终被编入装配设计总工艺中的知识所在的结构树，提取其相应特征，包括结构树中与目标产品结构树中相似的子结构以及其子节点中所包含的知识文本，并将该结构树以及知识库中与它有着相似特征的结构树子节点对应装配工艺知识语素以及所属装配结构的权重均相应提高，并保存在知识库中；
6)每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果。
本发明进一步的改进在于，步骤1)中，对于已有的装配工艺知识进行语素划分，具体包括以下步骤：
对于已有的工艺知识条目，以对象、方法和目的三个自然语义为约束条件，进行语素划分，提取出工艺知识中的装配单元对象，工艺要求、设计要求和工艺效果。
本发明进一步的改进在于，装配结构树构建、储存与表达，具体包括以下步骤：以“总装/总成—部件—组件—合件/零件”由高到低的装配单元阶序构建装配结构树；其中，装配工艺结构树特征为：一个装配体由n个部件组成，而每个部件Bi又由Ci个组件组成；每个组件则由Di个零件组成，故装配工艺结构树是一颗有序树，是由个节点组成的有穷集合O以及O上的关系集合R构成的，结构树以基于结构约束方式的XML结构文档的形式进行储存与表达，i＝1,2,3…,n。
本发明进一步的改进在于，步骤2)中，装配结构树的工艺知识库构建，具体包括以下步骤：
装配结构树中的装配单元与相应语素划分装配工艺知识的映射关系采用节点编号的方式建立，格式如下：A-X-X-X，其中A为产品代号，即装配单元中最高一级，X为不小于1的整数，分别表示目标产品中相应的第X个部件/组件/合件/零件；每一条工艺知识在知识库中均对应有一个节点编号属性，并从属于相应装配结构树的子节点。
本发明进一步的改进在于，步骤3)中，装配结构树结构相似度计算比较，具体包括以下步骤：
对于装配结构树，给出基于装配结构树相似度约束和子节点语素相似度相结合的装配结构相似度算法，其公式为：
其中式中ωi、ωj表示不同边的权值，
表示相关装配结构子节点中语素具有相同权值ωi边交集中边的数目，
表示相关装配结构子节点中语素中具有相同权值ωj并集边的数目；|eX∩eY|表示装配结构树中交集边的数目，|eX∪eY|表示装配结构树中并集边的数目；ωl为子节点语素相似度在总体结构相似度中所占的权值，ωl为装配结构树相似度在总体结构相似度中所占的权值。
本发明进一步的改进在于，步骤6)中，权值调整以及人工神经训练模型，具体包括以下步骤：
建立以装配对象、装配结构、工艺要求以及设计要求为输入，相似度为输出的人工神经网络训练模型；利用BP神经网络实现任意的m维到n维的函数映射，也即获得m个装配工艺特征与n个装配工艺知识之间的函数回归；首先，在实际数据训练过程中，隐含层节点个数的多少对于神经网络的性能是有影响的；因此，第一步应该选取合适的隐含层节点数，且隐含层节点数目按照如下经验公式进行选择：
式中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10的调节常数；隐含层采用高斯函数作为基函数，建立输入特征和输出位置的映射关系；使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度；用最小均方算法通过估计输出层的权值，完成神经网络的设计；每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果。
本发明具有如下有益的技术效果：
本发明提供的一种基于语素划分和人工神经网络的智能装配工艺设计方法，可以有效地提高装配工艺设计的效率，减少设计过程中的重复工作，节省设计时间。语素划分通过对传统的装配工艺知识文本条目知识进行有目的性的拆分，可以实现装配工艺知识的快速分类整理与归纳；人工神经网络具有良好的自我学习、联想储存以及快速寻找最优解的能力，在装配工艺设计过程中应用，可以有效地提高装配工艺设计的速度与准确性，并且提高设计过程中的容错率。
对于已有的装配工艺知识进行语素划分，并以“总装/总成—部件—组件—合件—零件”由高到低的装配单元阶序构建装配结构树，并以基于结构约束方式的XML结构文档的形式进行结构树的储存与表达，结构简洁明了，存储方便，可以减少装配工艺设计过程中装配知识的冗余重复以及错误率。
建立基于语素划分的工艺知识以及基于XML结构文档的装配结构树的工艺知识库，储存已有的工艺知识条目和装配结构，并建立装配结构树中的子节点(装配单元)与相应语素划分装配工艺知识的映射关系，可以实现对已有装配工艺知识的系统归纳整理，为后续的增删查改提供便利；同时通过结构树子节点与工艺知识映射关系的建立，能够提升装配工艺知识组织的系统性与完整性，并提高查询的速度与准确性。
对于装配结构树，给出基装配结构相似度约束和子节点语素相似度相结合的装配结构相似度算法，根据装配结构相似度和装配结构树中子节点对应装配工艺知识语素相似度分配不同的权重，对装配工艺知识库中的知识进行综合评分排序，并将待设计机械产品的装配结构树与知识库中已有装配结构树进行相似度计算与比较，根据相似度分值高低筛选匹配出相应的装配工艺知识，可以实现所需装配工艺知识的快速查询与检索，同时通过调整权值大小，能够实现准确及模糊查询等不同需求的查询方式，满足生产实际的需求。
