CN114021482A - 一种基于知识图谱优化cam模板的数控编程方法 - Google Patents
一种基于知识图谱优化cam模板的数控编程方法 Download PDFInfo
- Publication number
- CN114021482A CN114021482A CN202111399940.9A CN202111399940A CN114021482A CN 114021482 A CN114021482 A CN 114021482A CN 202111399940 A CN202111399940 A CN 202111399940A CN 114021482 A CN114021482 A CN 114021482A
- Authority
- CN
- China
- Prior art keywords
- template
- knowledge
- cam
- processing
- numerical control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012805 post-processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000003754 machining Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 241000405961 Scomberomorus regalis Species 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000007514 turning Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/33—Intelligent editors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/35—Creation or generation of source code model driven
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Numerical Control (AREA)
Abstract
本发明提出一种基于知识图谱优化CAM模板的数控编程方法，该方法主要包括如下步骤：加工特征获取、特征识别与特征编码、CAM模板匹配、特征关联知识查询、CAM模板评估与优化、后处理匹配与NC代码生成、仿真验证、仿真结果评估等。本发明以知识图谱为知识的存储和推理的工具，模拟编程人员编程过程，通过知识查询和知识推理得到的关联知识对具体的加工特征匹配的工艺模板进行评估与优化；并用优化后的模板更新CAM模板库从而在使用过程中不断提高企业数控工艺模板的编程可靠性与通用性，从而减少了企业的人工成本、提高了企业工艺资源的利用率和数控编程的自动化水平。
Description
技术领域
本发明涉及一种基于知识图谱优化CAM模板的数控编程方法，尤其涉及一种利用知识 图谱实现对数控工艺模板的评估与优化方法，属于数控编程领域。
背景技术
CAM技术(Computer Aided Manufacturing，计算机辅助制造)是计算机集成制造的重要组 成技术之一。CAM软件以可视化的图形交互界面贯穿整个编程环节，因具有用户界面友好、 易于测试和修改以及可与CAD等三维软件集成等优点受到了编程技术人员的青睐并已在广 泛应用于制造企业。虽然CAM软件在很大程度上提高了数控编程的效率和规范性，但是在 编程过程中仍然重度依赖编程人员的技术经验；编程人员与CAM软件间大量的人机交互说 明现有的CAM软件显然未能实现数控编程的自动化与智能化。其主要原因在于现代产品制 造不仅要求CAM编程人员熟悉数控加工设备和编程技术，同时还得有丰富的数控工艺工装 知识和较为丰富的实际上机操作经验；而且CAM数控编程具有加工场景复杂、加工方法多、 设置参数多、参数间关联程度强等特点，此外，由于现有的CAD\CAPP\CAM平台之间集成 化程度不高，存在“信息孤岛”现象导致CAM软件中缺少所有的制造信息。上述的这些原 因要求编程人员需要在有限的时间内要充分考虑产品设计与制造中多重影响因素进而做出准 确的分析和决策。基于此，为了减少CAM编程时数控工艺参数的设置时间，降低编程人员 的劳动强度，一些研究者利用知识工程的思想，基于数据挖掘的手段从企业大量的加工资料 中提取出数控工艺模板(CAM模板)，一定程度上提高了企业数控CAM编程的自动化水平。
现有论文(模具工业2017年第43卷第7期)“基于随机森林算法的CAM模板自动提取研究”利用数据挖掘的思想从企业现有加工案例中提取出不受编程人员操作经验和知识水平 制约的数控加工工艺模板，提高了企业数控编程的速度；但是存在问题：由于CAM模板内部参数过多，该研究在制定模板参数向量时进行了简化处理，此外该方法没有考虑实际参数 之间相互关联、相互作用的问题，这导致提取的CAM模板在实际使用时可能仍然需要人工 进行大量的参数修改，造成CAM模板的通用性可能不强,CAM模板编程的自动化水平可能不 高。
