CN111310388A - 一种离散制造系统的工艺知识自动推送方法 - Google Patents
一种离散制造系统的工艺知识自动推送方法 Download PDFInfo
- Publication number
- CN111310388A CN111310388A CN202010109664.7A CN202010109664A CN111310388A CN 111310388 A CN111310388 A CN 111310388A CN 202010109664 A CN202010109664 A CN 202010109664A CN 111310388 A CN111310388 A CN 111310388A
- Authority
- CN
- China
- Prior art keywords
- cluster
- route
- pigeon
- routes
- process route
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机辅助工艺设计技术领域,具体公开了一种离散系统的工艺知识自动推送方法,其中,包括:建立数据矩阵;根据计算工序以及工艺路线之间的距离建立相异度矩阵;对所述相异度矩阵进行降噪处理,并删除冗余数据;将降噪处理后的相异度矩阵转化为二维编码,且每个二维编码均表示一个聚类结果;根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果;提取所述最优聚类结果中的典型工艺路线;将所述典型工艺路线输出至工艺知识推送系统,以实现工艺知识自动推送。本发明提供的离散系统的工艺知识自动推送方法只需要对典型工艺路线稍加修改,就能够生产与典型零件相近的零件,这样可以大大简化生产过程,提高生产效率。
Description
技术领域
本发明涉及计算机辅助工艺设计技术领域,尤其涉及一种离散制造系统的工艺知识自动推送方法。
背景技术
典型工艺路线是指企业为了生产典型零件而制定的较为普遍的工艺路线,只需要对典型工艺路线进行部分修改,就能够生产与典型零件相近的零件,从而提高企业的生产效率,但实际生产中却存在着工艺路线过多和典型工艺路线提取不够精确的问题。
目前对典型工艺路线提取的研究主要关注的是相似度的计算以及不同的聚类算法。虽然提出了许多能够提高聚类结果准确性的方法,但仍然存在着一些问题,比如相似度计算结果与实际情况存在一定偏差、聚类结果的分析和工作人员的经验有很大关系。
因此如何提供一种聚类分析的方法,可以更为科学的提取工艺过程中的典型路线,与典型零件相近的零件也只需要通过对典型工艺路线稍加修改就可以进行加工,这样可以简化工艺生产过程并且提高生产效率。
发明内容
本发明提供了一种离散制造系统的工艺知识自动推送方法,解决相关技术中存在的典型工艺路线提取的问题。
作为本发明的一个方面,提供一种离散系统的工艺知识自动推送方法,其中,包括:
建立数据矩阵;
根据计算工序以及工艺路线之间的距离建立相异度矩阵;
对所述相异度矩阵进行降噪处理,并删除冗余数据;
将降噪处理后的相异度矩阵转化为二维编码,且每个二维编码均表示一个聚类结果;
根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果;
提取所述最优聚类结果中的典型工艺路线;
将所述典型工艺路线输出至工艺知识推送系统,以实现工艺知识自动推送。
进一步地,所述数据矩阵包括n×p的数据矩阵,其中n表示工艺路线总数量,p表示工艺路线中工序个数的最大值,矩阵元素xak表示第a条工艺路线的第k个工序,a=1,2,……,n;k=1,2,……,p。
进一步地,当一条工艺线路中的工序个数小于p个时,该工艺路线中超出工序个数的元素用零表示。
进一步地,所述根据计算工序以及工艺路线之间的距离建立相异度矩阵,包括:
通过计算工序之间的距离d1(xik,xjk)以计算两条工艺路线之间的距离d2(xi,xj),其中工序之间的距离d1(xik,xjk)表示为:
两条工艺路线之间的距离d2(xi,xj)表示为:
其中,l表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺线路i和工艺线路j中的第k个工序的数字编码的前m个数字。
进一步地,所述对所述相异度矩阵进行降噪处理,并删除冗余数据,包括:
计算每条工艺路线与其他工艺路线之间的路线距离;
判断所述路线距离是否满足第一条件或第二条件;
若所述路线距离满足第一条件或第二条件,则删除该条工艺路线;
其中所述第一条件表示为:
Nmin/n>λmin,
所述第二条件表示为:
Nmax/n>λmax;
其中,Nmin表示某条工艺路线与其他工艺路线之间的距离小于设定的工艺路线间的最小距离d2min的数量,Nmax表示某条工艺路线与其他工艺路线之间的距离大于设定的工艺路线间的最大距离d2max的数量,n表示工艺路线的总数量,λmin表示小相似度比例,λmax表示大相似度比例。