以结构对象关键工艺参数及关键词为条件，通过语义逻辑包含及数值区间筛选方法，对经相似度筛选出的备选知识进行多重约束条件的筛选与匹配，可以进一步细化已检索出的装配工艺知识，进一步提高装配工艺知识查询检索的准确性。
结合机器学习中与贝叶斯估计有关的算法，对于每次装配工艺知识筛选匹配的结果增加知识匹配粘度指标，即对于最终被编入装配设计总工艺中的知识所在的结构树，提取其相应特征，包括结构树中与目标产品结构树中相似的子结构以及其子节点中所包含的知识文本，并将该结构树以及知识库中与它有着相似特征的结构树子节点对应装配工艺知识语素以及所属装配结构的权重均相应提高，并保存在知识库中，可以实现对已有装配工艺知识库的更新与扩容，不断提高装配工艺知识库与实际装配工艺设计过程的匹配度，从而进一步提高本设计方法的准确性。每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果，能够提高本装配设计方法整体的速度、与容错率。
附图说明
图1是自动变速器A的装配结构树(部分)示意图。
图2是以结构约束方式的XML结构文档装配结构树图。
图3是结构相似度的算法流程示意图。
图4是本发明基于人工神经网络的训练模型所使用的BP神经网络层级示意图。
图5是本发明基于语素划分的装配工艺知识表达以及基于人工神经网络的装配知识推理流程图。
图6是本发明基于语素划分和人工神经网络的智能装配工艺设计方法的流程图。
图7是本发明算例中所述行星减速器的装配结构树示意图。
图8是本发明算例中所述以结构约束方式的XML文档装配结构树图，其中图8(a)是结构树A，图8(b)是结构树B，图8(c)是结构树C。
图9是本发明算例中所述基于人工神经网络的训练模型所使用的BP神经网络层级示意图。
图10是本发明算例中所述的人工神经网络训练模型训练结果示意图。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
如图5和图6所示，本发明提供的一种基于语素划分和人工神经网络的智能装配工艺设计方法，该方法包括装配工艺知识表达和装配工艺知识推理。
如附图1和图2所示，本发明包含的装配工艺知识表达与储存，主要包含以下步骤：
1)对于已有的工艺知识条目，以对象、方法、目的三个自然语义为约束条件，进行语素划分，提取出工艺知识中的装配单元对象，工艺要求、设计要求和工艺效果。
2)以“总装/总成—部件—组件—合件/零件”由高到低的装配单元阶序构建装配结构树。所述装配工艺结构树特征为：一个装配体由n个部件组成，而每个部件Bi(i＝1,2,3…,n)又由Ci个组件组成；每个组件则由Di个零件(合件)组成。故装配工艺结构树是一颗有序树，是由
个节点组成的有穷集合O以及O上的关系集合R构成的。结构树以基于结构约束方式的XML结构文档的形式进行储存与表达。
3)建立基于语素划分的工艺知识以及基于XML结构文档的装配结构树的工艺知识库，储存已有的工艺知识条目和装配结构，并建立装配结构树中的子节点(装配单元)与相应语素划分装配工艺知识的映射关系。该映射关系采用节点编号的方式建立，格式如下：A-X-X-X，其中A为产品代号，即装配单元中最高一级，X为不小于1的整数，分别表示目标产品中相应的第X个部件/组件/合件/零件。每一条工艺知识在知识库中均对应有一个节点编号属性，并从属于相应装配结构树的子节点。
结合附图3-5所示，本发明还公开了基于结构相似度与人工神经网络的装配工艺知识推理的方法，主要包括以下步骤：
1)对于装配结构树，给出基于装配结构树相似度约束和子节点语素相似度相结合的装配结构相似度算法，其公式为：
其中式中ωi、ωj表示不同边的权值，
表示相关装配结构子节点中语素具有相同权值ωi边交集中边的数目，
表示相关装配结构子节点中语素中具有相同权值ωj并集边的数目；|eX∩eY|表示装配结构树中交集边的数目，|eX∪eY|表示装配结构树中并集边的数目；ωl为子节点语素相似度在总体结构相似度中所占的权值，ωl为装配结构树相似度在总体结构相似度中所占的权值。
2)根据装配结构相似度和装配结构树中子节点对应装配工艺知识语素相似度分配不同的权重，对装配工艺知识库中的知识进行综合评分排序，并将待设计机械产品的装配结构树与知识库中已有装配结构树进行相似度计算与比较，根据相似度分值高低筛选匹配出相应的装配工艺知识。
3)以结构对象关键工艺参数及关键词为条件，通过语义逻辑包含及数值区间筛选方法，对经过结构相似度筛选出的备选工艺知识进行多重约束条件的筛选与匹配。
4)结合机器学习中与贝叶斯估计有关的算法，对于每次装配工艺知识筛选匹配的结果增加知识匹配粘度指标，即对于最终被编入装配设计总工艺中的知识所在的结构树，提取其相应特征，包括结构树中与目标产品结构树中相似的子结构以及其子节点中所包含的知识文本，并将该结构树以及知识库中与它有着相似特征的结构树子节点对应装配工艺知识语素以及所属装配结构的权重均相应提高，并保存在知识库中。