导致存在的具体问题是：
1、现有制造企业使用的数控工艺模板常年不变或者变化很少；经过调查统计发现，编 程人员用80％的时间查找以往加工知识，而只有约20％的时间用于数控工艺的设计。这导致 现有的编程策略难以符合当今新的消费背景下产品快速原型制造的新趋势。
2、由于CAM模板内部参数过多，为了减少工作量，提高算法的效率。现有研究在提取 数控模板时往往采用了模板特征参数简化的处理方法，导致实际数控编程中，编程人员使用 提取的CAM模板在加工具体零件特征时仍需要编程人员对CAM模板进行大量的人工调整。
3、数控编程重度依赖编程人员的经验的原因在于数控参数多且参数之间相互作用、相互 关联。现有的基于CAM模板的编程研究普遍忽略了数控工艺模板参数之间相互关联的特点， 导致提取的模板的通用性不高。
4、如今CAD/CAPP/CAM等平台之间存在信息交流存在障碍，因而基于MBD定义CAM制造模型中无法包含零件加工的所有制造信息，而制造信息往往具有同源异构的特点，造成 这些信息组织与使用不方便。
发明内容
本发明的目的在于克服上述现有技术存在的问题和不足，提供了一种基于知识图谱优化 CAM模板的数控编程方法。
本发明通过利用知识图谱知识关联的特性解决当下基于CAM模板数控编程时的自动化 编程程度低、需要大量人工交互和要求编程人员技术经验丰富等问题，从而减少企业的人工 成本、降低编程人员劳动强度、提高企业工艺资源的利用率和数控编程的自动化水平。此外， 构建的数控工艺领域知识图谱以“三元组”的数据结构形式存储CAD/CAPP/CAM以及制造 车间设备状态等信息。这些知识图谱中的关联知识通过接口程序易于编程人员的获取和利用， 一定程度上提升了编程人员的编程体验，而且知识图谱统一的数据源减少了编程出错的几率。
为了达到上述目的，本发明通过以下的技术方案予以实现：
一种基于知识图谱优化CAM模板的数控编程方法，包括如下步骤：
步骤1、导入零件MBD模型(Model Based Definition，基于模型定义)，获取PMI(Product Manufacturing Information，产品制造信息)定位的零件加工特征；
步骤2、利用特征识别算法识别PMI定位的加工特征，并对识别得到的特征信息进行特 征编码；
步骤3、利用特征编码作为经过训练后的机器学习算法的输入向量从CAM模板库中匹 配合适CAM模板；同时，利用特征编码作为构建的数控工艺领域的CAM知识图谱的查询输入，获取编码特征参数之间的关联知识。
步骤4、通过领域知识图谱查询得到的关联知识对匹配到的CAM模板进行质量评估与优 化；
步骤5、后处理匹配，生成NC代码。
步骤6、对经过评估和优化后的CAM模板进行仿真验证；
步骤7、根据仿真结果进行决策判断，对不符合要求的返回至步骤3，符合要求则编程结 束；
本发明的优点和技术效果：
本发明应用知识图谱知识关联与知识推理的特性模拟编程人员编程过程，依据具体的加 工特征对匹配的工艺模板进行评估与优化；并用优化后的模板更新CAM模板库从而提高了 企业数控工艺模板的编程可靠性与通用性，从而减少了企业的人工成本、提高了企业工艺资 源的利用率和数控编程的自动化水平。
附图说明：
图1是本发明的基于知识图谱优化CAM模板的数控编程方法的流程图；
图2是特征识别和特征编码的流程图；
图3是利用知识图谱评估与优化特征匹配的CAM模板的流程图；
图4是利用知识图谱匹配后处理以及NC代码生成的流程图。
具体实施方式
下面结合附图与具体实施例，进一步阐述本发明。应理解这些实施例仅用于说明本发明 而不是用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均属于本申请所附权要求所限定的范围。
本发明提出一种基于知识图谱的智能CAM编程方法，包括特征识别与特征编码、CAM 模板匹配、知识图谱特征关联信息查询、匹配模板的评估与优化、仿真验证和匹配后处理六 个部分。
如图1所示，本发明的一种基于知识图谱优化CAM模板的数控编程方法，具体步骤如 下：
步骤1、导入零件MBD模型，获取加工特征；
将零件MBD设计模型导入如NX、Cero、Soldiworks等三维CAD软件中，利用二次开发的程序获取零件MBD模型中所有PMI定义的加工特征。
步骤2、特征识别和特征编码；
利用特征识别识别技术识别PMI定位的加工特征，根据识别结果调用三维CAD软件自带 的API函数或设计人员编写的知识库算法程序获取特征的几何信息与拓扑信息；将特征信息 进行编码作为步骤3的输入参数，如图2所示，本步骤的具体工作流程如下：
(21)对PMI定位的加工特征进行特征预处理，即特征三角网格化处理以满足特征识别 算法的输入要求；
(22)最优训练模型分类；最优训练模型由设计人员通过采用如神经网络、支持向量机 和决策树等智能算法及其改进型算法来训练加工特征数据集得到的分类性能最好的模型，用 来对当前加工特征分类，获取当前特征的标签；
(23)特征信息查询；分类完成之后，得到当前特征的标签；根据标签值调用三维CAD 软件自带的API函数和者设计人员编写的知识库算法程序来获取当前特征的所有几何信息和 拓扑信息。