进一步地,当工艺路线的总数量为n,对工艺路线按照顺序依次编码是P1,P2,…,Pn时,若有r个聚类簇,则所述二维编码表示r×n的矩阵,其中该矩阵中的元素非0则1,且1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0。
进一步地,所述根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果,包括:
步骤a1、种群初始化,在初始化时,首先将每一条工艺路线都随机分配到一个聚类簇中,作为最初始的聚类划分,然后对初始化的工艺路线进行二维编码,将其作为初始位置,将以上过程反复进行N次,就可以生成包括N只“鸽子”初始种群,其中每一只“鸽子”代表一个二维编码也即一种聚类结果,其中20≤N≤100;
步骤a2、种群优化,针对种群中的所有工艺路线,首先计算其与该“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将所述工艺路线划分到竞标值小的聚类簇中,以获得聚类划分的结果,最后更新二维编码,
其中所述竞标值函数表示为:
其中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的工艺路线编号,Σd2(xu,xv)表示所选工艺路线v与聚类簇c中的所有工艺路线的相似度的总量,Nc表示聚类粗中工艺路线c的数量,λd表示相似度权重指数,λb表示聚类粗权重指数,Bc(v)表示工艺路线v对于聚类簇c的竞标值;
步骤a3、更新“鸽子”的位置和速度,在鸽群优化算法PIO中,每一只“鸽子”的位置均表示一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解,由二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵,“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段;首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)],
Xi(T)=Xi(T-1)+Vi(T)
其中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置;
步骤a4、反复进行步骤a3的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段;在所述地标阶段,每次迭代后“鸽子”的数目减少一半,舍去远离目标的“鸽子”,得到最优解;更新位置公式表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)],
其中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,a、b、c、d表示权重因子,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离、目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,Xcenter(T-1)表示剩余“鸽子”的中心位置;反复进行步骤a4的迭代过程,直至迭代次数T大于设定的最大迭代次数T2;
步骤a5、当迭代次数达到设定的最大值时结束并且输出“鸽子”的最优位置,所述最优位置对应的二维编码表示最优聚类结果,将所述最优聚类结果转化为相异度矩阵。
进一步地,所述提取所述最优聚类结果中的典型工艺路线,包括:
根据均值公式提取所述最优聚类结果得到每个聚类簇中的典型工艺路线,其中所述均值公式表示为:
其中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的工艺路线编号,Σd2(xu,xv)表示所选工艺路线v与聚类簇c中的所有工艺路线的相似度的总量,Nc表示聚类簇c中的元素数量,Sc(v表示所选工艺路线v对聚类c簇的均值;
在提取所述典型工艺路线时,计算每一个聚类簇中的每一个工艺路线相对于该聚类簇的均值,选取均值最小的作为该聚类簇的典型工艺路线。
通过上述离散系统的工艺知识自动推送方法,将鸽群算法应用在聚类分析之中,提高了相似度计算方法的精确性并且优化了聚类的结果,使聚类的结果更加精确科学,更符合生产实际。通过智能聚类算法得到了典型工艺路线后,只需要对典型工艺路线稍加修改,就能够生产与典型零件相近的零件,这样可以大大简化生产过程,提高生产效率。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的离散系统的工艺知识自动推送方法的流程图。
图2为本发明提供的典型工艺路线提取流程图。
图3为本发明提供的鸽群聚类算法流程图。
图4为本发明提供的知识推送系统框架结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种离散系统的工艺知识自动推送方法,图1是根据本发明实施例提供的离散系统的工艺知识自动推送方法的流程图,如图1所示,包括:
S110、建立数据矩阵;
S120、根据计算工序以及工艺路线之间的距离建立相异度矩阵;
S130、对所述相异度矩阵进行降噪处理,并删除冗余数据;