5)建立以装配对象、装配结构、工艺要求以及设计要求为输入，相似度为输出的人工神经网络训练模型。附图4给出了所需要的BP神经网络结构层级示意图。利用BP神经网络实现任意的m维到n维的函数映射，也即可以获得m个装配工艺特征与与n个装配工艺知识之间的函数回归。首先，在实际数据训练过程中，隐含层节点个数的多少对于神经网络的性能是有影响的。因此，第一步应该选取合适的隐含层节点数。一般而言，隐含层节点数目按照如下经验公式进行选择：
式中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10的调节常数。隐含层采用高斯函数作为基函数，建立输入特征和输出位置的一种映射关系。使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度；用最小均方算法通过估计输出层的权值，完成神经网络的设计。每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果。
以某行星减速器的装配工艺设计为例，首先对该减速器已有的装配工艺知识以对象、方法、目的三个自然语义为约束条件，进行如下语素划分。
构建该减速器的装配结构树以及结构树中子节点与相应装配工艺知识的映射关系(节点编号)，如图7所示。
如图8所示，结构树A其与工艺知识库中已有结构树B、C的相似度根据前文所给出公式：
可计算得到：
则根据相似度大小，本发明选择B结构树以及其相应的子节点对应的工艺知识作为备选结果。
选择“间隙”作为关键词，同时对间隙值的数值区间规定为0.01mm-0.02mm，则最终筛选出的工艺知识结果如下：
最终本发明选择B-1-3-1这条知识，并将它所属结构树以及所属子节点的权值相应提高。根据权利要求5所述的人工神经网络训练模型建立方式，建立图9所示以该行星减速器的装配对象、装配结构、工艺要求以及设计要求为输入，相似度为输出的人工神经网络训练模型。其中输入层个数m＝8，输出层个数n＝1，取调节常数a＝1，则隐含层节点数h由经验公式计算得：
训练结果如图10和下表所示，利用该人工神经训练模型预测得到的相似度结果与实际值有着很好的匹配度。
本发明算例中所述装配工艺知识划分(部分)结果示意图
Claims (6)
1.一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，该方法包括装配工艺知识表达和装配工艺知识推理，具体包括以下步骤：
1)对于已有的装配工艺知识进行语素划分，并以“总装/总成-部件-组件-合件-零件”由高到低的装配单元阶序构建装配结构树，并以基于结构约束方式的XML结构文档的形式进行结构树的储存与表达；
2)建立基于语素划分的工艺知识以及基于XML结构文档的装配结构树的工艺知识库，储存已有的工艺知识条目和装配结构，并建立装配结构树中的装配单元与相应语素划分装配工艺知识的映射关系；
3)对于装配结构树，给出基装配结构相似度约束和子节点语素相似度相结合的装配结构相似度算法，根据装配结构相似度和装配结构树中子节点对应装配工艺知识语素相似度分配不同的权重，对装配工艺知识库中的知识进行综合评分排序，并将待设计机械产品的装配结构树与知识库中已有装配结构树进行相似度计算与比较，根据相似度分值高低筛选匹配出相应的装配工艺知识；
4)进一步以结构对象关键工艺参数及关键词为条件，通过语义逻辑包含及数值区间筛选方法，对经相似度筛选出的备选知识进行多重约束条件的筛选与匹配；
5)结合机器学习中与贝叶斯估计有关的算法，对于每次装配工艺知识筛选匹配的结果增加知识匹配粘度指标，即对于最终被编入装配设计总工艺中的知识所在的结构树，提取其相应特征，包括结构树中与目标产品结构树中相似的子结构以及其子节点中所包含的知识文本，并将该结构树以及知识库中与它有着相似特征的结构树子节点对应装配工艺知识语素以及所属装配结构的权重均相应提高，并保存在知识库中；
6)每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果。
2.根据权利要求1所述的一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，步骤1)中，对于已有的装配工艺知识进行语素划分，具体包括以下步骤：
对于已有的工艺知识条目，以对象、方法和目的三个自然语义为约束条件，进行语素划分，提取出工艺知识中的装配单元对象，工艺要求、设计要求和工艺效果。
3.根据权利要求2所述的一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，装配结构树构建、储存与表达，具体包括以下步骤：以“总装/总成-部件-组件-合件/零件”由高到低的装配单元阶序构建装配结构树；其中，装配工艺结构树特征为：一个装配体由n个部件组成，而每个部件Bi又由Ci个组件组成；每个组件则由Di个零件组成，故装配工艺结构树是一颗有序树，是由