(24)对特征信息进行编码处理，具体编码格式由设计人员综合分析信息的特点与企业 数控加工习惯来确定。
步骤3、CAM模板匹配、知识图谱查询与推理；
对获取的特征信息编码后作为经过CAM模板库训练后得到的机器学习算法的输入样本， 可以得到样本对应的分类标签值，匹配到对应该特征的CAM模板；此外，特征信息编码还 作为CAM领域构建的知识图谱的查询输入量用于获取加工特征信息之间的关联知识，其具 体步骤如下：
(31)根据历史加工特征的特点制定数控工艺模板，通常该模板包括走刀规划、加工余 量、进退刀方式、刀具选择、切削参数等信息。制定完成CAM模板后，选用选用具有一定数据挖掘能力的集成算法如Bagging、Boosting、随机森林等从经过实际加工验证的企业数控 工序库中抽取典型加工特征的CAM模板，组建典型加工特征的CAM模板库并训练加工特征 的几何、拓扑信息编码向量与CAM模板之间的映射模型；
(32)将当前特征编码作为映射模型的输入向量，获取分类的标签值自动匹配合适的 CAM模板；
(33)利用特征编码构建领域CAM知识图谱的查询输入量，利用知识图谱的知识检索 的功能和知识推理的特性以获取特征信息与模板参数之间以及模板参数之间显性和隐含的关 联知识；其中显性知识主要通过数量直接获取，隐含知识由基于规则的知识推理、基于表示 学习的知识推理、基于神经网络推理等推理方法推理得到。
步骤4、匹配模板评估与优化；
用查询数控工艺领域的知识图谱得到的关联知识来评估匹配模板，当评估值低于设定的 阈值时，说明当前模板并不能满足使用要求，需要用查询以及推理得到关联知识来重新设定 模板值以达到优化目的。如图3所示，本步骤的具体工作流程如下:
(41)将特征信息编码通过人工定义的规则转码之后作为知识图谱的查询条件，可以获 取特征信息与模板参数之间以及模板参数之间隐含的关联知识；
(42)将这些查询和推理得到的知识参照CAM模板中数据的类型进行一定的格式化处 理，然后构建特征关联知识向量；
(43)构建由特征编码匹配的CAM模板的参数向量，并与知识图谱查询和推理得到的 特征知识向量进行相似度计算，计算向量的相似度可以选用基于距离、基于夹角余弦和基于 相关系数等向量相似度计算方法；
(44)将CAM模板向量与特征关联知识向量相似度值与设定的阈值进行比较，该阈值 由设计人员根据CAM模板测试的结果选取；人工选取阈值的具体过程为：1)随机抽取一定 数量的特征用于匹配CAM模板；2)将匹配到CAM模板的参数向量与编程人员的设定的CAM参数向量进行相似度计算；3)对使用CAM模板得到的刀轨进行前置验证，保留符合加工要求的CAM模板；4)将这些符合要求的CAM模板的相似度值求总和并除以符合要求的CAM 模板的总数量，就得到了设定阈值。当相似度值大于等于设定阈值时，说明当前模板和编程 人员的编程结果高度相似，基本能够满足用户的使用需求，评估优化过程结束；当相似度值小于设定阈值，说明当前模板和编程人员的编程结果相似程度低，表明当前的模板大概率不 能满足用户的需求，需要通过查询和推理得到的知识进行优化处理；
(45)优化处理主要是用从知识图谱中查询和推理得到的数据来更新匹配CAM模板中 的对应参数；优化处理后转至(43)，直到相似度值满足设定要求。
步骤5、后处理匹配，NC代码生成；
获取MBD模型中该特征工序标注的加工机床信息，利用机床信息查询知识图谱中机床与 后处理关联知识，得到与机床匹配的后处理器，利用得到的后处理生成可供数控设备使用的 数控代码。如图4所示，本步骤的具体工作流程如下:
(51)从MBD模型中获取由CAPP人员设定的特征的加工机床型号信息，用来获取与之匹配的后处理；
(52)与机床对应的后处理信息存放在构建的数控工艺知识图谱中，需要利用机床的型 号信息构建知识图谱查询语句获取；
(53)查询得到与该机床型号相关联的后处理器模型后，在CAM软件生成的该特征工 序中设置该后处理；
(54)利用该后处理生成用于数控机床使用的NC代码。
步骤6、几何仿真验证；在Vericut等三维仿真软件平台对经过评估与优化的CAM模板 生成的NC代码进行仿真验证，主要是检查工件与刀具的过切、欠切，刀具与机床的干涉碰 撞等情况以判定该模板的合理性；
步骤7、根据仿真结果进行决策；由于步骤三中机器学习算法模型的性能收到算法本身 的数学逻辑与训练集数量与质量的影响，导致实际使用中有一定的几率出现匹配模板异常的 情况；即使经过步骤五模板的评估与优化，仍然有可能出现刀轨异常的情况；
所以如果仿真结果与预期不符，说明很有可能是步骤三出现了问题，通过优化算法的参 数或者增大训练数据量来重新训练模型以提高算法模型的性能。由于如果仿真结果符合预期 要求，则本发明方法编程流程结束。
Claims (8)
1.一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，具体步骤如下：
步骤1、导入零件MBD设计模型，获取加工特征；
步骤2、特征识别和特征编码；
步骤3、CAM模板匹配、知识图谱知识查询与推理；
步骤4、匹配模板评估与优化；
步骤5、后处理匹配，NC代码生成；
步骤6、仿真验证；
步骤7、根据仿真结果进行决策。