S140、将降噪处理后的相异度矩阵转化为二维编码,且每个二维编码均表示一个聚类结果;
S150、根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果;
S160、提取所述最优聚类结果中的典型工艺路线;
S170、将所述典型工艺路线输出至工艺知识推送系统,以实现工艺知识自动推送。
通过上述离散系统的工艺知识自动推送方法,将鸽群算法应用在聚类分析之中,提高了相似度计算方法的精确性并且优化了聚类的结果,使聚类的结果更加精确科学,更符合生产实际。通过智能聚类算法得到了典型工艺路线后,只需要对典型工艺路线稍加修改,就能够生产与典型零件相近的零件,这样可以大大简化生产过程,提高生产效率。
下面结合图1和图2对本发明提供的离散系统的工艺知识自动推送方法进行详细描述。
具体地,所述数据矩阵包括n×p的数据矩阵,其中n表示工艺路线总数量,p表示工艺路线中工序个数的最大值,矩阵元素xak表示第a条工艺路线的第k个工序,a=1,2,……,n;k=1,2,……,p。
具体地,当一条工艺线路中的工序个数小于p个时,该工艺路线中超出工序个数的元素用零表示。
所述根据计算工序以及工艺路线之间的距离建立相异度矩阵,包括:
通过计算工序之间的距离d1(xik,xjk)以计算两条工艺路线之间的距离d2(xi,xj),其中工序之间的距离d1(xik,xjk)表示为:
两条工艺路线之间的距离d2(xi,xj)表示为:
其中,l表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺线路i和工艺线路j中的第k个工序的数字编码的前m个数字。
需要说明的是,为有效地衡量不同工序之间的相似性,参照机械行业标准JB/T5992.1对工序进行编码,工序编码包括大类、中类、小类和细分类四个层次共五位编码,为简化计算,选取前三个层次以构建三位编码,xikm^xjkm表示xikm和xjkm之间的异或运算。
具体地,所述对所述相异度矩阵进行降噪处理,并删除冗余数据,包括:
计算每条工艺路线与其他工艺路线之间的路线距离;
判断所述路线距离是否满足第一条件或第二条件;
若所述路线距离满足第一条件或第二条件,则删除该条工艺路线;
其中所述第一条件表示为:
Nmin/n>λmin,
所述第二条件表示为:
Nmax/n>λmax;
其中,Nmin表示某条工艺路线与其他工艺路线之间的距离小于设定的工艺路线间的最小距离d2min的数量,Nmax表示某条工艺路线与其他工艺路线之间的距离大于设定的工艺路线间的最大距离d2max的数量,n表示工艺路线的总数量,λmin表示小相似度比例,λmax表示大相似度比例。
具体地,当工艺路线的总数量为n,对工艺路线按照顺序依次编码是P1,P2,…,Pn时,若有r个聚类簇,则所述二维编码表示r×n的矩阵,其中该矩阵中的元素非0则1,且1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0。
具体地,如图3所示,所述根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果,包括:
步骤a1、种群初始化,在初始化时,首先将每一条工艺路线都随机分配到一个聚类簇中,作为最初始的聚类划分,然后对初始化的工艺路线进行二维编码,将其作为初始位置,将以上过程反复进行N次,就可以生成包括N只“鸽子”初始种群,其中每一只“鸽子”代表一个二维编码也即一种聚类结果,其中20≤N≤100;
步骤a2、种群优化,针对种群中的所有工艺路线,首先计算其与该“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将所述工艺路线划分到竞标值小的聚类簇中,以获得聚类划分的结果,最后更新二维编码,
其中所述竞标值函数表示为:
其中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的工艺路线编号,Σd2(xu,xv)表示所选工艺路线v与聚类簇c中的所有工艺路线的相似度的总量,Nc表示聚类粗中工艺路线c的数量,λd表示相似度权重指数,λb表示聚类粗权重指数,Bc(v)表示工艺路线v对于聚类簇c的竞标值;
步骤a3、更新“鸽子”的位置和速度,在鸽群优化算法PIO中,每一只“鸽子”的位置均表示一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解,由二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵,“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段;首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)],
Xi(T)=Xi(T-1)+Vi(T)
其中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置;