个节点组成的有穷集合O以及O上的关系集合R构成的，结构树以基于结构约束方式的XML结构文档的形式进行储存与表达，i＝1，2，3...，n。
4.根据权利要求3所述的一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，步骤2)中，装配结构树的工艺知识库构建，具体包括以下步骤：
装配结构树中的装配单元与相应语素划分装配工艺知识的映射关系采用节点编号的方式建立，格式如下：A-X-X-X，其中A为产品代号，即装配单元中最高一级，X为不小于1的整数，分别表示目标产品中相应的第X个部件/组件/合件/零件；每一条工艺知识在知识库中均对应有一个节点编号属性，并从属于相应装配结构树的子节点。
5.根据权利要求4所述的一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，步骤3)中，装配结构树结构相似度计算比较，具体包括以下步骤：
对于装配结构树，给出基于装配结构树相似度约束和子节点语素相似度相结合的装配结构相似度算法，其公式为：
其中式中ωi、ωj表示不同边的权值，
表示相关装配结构子节点中语素具有相同权值ωi边交集中边的数目，
表示相关装配结构子节点中语素中具有相同权值ωj并集边的数目；|eX∩eY|表示装配结构树中交集边的数目，|eX∪eY|表示装配结构树中并集边的数目；ωl为子节点语素相似度在总体结构相似度中所占的权值，ωl为装配结构树相似度在总体结构相似度中所占的权值。
6.根据权利要求5所述的一种基于语素划分和人工神经网络的智能装配工艺设计方法，其特征在于，步骤6)中，权值调整以及人工神经训练模型，具体包括以下步骤：
建立以装配对象、装配结构、工艺要求以及设计要求为输入，相似度为输出的人工神经网络训练模型；利用BP神经网络实现任意的m维到n维的函数映射，也即获得m个装配工艺特征与n个装配工艺知识之间的函数回归；首先，在实际数据训练过程中，隐含层节点个数的多少对于神经网络的性能是有影响的；因此，第一步应该选取合适的隐含层节点数，且隐含层节点数目按照如下经验公式进行选择：
式中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10的调节常数；隐含层采用高斯函数作为基函数，建立输入特征和输出位置的映射关系；使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度；用最小均方算法通过估计输出层的权值，完成神经网络的设计；每一次人工对备选知识的选择均作为一次对人工神经网络训练模型的训练，并将训练的输出结果作为下一次工艺知识筛选匹配的部分备选结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901458.7A CN110766055A (zh) | 2019-09-23 | 2019-09-23 | 一种基于语素划分和人工神经网络的智能装配工艺设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901458.7A CN110766055A (zh) | 2019-09-23 | 2019-09-23 | 一种基于语素划分和人工神经网络的智能装配工艺设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110766055A true CN110766055A (zh) | 2020-02-07 |
Family
ID=69330627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910901458.7A Pending CN110766055A (zh) | 2019-09-23 | 2019-09-23 | 一种基于语素划分和人工神经网络的智能装配工艺设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766055A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353551A (zh) * | 2020-03-13 | 2020-06-30 | 广东工业大学 | 一种面向产品装配工艺的非均匀样本均衡化方法及系统 |
| CN111709250A (zh) * | 2020-06-11 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于信息处理的方法、装置、电子设备和存储介质 |
| CN111797989A (zh) * | 2020-09-08 | 2020-10-20 | 南京国睿信维软件有限公司 | 基于知识的工艺智能推荐方法 |
| CN111950903A (zh) * | 2020-08-12 | 2020-11-17 | 中铁二院工程集团有限责任公司 | 一种基于模板生成铁路工程定额和工程数量的方法及装置 |