2.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤1的具体内容和方法是：将零件MBD设计模型导入NX、Cero、Solidworks商业三维CAD软件中，利用二次开发的程序获取零件MBD模型中所有PMI定义的加工特征。
3.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤2的具体内容和方法是：利用特征识别识别技术识别PMI定位的加工特征，根据识别结果调用程序获取特征的几何信息与拓扑信息；将特征信息进行编码作为步骤3的输入参数，具体方法和步骤是：
(21)对PMI定位的加工特征进行特征预处理，即特征三角网格化处理以满足特征识别算法的输入要求；
(22)最优训练模型分类；最优训练模型由设计人员通过采用如神经网络、支持向量机和决策树智能算法及其改进型算法来训练加工特征数据集得到的分类性能最好的模型，用来对当前零件加工特征分类，获取当前特征的标签；
(23)特征信息查询；分类完成之后，得到当前特征的标签；根据标签值调用三维CAD软件自带的API函数或设计人员编写的知识库算法程序来获取当前零件特征的所有几何信息和拓扑信息；
(24)对特征信息进行编码处理，具体编码格式由设计人员综合分析信息的特点与企业数控加工习惯来确定。
4.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤3的具体内容和方法是：对获取的特征信息编码后作为经过CAM模板库训练后得到的机器学习算法的输入样本，和样本对应的分类标签值，以及匹配到对应该特征的CAM模板；特征信息编码作为CAM领域构建的知识图谱的查询输入量用于获取加工特征信息之间的关联知识，其具体步骤如下：
(31)根据历史加工特征的特点制定数控工艺模板，该模板包括走刀规划、加工余量、进退刀方式、刀具选择、切削参数等信息；制定完成CAM模板后，选用具有一定数据挖掘能力的集成算法，如Bagging、Boosting、随机森林，从经过实际加工验证的企业数控工序库中抽取典型加工特征的CAM模板，组建典型加工特征的CAM模板库并训练加工特征的几何、拓扑信息编码向量与CAM模板之间的映射模型；
(32)将当前特征编码作为映射模型的输入向量，获取分类的标签值自动匹配合适的CAM模板；
(33)利用特征编码构建领域CAM知识图谱的查询输入量，利用知识图谱的知识推理的功能以获取特征信息与模板参数之间以及模板参数之间显性和隐含的关联知识。
5.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤4的具体内容和方法是：利用查询数控工艺领域的知识图谱得到的关联知识来评估匹配模板，当评估值低于设定的阈值时，则说明当前模板并不能满足使用要求，需要用关联知识来重新设定模板值以达到优化目的，具体方法和步骤如下：
(41)将特征信息编码通过人工定义的规则转码之后作为知识图谱的查询条件，获取特征信息与模板参数之间以及模板参数之间隐含的关联知识；
(42)将这些查询和推理得到的知识参照CAM模板中数据的类型进行一定的格式化处理，然后构建特征关联知识向量；
(43)构建由特征编码匹配的CAM模板的参数向量，并与查询知识图谱得到的特征知识向量进行相似度计算；
(44)将CAM模板向量与特征关联知识向量相似度值与设定的阈值进行比较，该阈值由设计人员根据CAM模板测试的结果选取；当相似度值大于或等于设定阈值时，说明当前模板和编程人员的编程结果高度相似，基本能够满足用户的使用需求，评估优化过程结束；当相似度值小于设定阈值，说明当前模板和编程人员的编程结果相似程度低，表明当前的模板大概率不能满足用户的需求，评估优化过程结束；当相似度值小于设定阈值，说明当前的模板不能满足用户的需求，需要通过查询和推理得到的知识进行优化处理；
(45)优化处理主要是使用知识图谱中查询和推理得到的数据来更新匹配CAM模板中的对应参数；优化处理后转至(43)，直到相似度值满足设定要求。
6.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤5的具体内容和方法是：获取MBD模型中该特征工序标注的加工机床信息，利用机床信息查询知识图谱中机床与后处理关联知识，得到与机床匹配的后处理器，利用得到的后处理生成供数控设备使用的数控代码，具体方法和步骤如下：
(51)从MBD模型中获取由CAPP人员设定的特征的加工机床型号信息，用来获取与之匹配的后处理；
(52)与机床对应的后处理信息存放在构建的数控工艺知识图谱中，需要利用机床的型号信息构建知识图谱查询语句获取；
(53)查询得到与该机床型号相关联的后处理器模型后，在CAM软件生成的该特征工序中设置该后处理；
(54)利用该后处理生成用于数控机床使用的NC代码。
7.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤6的具体内容和方法是：在Vericut等仿真软件平台对使用经过评估与优化的CAM模板生成的NC代码进行仿真验证，该步骤主要是检查工件与刀具的过切、欠切，刀具与机床的干涉碰撞等情况以判定该模板的合理性。