步骤a4、反复进行步骤a3的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段;在所述地标阶段,每次迭代后“鸽子”的数目减少一半,舍去远离目标的“鸽子”,得到最优解;更新位置公式表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)],
其中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,a、b、c、d表示权重因子,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离、目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,Xcenter(T-1)表示剩余“鸽子”的中心位置;反复进行步骤a4的迭代过程,直至迭代次数T大于设定的最大迭代次数T2;
步骤a5、当迭代次数达到设定的最大值时结束并且输出“鸽子”的最优位置,所述最优位置对应的二维编码表示最优聚类结果,将所述最优聚类结果转化为相异度矩阵。
具体地,所述提取所述最优聚类结果中的典型工艺路线,包括:
根据均值公式提取所述最优聚类结果得到每个聚类簇中的典型工艺路线,其中所述均值公式表示为:
其中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的工艺路线编号,Σd2(xu,xv)表示所选工艺路线v与聚类簇c中的所有工艺路线的相似度的总量,Nc表示聚类簇c中的元素数量,Sc(v表示所选工艺路线v对聚类c簇的均值;
在提取所述典型工艺路线时,计算每一个聚类簇中的每一个工艺路线相对于该聚类簇的均值,选取均值最小的作为该聚类簇的典型工艺路线。
在获得所述典型工艺路线后,将工艺路线进行自动推送。工艺知识推送是企业为需求知识的员工提供的一种信息推送方式,即采用某种技术方法将知识传递给知识需求者,满足他们的知识需求,最终提高生产效率。
工艺知识推送系统的工作原理是:知识需求分析模块根据车间生产情况分析员工是否需要工艺知识,知识匹配模块是比较知识库中已有的知识和员工需求的知识,并按照相似度进行排序,知识推送模块将具有较大相似性的知识推送给用户,并不是将获取的工艺知识全部推送给员工。工艺知识推送系统示意图如图4所示。
(1)对于知识而言,共有两个属性,即知识属性以及知识内容,因此可以用一个二元组来表示知识,即K=(内容,属性)。在实际中应用知识时,就可以借助知识属性来描述知识,如果一个知识集合包含了m个知识点,则可以表示为其中xij表示第i个知识点的第j个属性。
(2)假设ki和kj是两个知识点,则属性相似度为:
其中,xif表示知识点ki关于属性f的值,xjf表示知识点kj关于属性f的值,xf表示所有知识项的属性f的均值。
(3)关于ki和kj的属性规范相似度为:
(4)属性综合相似度为:
(5)最大相似度为:
dmax=max{sdi|i=1,2,…,m},
(6)ki的偏离相似度可以表示成:
可以计算出知识点与知识点集合之间的距离,结果越大,就表明偏离程度越高。在求解偏离距离之前,会提前设置一个标准值λ,如果计算出偏离距离小于λ,则认为该知识符合要求,可以作为推送的对象进行推送。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种离散系统的工艺知识自动推送方法,其特征在于,包括:
建立数据矩阵;
根据计算工序以及工艺路线之间的距离建立相异度矩阵;
对所述相异度矩阵进行降噪处理,并删除冗余数据;
将降噪处理后的相异度矩阵转化为二维编码,且每个二维编码均表示一个聚类结果;
根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果;
提取所述最优聚类结果中的典型工艺路线;
将所述典型工艺路线输出至工艺知识推送系统,以实现工艺知识自动推送。
2.根据权利要求1所述的离散系统的工艺知识自动推送方法,其特征在于,所述数据矩阵包括n×p的数据矩阵,其中n表示工艺路线总数量,p表示工艺路线中工序个数的最大值,矩阵元素xak表示第a条工艺路线的第k个工序,a=1,2,……,n;k=1,2,……,p。
3.根据权利要求2所述的离散系统的工艺知识自动推送方法,其特征在于,当一条工艺线路中的工序个数小于p个时,该工艺路线中超出工序个数的元素用零表示。
4.根据权利要求2所述的离散系统的工艺知识自动推送方法,其特征在于,所述根据计算工序以及工艺路线之间的距离建立相异度矩阵,包括:
通过计算工序之间的距离d1(xik,xjk)以计算两条工艺路线之间的距离d2(xi,xj),其中工序之间的距离d1(xik,xjk)表示为:
两条工艺路线之间的距离d2(xi,xj)表示为:
其中,l表示工序的数字编码位数,Cm表示相似度影响系数,p表示工艺路线中工序个数的最大值,xi和xj分别表示第i条和第j条工艺路线,xik和xjk分别表示第i条工艺路线中的第k个工序和第j条工艺路线中的第k个工序,xikm和xjkm分别表示工艺线路i和工艺线路j中的第k个工序的数字编码的前m个数字。
5.根据权利要求1所述的离散系统的工艺知识自动推送方法,其特征在于,所述对所述相异度矩阵进行降噪处理,并删除冗余数据,包括:
计算每条工艺路线与其他工艺路线之间的路线距离;
判断所述路线距离是否满足第一条件或第二条件;
若所述路线距离满足第一条件或第二条件,则删除该条工艺路线;
其中所述第一条件表示为:
Nmin/n>λmin,
所述第二条件表示为:
Nmax/n>λmax;
其中,Nmin表示某条工艺路线与其他工艺路线之间的距离小于设定的工艺路线间的最小距离d2min的数量,Nmax表示某条工艺路线与其他工艺路线之间的距离大于设定的工艺路线间的最大距离d2max的数量,n表示工艺路线的总数量,λmin表示小相似度比例,λmax表示大相似度比例。
6.根据权利要求1所述的离散系统的工艺知识自动推送方法,其特征在于,当工艺路线的总数量为n,对工艺路线按照顺序依次编码是P1,P2,…,Pn时,若有r个聚类簇,则所述二维编码表示r×n的矩阵,其中该矩阵中的元素非0则1,且1表示该列所对应的工艺路线属于所在行的聚类簇,否则值为0。
7.根据权利要求1所述的离散系统的工艺知识自动推送方法,其特征在于,所述根据鸽群优化算法对每个所述聚类结果进行聚类分析,得到最优聚类结果,包括:
步骤a1、种群初始化,在初始化时,首先将每一条工艺路线都随机分配到一个聚类簇中,作为最初始的聚类划分,然后对初始化的工艺路线进行二维编码,将其作为初始位置,将以上过程反复进行N次,就可以生成包括N只“鸽子”初始种群,其中每一只“鸽子”代表一个二维编码也即一种聚类结果,其中20≤N≤100;
步骤a2、种群优化,针对种群中的所有工艺路线,首先计算其与该“鸽子”中所有聚类簇的竞标值,然后按照竞标值的大小,将所述工艺路线划分到竞标值小的聚类簇中,以获得聚类划分的结果,最后更新二维编码,
其中所述竞标值函数表示为:
其中,c表示聚类簇编号,v表示所选工艺路线编号,u表示聚类簇c中的工艺路线编号,Σd2(xu,xv)表示所选工艺路线v与聚类簇c中的所有工艺路线的相似度的总量,Nc表示聚类粗中工艺路线c的数量,λd表示相似度权重指数,λb表示聚类粗权重指数,Bc(v)表示工艺路线v对于聚类簇c的竞标值;
步骤a3、更新“鸽子”的位置和速度,在鸽群优化算法PIO中,每一只“鸽子”的位置均表示一个解,“鸽子”会不断改变自己的位置和速度来寻求最优解,由二维编码可知,每只“鸽子”的位置和速度都是r×n的矩阵,“鸽子”的位置和速度更新包括两个阶段,分别是地图及指南针阶段和地标阶段;首先进入地图及指南针阶段,更新位置和速度的公式可以表示为:
Vi(T)=Vi(T-1)e-R×T+rand·[Xbest-Xi(T-1)],
Xi(T)=Xi(T-1)+Vi(T)
其中,T表示目前迭代次数,R表示地图和指南针因数,e表示自然常数,rand表示0到1之间的随机数字,Xbest表示在T-1迭代过程中,通过比较得到的全局最优位置,Vi(T)表示第T次迭代时的速度,Xi(T)表示第T次迭代时的位置;
步骤a4、反复进行步骤a3的迭代过程,直至迭代次数T大于设定的最大迭代次数T1,则进入地标阶段;在所述地标阶段,每次迭代后“鸽子”的数目减少一半,舍去远离目标的“鸽子”,得到最优解;更新位置公式表示为:
Xi=Xi(T-1)+rand·[Xcenter(T-1)-Xi(T-1)],
其中,N(T-1)表示T-1次迭代时的“鸽子”数目,Xi(T-1)表示T-1次迭代时的“鸽子”的位置,F(X)表示目标函数,a、b、c、d表示权重因子,rf、Vf、θf、φf分别表示“鸽子”与目标地点之间的径向距离、“鸽子”的速度、“鸽子”所在的经度、“鸽子”所在的纬度,rf *、Vf *、θf *、φf *分别表示目标“鸽子”与目标地点之间的径向距离、目标“鸽子”的速度、目标“鸽子”所在的经度、目标“鸽子”所在的纬度,Jmin表示目标函数的最小值,J0表示一个常数,Xcenter(T-1)表示剩余“鸽子”的中心位置;反复进行步骤a4的迭代过程,直至迭代次数T大于设定的最大迭代次数T2;
步骤a5、当迭代次数达到设定的最大值时结束并且输出“鸽子”的最优位置,所述最优位置对应的二维编码表示最优聚类结果,将所述最优聚类结果转化为相异度矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109664.7A CN111310388A (zh) | 2020-02-22 | 2020-02-22 | 一种离散制造系统的工艺知识自动推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109664.7A CN111310388A (zh) | 2020-02-22 | 2020-02-22 | 一种离散制造系统的工艺知识自动推送方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310388A true CN111310388A (zh) | 2020-06-19 |
Family