| CN114417021A (zh) * | 2022-01-24 | 2022-04-29 | 中国电子科技集团公司第五十四研究所 | 一种基于时、空、义多约束融合的语义信息精准分发方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371392A1 (en) * | 2014-06-20 | 2015-12-24 | Varian Medical Systems, International Ag | Shape similarity measure for body tissue |
| CN105844398A (zh) * | 2016-03-22 | 2016-08-10 | 武汉大学 | 一种基于plm数据库面向dpipp产品族的挖掘算法 |
| US20160350294A1 (en) * | 2015-05-31 | 2016-12-01 | Thomson Reuters Global Resources | Method and system for peer detection |
| CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
| CN108268548A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于树状图的数据相似度匹配方法及装置 |
| CN109766940A (zh) * | 2018-12-29 | 2019-05-17 | 北京天诚同创电气有限公司 | 评估多个污水处理系统间的相似度的方法和装置 |
-
2019
- 2019-09-23 CN CN201910901458.7A patent/CN110766055A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371392A1 (en) * | 2014-06-20 | 2015-12-24 | Varian Medical Systems, International Ag | Shape similarity measure for body tissue |
| US20160350294A1 (en) * | 2015-05-31 | 2016-12-01 | Thomson Reuters Global Resources | Method and system for peer detection |
| CN105844398A (zh) * | 2016-03-22 | 2016-08-10 | 武汉大学 | 一种基于plm数据库面向dpipp产品族的挖掘算法 |
| CN108268548A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于树状图的数据相似度匹配方法及装置 |
| CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
| CN109766940A (zh) * | 2018-12-29 | 2019-05-17 | 北京天诚同创电气有限公司 | 评估多个污水处理系统间的相似度的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| GONGZHUANG PENG 等，: "Knowledge-based Intelligent Assembly of Complex Products in a Cloud CPS-based System", 《2019 IEEE 23RD INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN (CSCWD)》 * |
| 王茜 等，: "基于分类树相似度加权的协同过滤算法", 《计算机科学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353551A (zh) * | 2020-03-13 | 2020-06-30 | 广东工业大学 | 一种面向产品装配工艺的非均匀样本均衡化方法及系统 |
| US11429070B2 (en) | 2020-03-13 | 2022-08-30 | Guangdong University Of Technology | Inhomogeneous sample equalization method and system for product assembly process |
| CN111709250A (zh) * | 2020-06-11 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于信息处理的方法、装置、电子设备和存储介质 |
| CN111950903A (zh) * | 2020-08-12 | 2020-11-17 | 中铁二院工程集团有限责任公司 | 一种基于模板生成铁路工程定额和工程数量的方法及装置 |