8.根据权利要求1所述的一种基于知识图谱优化CAM模板的数控编程方法，其特征在于，步骤7所述的根据仿真结果进行决策具体内容和方法是：当仿真结果与预期不符，则说明步骤3出现了问题，应通过优化该算法的参数或增大训练数据量来重新训练模型以提高算法模型的性能；当仿真结果符合预期，数控编程方法结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399940.9A CN114021482B (zh) | 2021-11-19 | 2021-11-19 | 一种基于知识图谱优化cam模板的数控编程方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399940.9A CN114021482B (zh) | 2021-11-19 | 2021-11-19 | 一种基于知识图谱优化cam模板的数控编程方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021482A true CN114021482A (zh) | 2022-02-08 |
| CN114021482B CN114021482B (zh) | 2024-08-06 |
Family
ID=80066053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111399940.9A Active CN114021482B (zh) | 2021-11-19 | 2021-11-19 | 一种基于知识图谱优化cam模板的数控编程方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021482B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN116305929A (zh) * | 2023-03-17 | 2023-06-23 | 北京天圣华信息技术有限责任公司 | 一种数控加工仿真方法、装置、设备及存储介质 |
| CN117235929A (zh) * | 2023-09-26 | 2023-12-15 | 中国科学院沈阳自动化研究所 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
| CN117369786A (zh) * | 2023-11-13 | 2024-01-09 | 成都理工大学 | 一种软件开发智能辅助方法及平台 |
Citations (3)
| 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 |
| EP3719594A1 (de) * | 2019-04-01 | 2020-10-07 | Siemens Aktiengesellschaft | Verfahren und system zum betreiben eines industriellen automatisierungssystems |
| CN112199515A (zh) * | 2020-11-17 | 2021-01-08 | 西安交通大学 | 一种多形态知识图谱驱动的知识服务创新方法 |
-
2021
- 2021-11-19 CN CN202111399940.9A patent/CN114021482B/zh active Active
Patent Citations (3)
| 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 |
| EP3719594A1 (de) * | 2019-04-01 | 2020-10-07 | Siemens Aktiengesellschaft | Verfahren und system zum betreiben eines industriellen automatisierungssystems |
| CN112199515A (zh) * | 2020-11-17 | 2021-01-08 | 西安交通大学 | 一种多形态知识图谱驱动的知识服务创新方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李秀玲;张树生;黄瑞;黄波;徐昌鸿;况博文;: "基于工艺知识图谱的异构CAM模型结构化建模方法", 计算机辅助设计与图形学学报, no. 07, 15 July 2018 (2018-07-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN114912637B (zh) * | 2022-05-21 | 2023-08-29 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
| CN116305929A (zh) * | 2023-03-17 | 2023-06-23 | 北京天圣华信息技术有限责任公司 | 一种数控加工仿真方法、装置、设备及存储介质 |