ID=71160071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010109664.7A Pending CN111310388A (zh) | 2020-02-22 | 2020-02-22 | 一种离散制造系统的工艺知识自动推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310388A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247850A (zh) * | 2017-06-26 | 2017-10-13 | 江南大学 | 基于鸽群聚类算法的典型工艺路线提取方法 |
CN107273650A (zh) * | 2017-08-21 | 2017-10-20 | 江南大学 | 基于坐标表示的典型工艺路线提取方法 |
CN107784166A (zh) * | 2017-09-29 | 2018-03-09 | 北京卫星制造厂 | 一种基于模型特征的航天器工艺知识推送系统及方法 |
-
2020
- 2020-02-22 CN CN202010109664.7A patent/CN111310388A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247850A (zh) * | 2017-06-26 | 2017-10-13 | 江南大学 | 基于鸽群聚类算法的典型工艺路线提取方法 |
CN107273650A (zh) * | 2017-08-21 | 2017-10-20 | 江南大学 | 基于坐标表示的典型工艺路线提取方法 |
CN107784166A (zh) * | 2017-09-29 | 2018-03-09 | 北京卫星制造厂 | 一种基于模型特征的航天器工艺知识推送系统及方法 |
Non-Patent Citations (1)
Title |
---|
朱震宇: "离散制造系统的典型工艺知识自动化发现方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, pages 029 - 97 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145977B (zh) | 一种对在线社交网络用户进行结构化属性推断的方法 | |
CN111241751B (zh) | 基于代理辅助进化算法的翼型优化方法及装置 | |
CN110879856B (zh) | 一种基于多特征融合的社交群体分类方法及系统 | |
CN106484777B (zh) | 一种多媒体数据处理方法以及装置 | |
US8515956B2 (en) | Method and system for clustering datasets | |
CN109284406B (zh) | 基于差异循环神经网络的意图识别方法 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN112818690B (zh) | 结合知识图谱实体信息的语义识别方法、装置及相关设备 | |
WO2006073081A1 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN112101547B (zh) | 一种对网络模型的剪枝方法、装置、电子设备及存储介质 | |
CN110442977A (zh) | 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 | |
Joshi et al. | Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks | |
CN107247850B (zh) | 基于鸽群聚类算法的典型工艺路线提取方法 | |
CN113673866A (zh) | 农作物决策方法、模型训练方法以及相关设备 | |
CN111611395A (zh) | 一种实体关系的识别方法及装置 | |
CN106600100B (zh) | 一种基于加权的多种群粒子群优化的危险源原因分析方法 | |
CN117496157A (zh) | 基于ms模块的相对较小部分点云语义分割方法 | |
CN111310388A (zh) | 一种离散制造系统的工艺知识自动推送方法 | |
CN115935076A (zh) | 基于人工智能的旅游服务信息推送方法及系统 | |
CN114169007B (zh) | 基于动态神经网络的医疗隐私数据识别方法 | |
CN110135253A (zh) | 一种基于长期递归卷积神经网络的手指静脉认证方法 | |
WO2022110730A1 (zh) | 基于标签的优化模型训练方法、装置、设备及存储介质 | |
CN115457269A (zh) | 一种基于改进DenseNAS的语义分割方法 | |
CN112651590B (zh) | 一种指令处理流程推荐的方法 |
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 |