| CN111950903B (zh) * | 2020-08-12 | 2023-04-07 | 中铁二院工程集团有限责任公司 | 一种基于模板生成铁路工程定额和工程数量的方法及装置 |
| CN111797989A (zh) * | 2020-09-08 | 2020-10-20 | 南京国睿信维软件有限公司 | 基于知识的工艺智能推荐方法 |
| CN114417021A (zh) * | 2022-01-24 | 2022-04-29 | 中国电子科技集团公司第五十四研究所 | 一种基于时、空、义多约束融合的语义信息精准分发方法 |
| CN114417021B (zh) * | 2022-01-24 | 2023-08-25 | 中国电子科技集团公司第五十四研究所 | 一种基于时、空、义多约束融合的语义信息精准分发方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766055A (zh) | 一种基于语素划分和人工神经网络的智能装配工艺设计方法 | |
| CN109597855A (zh) | 基于大数据驱动的领域知识图谱构建方法及系统 | |
| Siahaan | Implementation of Fuzzy Tsukamoto Algorithm in Determining Work Feasibility | |
| CN111930774B (zh) | 一种电力知识图谱本体自动构建方法及系统 | |
| Khan et al. | Ontology construction for information selection | |
| CN105528437B (zh) | 一种基于结构化文本知识提取的问答系统构建方法 | |
| CN107368468A (zh) | 一种运维知识图谱的生成方法及系统 | |
| CN107038159A (zh) | 一种基于无监督领域自适应的神经网络机器翻译方法 | |
| CN102043793A (zh) | 一种面向知识服务的推荐方法 | |
| CN104899242A (zh) | 基于设计意图的机械产品设计二维知识推送方法 | |
| CN105912773B (zh) | 一种新的基于数据挖掘技术的智能冲压工艺设计方法 | |
| CN111340661A (zh) | 一种基于图神经网络的应用题自动解题方法 | |
| CN111651447A (zh) | 一种智能建造全寿期数据处理分析管控系统 | |
| CN109446414A (zh) | 一种基于神经网络分类的软件信息站点快速标签推荐方法 | |
| CN113220897A (zh) | 基于实体-关系关联图的知识图谱嵌入模型 | |
| CN113918727B (zh) | 一种基于知识图谱和迁移学习的施工项目知识转移方法 | |
| CN105354339B (zh) | 基于上下文的内容个性化提供方法 | |
| Cordón et al. | Fuzzy logic and multiobjective evolutionary algorithms as soft computing tools for persistent query learning in text retrieval environments | |
| Ahmad et al. | A novel adaptive learning path method | |
| CN116431819A (zh) | 基于深度强化学习的面向创新设计的功能知识集成方法 | |
| Akram et al. | Intelligent Web Mining Techniques using Semantic Web | |
| Zhou et al. | Research on personalized e-learning based on decision tree and RETE algorithm | |
| dos Santos et al. | Decision support systems in multicriteria groups: An approach based on fuzzy rules | |
| Chetoui et al. | Course recommendation model based on Knowledge Graph Embedding | |
| Qingjie et al. | Research on domain knowledge graph based on the large scale online knowledge fragment |
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 |
Application publication date: 20200207 |