| CN116305929B (zh) * | 2023-03-17 | 2023-10-03 | 北京天圣华信息技术有限责任公司 | 一种数控加工仿真方法、装置、设备及存储介质 |
| CN117235929A (zh) * | 2023-09-26 | 2023-12-15 | 中国科学院沈阳自动化研究所 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
| CN117235929B (zh) * | 2023-09-26 | 2024-06-04 | 中国科学院沈阳自动化研究所 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
| CN117369786A (zh) * | 2023-11-13 | 2024-01-09 | 成都理工大学 | 一种软件开发智能辅助方法及平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021482B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114021482B (zh) | 一种基于知识图谱优化cam模板的数控编程方法 | |
| KR101846793B1 (ko) | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 | |
| Jong et al. | Automatic process planning of mold components with integration of feature recognition and group technology | |
| Luong et al. | An integrated system for process planning and cost estimation in hole making | |
| Ma et al. | A feature-based approach towards integration and automation of CAD/CAPP/CAM for EDM electrodes | |
| CN110795835A (zh) | 一种基于自动同步建模的三维工序模型逆向生成方法 | |
| CN113971032B (zh) | 一种代码生成的机器学习模型全流程自动部署方法及系统 | |
| CN116822985A (zh) | 智能工艺决策方法 | |
| CN116680839A (zh) | 一种基于知识驱动的发动机智能化工艺设计方法 | |
| CN113592064B (zh) | 环抛机工艺参数预测方法、系统、应用、终端及介质 | |
| CN107291045A (zh) | 一种车间编程系统 | |
| CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
| CN113868860A (zh) | 一种基于工艺知识的零件自适应成本估算方法 | |
| CN112306731B (zh) | 基于Spacy词向量的两阶段判别缺陷报告严重程度预测方法 | |
| Wei et al. | Manufacturing data-driven process adaptive design method | |
| CN108227627B (zh) | 一种用于船用柴油机关键件的数控程序编制方法 | |
| CN116700149A (zh) | 一种数控加工刀具路径的自适应滤波优化方法 | |
| CN116383997B (zh) | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 | |
| CN114474836B (zh) | 一种基于数据智能识别技术的冲压模具2.5d自动编程方法 | |
| CN116798028A (zh) | 三维零件的尺寸自动标注方法 | |
| CN114372181B (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
| Wang et al. | Intelligent manufacturing system of impeller for computer numerical control (CNC) programming based on KBE | |
| CN112487717B (zh) | 一种船用柴油机关键件的可制造性智能评价方法 | |
| Yıldız et al. | Development of a feature based CAM system for rotational parts | |
| CN117972813B (zh) | 一种面向机加工零件的智能工艺方法、系统、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |