CN116956750A - 基于知识图谱的零件工艺设计方法、系统、介质及设备 - Google Patents

基于知识图谱的零件工艺设计方法、系统、介质及设备 Download PDF

Info

Publication number
CN116956750A
CN116956750A CN202311203194.0A CN202311203194A CN116956750A CN 116956750 A CN116956750 A CN 116956750A CN 202311203194 A CN202311203194 A CN 202311203194A CN 116956750 A CN116956750 A CN 116956750A
Authority
CN
China
Prior art keywords
scheme
feature
sequence
fusion
probability
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
Application number
CN202311203194.0A
Other languages
English (en)
Other versions
CN116956750B (zh
Inventor
屈亚宁
李建勋
马春娜
邱慧慧
李龙传
齐浩杰
孙成
闫廷腾
邵梅
于度财
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.)
Shandong Hoteam Software Co ltd
Original Assignee
Shandong Hoteam Software Co ltd
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 Shandong Hoteam Software Co ltd filed Critical Shandong Hoteam Software Co ltd
Priority to CN202311203194.0A priority Critical patent/CN116956750B/zh
Publication of CN116956750A publication Critical patent/CN116956750A/zh
Application granted granted Critical
Publication of CN116956750B publication Critical patent/CN116956750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Aviation & Aerospace Engineering (AREA)

Abstract

本发明涉及零件工艺设计技术领域，本发明公开了基于知识图谱的零件工艺设计方法、系统、介质及设备，包括：针对现有工艺方案应用构建了零件典型工艺学习模型、特征典型工艺学习模型，针对新工艺方案推理构建了零件工序序列学习模型、特征工步序列学习模型；并通过多源融合的零件工艺优化方法，对零件工序工艺与特征工步工艺，使用融合概率最大作为最优解的方法。实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。

Description

基于知识图谱的零件工艺设计方法、系统、介质及设备
技术领域
本发明涉及零件工艺设计技术领域，具体的说，是涉及基于知识图谱的零件工艺设计方法、系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，知识图谱在一定程度上实现了基于知识图谱的数据结构化表达方式，但具体在特征级工艺数据的结构化组织、针对现有工艺数据的知识挖掘、利用现有工艺数据实现新零件的工艺设计方面尚存在不足。
现有研究在工艺数据的表达及应用方面存在诸多问题，工艺数据难以对工艺设计过程实现有效的支持，进而影响了制造企业对产品及生产过程的有效改进。知识图谱作为工艺数据表达及管理介质，如何利用知识图谱实现工艺数据的利用以及工艺知识的挖掘有着重要的研究意义，但在工艺领域，目前大量研究集中于工艺数据的获取方面，而在基于知识图谱的工艺数据利用方面，尤其是，融合知识图谱与深度学习技术来实现工艺设计过程的智能决策相关研究较少。
综上所述，目前在工艺数据结构化建模及表示方面以及针对现有工艺数据的知识挖掘与利用方法不够完善。因此，如何在有效实现工艺数据结构化、小粒度表示的同时，实现现有工艺数据的知识挖掘和学习，并以此支持工艺设计的进行成为本领域技术人员亟待解决的技术问题。
发明内容
本发明为了解决上述问题，本发明提供基于知识图谱的零件工艺设计方法、系统、介质及设备，实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供基于知识图谱的零件工艺设计方法，其包括：
获取零件的特征；
基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；
针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；
基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
进一步地，还包括：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。
进一步地，所述融合概率的计算步骤包括:
计算零件的第一种零件工序序列方案与每个特征的每种特征工步序列方案的顺序包含数，基于所述顺序包含数，计算相容性概率；
基于零件工序序列方案的条件概率和特征工步序列方案的条件概率，计算推理概率；
基于所述相容性概率和推理概率，计算得到融合概率。
进一步地，所述零件典型工艺学习模型将零件的所有特征，通过双向长短期记忆网络层，映射为定长向量后，通过注意力机制给予定长向量权重，并得到零件的整体描述向量后，通过全连接层以及归一化指数函数，预测零件属于各零件工艺的概率。
进一步地，所述特征典型工艺学习模型通过双层长短期记忆递归神经网络层，对零件的每个特征进行双向的访问，得到特征工艺语义信息后，通过全连接层以及归一化指数函数，预测每个特征属于各特征工艺的概率。
进一步地，所述零件工序序列学习模型通过基于双向长短期记忆网络的编码器，对零件的所有特征进行处理，得到零件特征属性向量后，使用基于注意力机制的长短期记忆网络，并按照顺序逐一估计零件工序的条件概率分布。
本发明的第二个方面提供基于知识图谱的零件工艺设计系统，其包括：
数据获取模块，其被配置为：获取零件的特征；
推理模块，其被配置为：基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；
概率计算模块，其被配置为：针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；
融合模块，其被配置为：基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的基于知识图谱的零件工艺设计方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于知识图谱的零件工艺设计方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了基于知识图谱的零件工艺设计方法，其基于深度学习的零件及特征工艺生成模型，针对现有工艺方案应用构建了零件典型工艺学习模型、特征典型工艺学习模型，针对新工艺方案推理构建了零件工序序列学习模型、特征工步序列学习模型；并通过多源融合的零件工艺优化方法，对零件工序工艺与特征工步工艺，使用融合概率最大作为最优解的方法，实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1为本发明的实施例一的基于知识图谱的零件工艺设计方法的流程图；
图2为本发明的实施例一的特征建模与零件建模示意图；
图3为本发明的实施例一的工艺知识图谱示意图；
图4为本发明的实施例一的零件典型工艺学习模型的结构图；
图5为本发明的实施例一的特征典型工艺学习模型的结构图；
图6为本发明的实施例一的零件工序序列学习模型的结构图；
图7为本发明的实施例一的相容概率计算示例图；
图8为本发明的实施例一的原型系统架构图；
图9为本发明的实施例一的轴销示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例一的目的是提供基于知识图谱的零件工艺设计方法。
本实施例提供的基于知识图谱的零件工艺设计方法，实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计。
本实施例提供的基于知识图谱的零件工艺设计方法，如图1所示，模型构建和训练的步骤包括：
步骤1、特征模型建模与零件模型建模。
特征Fi为零件在一次装夹情况下所满足的特定的制造属性(如刀具轴向、精度约束、合理加工工艺等)的一组相邻表面集合，其可以定义为：
其中，T表示于特征Fi关联的技术数据集合，如特征所属零件的材料、公差、表面粗糙度、加工精度等信息，T依附于特征的几何G，G由特征的底面、顶面/>、侧面集/>以及基准面/>组成。例如，图2中所示销轴零件上的一环槽特征，其中/>为环槽底面，/>为环槽顶面，为环槽两侧面集，/>为环槽基准面；材料为45钢，表面粗糙度为Ra6.3，加工精度为IT10，其中，Ra为轮廓的算术平均偏差，IT是英文International Tolerence的缩写，为国际标准公差。
一个零件P可以由多个特征组合而成，记作：，其中，n1表示零件P包含的特征的总数。特征包含以下分类：键槽类、中心孔类、倒角类、型腔类（包括开放型腔和闭合型腔等）、圆孔类、圆柱类、圆角类、大平面类、普通平面类、花键槽类、螺纹类、越程槽类、退刀槽类等相似类别。零件包含以下分类：专用件类、座架类、异形类、杆条类、板块类、环套类、箱壳体类、轮盘类、销杆轴类（包括销轴、圆轴、长轴）、齿轮类等相似类别。
步骤2、特征工艺模型建模。
特征工艺FP用以描述特征的加工方案，一个特征对应一种或多种特征工艺，FP由若干个特征工步FSj组成，并且每个FSj与其所需使用的特征加工工艺资源PR和工艺参数PP关联，可表示为：
上式中，n2表示特征工艺包含的特征工步的总数，/>为设备，PT为刀具，PF为工装夹具，PA为辅料，PM为量具，TC为特征精度公差等级、SR为特征的表面粗糙度，CS为设备切削速度、CF为设备进给量、CD为设备切削深度。
特征工艺具有以下分类：键槽加工方法、中心孔加工方法、倒角加工方法、型腔加工方法、圆孔加工方法(包括钻孔（设备、道具、工装夹具、量具、辅助材料、工艺参数）、扩孔、镗孔)、圆柱加工方法、圆角加工方法、大平面加工方法、普通平面加工方法、花键槽加工方法、螺纹加工方法、越程槽加工方法、退刀槽加工方法等相似方法。
步骤3、零件工艺模型建模。
零件工艺PAP，一个零件对应一种或多种零件工艺，用来从宏观角度描述零件的加工过程。零件工艺由一个或多个工序PREl构成，每个工序存在多个工步STEPp，每个工步可以关联多个加工特征，零件工艺PAP包含的工序个数用n3表示，工序PREl包含的工步个数用n4表示，PAP可以表示为：
零件工艺具有以下分类：专用件工艺、座架工艺、异形工艺、杆条工艺、板块工艺、环套工艺、箱壳体工艺（数控（车端面、车外圆）、检、钳）、轮盘工艺、销杆轴工艺（车（车端面（设备、刀具、工装夹具、量具、辅助材料、工艺参数）、车外圆）、钻）、齿轮工艺等相似工艺。
步骤4、结构化工艺本体构建。
结合步骤1、步骤2、步骤3所构建的特征模型、零件模型、特征工艺模型、零件工艺模型，构建结构化工艺本体SPO。结构化工艺本体通过三元组的形式，以“实体-关系-实体”来组成基本单元，各元素之间关联关系为核心构成的语义知识网络。将上述构建的零件、零件工艺、特征、特征工艺模型使用三元组的形式进行表达，可表示为：，其中，/>为关系开始对应的实体类别，/>为关系结束对应的实体类别；R为ECS与ECE之间存在的关系集，以上述零件模型为例，/>可表示为零件P，/>表示为特征/>，R表示零件对特征的一种包含关系。结合步骤1、步骤2、步骤3构建的特征、零件、特征工艺、零件工艺模型构建实现结构化本体模型的构建。
结构化工艺本体构建，结构化工艺本体中实体类别主要由零件集、特征集、零件工艺集、特征工艺集组成；零件集与特征集中分别包含不同零件、特征分类；零件工艺集与特征工艺集中分别包含对于不同零件类型或不同特征类型的加工方法以及使用的工艺资源，即，零件工艺集与特征工艺集中分别包含不同的零件工艺与特征工艺；结构化工艺本体中关系有包含关系、使用关系、关联关系以及继承关系四类。
步骤5、构建工艺知识图谱。
如图3所示，工艺知识图谱是结构化的工艺语义知识库，由模式层与数据层构成。模式层以符号形式描述工艺知识中概念及其相互关系。工艺数据以模式层为引导映射到工艺知识图谱数据层，利用图的节点表示实体，图的边表示关系。知识图谱定义如下：；式中，/>表示工艺知识实体，既工艺本体中实体类别或/>对应的实例，在图谱中用节点表示，/>分别对应关系开始节点和结束节点；R为知识图谱模式层PKGS赋予的/>所属实体类别对应的关系。利用步骤4构建结构化本体作为工艺知识图谱模式层，并结合现有零件及特征工艺数据构建知识图谱数据层。
模式层使用步骤4中所属结构化工艺本体构建，数据层的构建首先通过特征识别技术结合设计信息获取零件包含的特征以及特征属性，随后在计算机辅助工艺设计CAPP系统中抽取零件以及特征对应的工艺方案，并通过工艺知识图谱构建零件与零件工艺方案、特征与特征工艺方案的关联关系。图3所示为使用该方法构建的工艺知识图谱。
步骤6、结构化工艺数据提取。
为了从步骤5的工艺知识图谱中抽取结构化工艺数据进行学习，一个零件可以由特征属性矩阵X进行描述，其中每行表征该零件的一个特征，列为每个特征技术数据集T中包含的公差TC、表面粗糙度SR、材料MA等信息；零件的工艺方案（零件工艺）可以采用工序向量Y进行表征，其中每个元素表征一个零件工序；特征的工艺方案（特征工艺）可以采用工步向量L进行描述，其中每个元素/>表征一个特征工步。X、Y、L可以表示为：；/>；/>。
步骤7、构建零件典型工步工艺方案推理模型（简称，零件典型工艺学习模型）。
零件典型工艺方案指已经在零件工艺方案库中存在的零件工艺方案，针对于零件而言，典型工艺方案是零件的工序工艺方案。推理的目的是在零件工艺方案库中为该零件选用适当的典型工序工艺方案，且每种零件工艺方案看作是一个标签，每个标签表示一种零件工序工艺方案。零件典型工艺学习的目标是根据零件所包含特征的关键属性，使得该零件的工艺方案具有最大概率。同样，根据零件工艺训练集，其中n5为训练集中包含零件及其对应工艺方案的数量，在零件典型工艺学习模型中，/>表示第i个零件的特征属性矩阵X，/>表示第i个零件所属的零件工艺Y/>，即真实标签，通过学习可获得零件的关键属性（X）与零件工艺方案（Y）之间的非线性映射/>。因此，零件的典型工艺学习过程可以被看作一个多标签分类问题，每种Y可以被视为一个标签，不同零件X将映射到同一个或不同Y。/>的学习过程可以归结为，具有最大后验概率的Y的参数/>的计算问题，记作：/>。
在典型工艺预测过程中，Y为多分类中的一个标签，因此n6表示零件训练集中零件工序工艺方案种类的数量，/>表示第i种零件工序工艺方案，并且每种零件工序工艺方案是独立存在的，在零件工艺方案的决策过程中互不影响。以零件典型工艺方案标签/>为例，选用该零件工序工艺方案的条件是X，则选用上述零件工艺方案使用Softmax（归一化指数）回归预测的条件概率（零件工艺后验概率）可以表示为：，其中，/>表示第yi类的权重向量，T是矩阵转置。
零件典型工艺学习模型具有较长的输入信息X（工艺属性向量），因此为了实现这种非线性复杂映射，零件典型工艺学习模型使用了一种基于注意力机制的双向长短期记忆网络（BiLSTM+Attention）的深度学习方法来实现的估计。零件典型工艺学习模型框架在编程软件python和运算平台CUDA进行搭建。首先，将零件信息（零件的所有特征）通过双向长短期记忆网络（BiLSTM）层映射为定长向量/>；然后通过注意力机制对/>按照其重要程度给予一定权重/>，并输出零件的整体描述向量/>；最后通过全连接层以及Softmax，预测零件属于某零件工艺方案的概率/>。
如图4所示，零件典型工艺学习模型采用基于注意力机制的BiLSTM模型。该模型由双层长短期记忆递归神经网络层（BiLSTM层）、注意力层（Attention层）、全连接层以及损失函数组成。其中，双层长短期记忆递归神经网络层通过双向的访问X，能够更加完整的获取零件工艺语义信息并输出隐藏层参数，最后通过一个全连接层Full以及Softmax函数获得零件的概率分布。零件计算的概率分布可以表示为：。
在BiLSTM中，其两层LSTM网络分别按X输入的正序和逆序计算其隐藏层参数与/>，并对/>与/>求和获得针对零件的属性信息集/>，既BiLSTM层提取零件属性集/>中的信息，并用隐藏层参数/>的形式进行表示，可以表示为：。
在零件典型工艺学习模型中，随着输入信息的增多，模型对零件工艺知识的处理能力将会逐渐削弱进而导致模型效率下降，为了解决这一问题同时强化信息的长时间保留，在本模型中引入了注意力机制。在提取零件的信息后，需要按照其特征信息的重要程度对其赋予权重，并利用针对于零件的表达向量求得针对于零件基于注意力的描述向量/>，既：/>。
注意力机制的具体计算过程如下所示：；/>；；其中，/>、/>为学习参数；/>使用softmax函数进行权重的归一化：/>为学习参数；/>通过对隐藏层向量/>赋予权重后求和得到，n7表示BiLSTM层数。
最后通过全连接层和Softmax函数输出对于该零件的工艺标签概率分布，具体可以表达为：/>=/>，其中，/>、/>为全连接层学习参数。
对所构建的零件典型工序学习模型进行联合训练，并求得最优参数集。本模型中使用平均交叉熵作为损失函数，对于样本零件训练集/>，其损失函数（零件工艺损失函数）为：/>。
将零件典型工序学习模型对应损失函数最小化，以学习包括BiLSTM、注意力机制、全连接层的最佳参数集。
步骤8、构建特征典型工步工艺方案推理模型（简称，特征典型工艺学习模型）。
特征典型工步工艺方案的推理是为了在特征工艺方案库中为特征匹配适合的典型工艺方案，针对特征而言，典型工艺方案指该特征的工步方案。每种特征典型工步工艺方案看作是一个标签，每个标签表示一种工步工艺方案。特征典型工艺学习的目标是根据特征的关键属性，使得该特征的工艺方案具有最大概率。因此，根据特征工艺训练集，其中n8表示训练集中训练数据条数，在特征典型工艺学习模型中，/>表示第j个特征Fj，即工艺属性向量，/>表示第j个特征所属的特征工艺/>，即真实标签，通过学习可获得特征的关键属性/>与特征工艺方案L之间的非线性映射。因此，特征的典型工艺学习过程可以被看作一个多标签分类问题，每种L可以被视为一个标签，不同特征/>将映射到同一个或不同L。/>的学习过程可以归结为，具有最大后验概率的L的参数/>的计算问题，记作：/>。
在典型工艺预测过程中，L为多分类中的一个标签，因此，n9表示特征训练集中特征工步工艺方案种类的数量，li表示第i种特征工步工艺方案，并且每种特征工艺方案是独立存在的，在特征工艺方案的决策过程中互不影响。以特征典型工艺方案标签/>为例，选用该特征工步工艺方案的条件为/>，则选用上述特征工艺方案使用Softmax回归预测的条件概率（特征工艺后验概率）可以表示为：/>，其中，/>表示第li类的权重向量。
BiLSTM能够更好的满足长依赖特性，同时保证学习模型的性能和提取效率。因此为了实现这种非线性复杂映射，特征典型工艺学习模型使用了一种BiLSTM的深度学习方法来实现条件概率的估计。首先，将特征信息通过BiLSTM层映射为定长向量；t为输入模型的向量的最长长度。然后通过全连接层以及softmax预测属于某特征工艺的概率/>。
如图5所示，特征典型工艺学习模型由双层长短期记忆递归神经网络层（BiLSTM层）、全连接层以及损失函数组成。其中双层长短期记忆递归神经网络层通过双向的访问，能够更加完整的获取特征工艺语义信息并输出隐藏层参数/>；通过一个全连接层Full以及Softmax函数获得零件的概率分布。特征计算的概率分布可以表示为：。
在BiLSTM中，其两层LSTM网络分别按输入的正序和逆序计算其隐藏层参数/>与，并对/>与/>求和获得针对特征的属性信息集（特征工艺语义信息）/>，既BiLSTM层提取中的信息，并用隐藏层参数/>的形式进行表示，可以表示为：。
最后通过全连接层和Softmax函数输出对于该特征的工艺标签概率分布，具体可以表达为：/>=/>，其中，/>、/>为全连接层学习参数。
分别对所构建的特征典型工步学习模型进行联合训练，并求得最优参数集。本模型中使用平均交叉熵作为损失函数，对于样本特征训练集/>，其损失函数（特征工艺损失函数）分别为：/>。
将特征典型工步学习模型对应损失函数最小化，以学习包括BiLSTM、全连接层的最佳参数集。
步骤9、构建零件序列工序工艺方案推理模型（简称，零件工序序列学习模型）。
零件的序列工艺生成具有极强的顺序性，零件的工序均是按照其加工条件约束按步骤制订的。因此零件序列工艺方案（零件工序序列）的生成可以看作是一个序列生成问题。与步骤7不同，零件序列工艺方案在零件工艺方案库中不存在，每条零件序列工艺方案的推理需要实现一整个工序序列的按序生成，因此需要预测多个标签，且标签存在顺序问题，每个标签指一个工序。在已有零件工序训练集的前提下，其中n10为训练集中训练数据条数，在零件工序序列学习模型中，/>表示第i个零件的特征属性矩阵X，其中包含n14条属性信息，/>表示第i个零件所属的零件工序序列，通过学习/>实现从零件特征属性信息到零件工艺序列（零件工序序列）的映射。同样利用最大化X对应Y概率的办法来实现参数/>的确定，既：。
在零件工序序列学习模型中，零件序列工艺方案由工序组成可以表示为，如前所述n3为零件工序序列中包含的工序/>数量，是不能确定的。但/>间存在前后顺序关系，前一个/>会对后一个/>产生影响。因此最终生成Y的条件概率可以表示为：
在python和CUDA中构建一个序列到序列的注意力（Seq2seq-Attention）模型，以实现零件工序序列的生成。零件工序序列学习模型包含基于BiLSTM的编码器、基于注意力机制的解码器、损失（Loss）函数三部分，
在零件工序序列学习模型中，为了实现序列工艺预测概率的估计，构建了一种序列到序列（Seq2seq）模型，通过深度学习的方法来进行序列工艺的生成。首先，通过编码器将零件的属性信息（零件的特征属性矩阵）提取为一组向量的形式，在零件工序序列学习模型中，编码器/>使用了一个BiLSTM网络构建，通过编码器输出的零件特征属性向量可以表示为/>；解码器使用了一个基于注意力机制的LSTM网络并按照顺序逐一估计零件工序的条件概率分布/>。
如图6所示，基于BiLSTM的编码器。为了满足工艺序列间的前后关联性，并且保证在编码过程中不会出现长距离关联信息的遗忘现象，本模型使用了基于BiLSTM的办法构造了编码器部分。编码器按照输入顺序对输入的零件的属性向量序列进行特征信息的提取。通过内嵌的LSTM（长短期记忆网络）细胞计算规则，获得每一步隐藏层状态，每个/>既对应输入的零件中的每一条属性信息，因此解码器的输出可以表示为：/>。
基于注意力机制的解码器。解码器按顺序估计零件的工艺序列条件概率，并输出最大概率所对应的零件工序。本模型解码器使用了一个带有注意力机制的LSTM模型，其单个计算单元需要计算遗忘门/>、输入门/>、单元临时状态/>、单元状态/>、输出门/>、隐藏层状态/>。本模型在初始状态时，/>与/>均为零向量。
在生成第个工序时，首先需要通过注意力机制更新包含零件属性信息的上下文向量/>，随后结合上一步的推理工序信息/>，以及上一步的隐藏状态/>和单元状态计算得到当前的隐藏状态，并将当前隐藏状态反馈给一个Softmax函数，以此获得对应零件工序的概率分布/>。以零件为例，其计算的概率分布可以表示为：/>。
在完成当前预测后，LSTM单元将会更新自身的。
为了保证预测模型的预测精度和预测效率，本模型同样使用了注意力机制。第个预测过程开始时，需要对上下文向量/>进行更新，/>可以看作零件在/>时所对应的加工区域，其更新过程如下：/>；/>；；式中，/>、W、U为学习参数。对于每一个加工步骤，注意力机制首先计算上一步隐藏状态与零件当前位置相关性，用/>表示，随后使用Softmax进行标准化，从而获得注意力机制权重/>，最后对编码器隐藏状态与注意力权重进行加权求和获得经过注意力机制更新的/>。
分别对构建的零件序列工序学习模型进行联合训练，并求得最优参数集。本模型使用预测对象条件概率的负对数的似然和为损失函数，对于零件工序训练集，其损失函数分别为：，其中，n12为零件工序训练集中包含的工艺方案（零件工序序列方案）种类数量。
将零件序列工序学习模型的损失函数最小化，以学习包含编码器BiLSTM、注意力机制以及解码器LSTM最佳参数的参数集。
步骤10、特征序列工步工艺方案推理模型（简称，特征工步序列学习模型）。
特征工步的生成过程同样可以看成一个序列生成问题。特征序列工步方案的推理与零件序列工序方案推理类型，在已有的工艺方案库中不存在，需要对整个工步方案进行推理，推理过程需要预测多个标签，且标签存在顺序问题，每个标签表示特征的一个工步。在已有特征工步训练集的前提下，通过学习/>以及实现从特征属性信息到工艺序列的映射，其中，/>为特征工步训练集中训练数据条数，在特征工步序列学习模型中，/>表示第j个特征Fj，/>中包含n15条属性数据，/>表示第j个特征所属的特征工步序列/>。与典型工艺学习相同，利用最大化/>对应L概率的办法来实现参数/>的确定，既：/>。
如前述定义，特征序列工艺方案由工步组成，表示为/>，其中n4为特征工艺中包含的工步/>数量，是不能确定的。但/>之间存在前后顺序关系，前一个会对后一个/>产生影响。因此最终生成L的条件概率（工序序列生成概率）可以表示为：
使用与步骤9相同的方法，在python和CUDA中构建一个Seq2seq-Attention模型，以实现特征工步序列的生成。特征工步序列学习模型包含基于BiLSTM的编码器、基于注意力机制的解码器、Loss函数三部分，具体实现过程如下：
其中，基于BiLSTM的编码器。为了满足工艺序列（特征工步序列）间的前后关联性，并且保证在编码过程中不会出现长距离关联信息的遗忘现象，本模型使用了基于BiLSTM的办法构造了编码器部分。编码器按照输入顺序对输入的特征的属性向量序列进行特征信息的提取。通过内嵌的LSTM细胞计算规则，获得每一步隐藏层状态，每个/>既对应输入的特征中的每一条属性信息，因此解码器的输出可以表示为：/>。
基于注意力机制的解码器。解码器（）按顺序估计特征的工艺序列条件概率/>，并输出最大概率所对应的工步。本模型解码器使用了一个带有注意力机制的LSTM模型，其单个计算单元需要计算遗忘门/>、输入门/>、单元临时状态/>、单元状态/>、输出门/>、隐藏层状态/>。本模型在初始状态时，/>与/>均为零向量。
在生成第u个工步时，首先需要通过注意力机制更新包含特征属性信息的上下文向量，随后结合上一步的推理工步信息/>和/>，以及上一步的隐藏状态/>和单元状态/>计算得到当前的隐藏状态，并将当前隐藏状态反馈给一个Softmax函数，以此获得对应特征工步的概率分布/>。以特征为例，其计算的概率分布可以表示为：/>。
在完成当前预测后，LSTM单元将会更新自身的。
为了保证预测模型的预测精度和预测效率，本模型同样使用了注意力机制。如上文所述，第个预测过程开始时，需要对上下文向量/>进行更新，/>可以看作特征在/>时所对应的加工区域，其更新过程如下：/>；/>；；式中/>、W、U为学习参数。对于每一个加工步骤，注意力机制首先计算上一步隐藏状态与零件当前位置相关性，用/>表示，随后使用Softmax进行标准化，从而获得注意力机制权重/>，最后对编码器隐藏状态与注意力权重进行加权求和获得经过注意力机制更新的/>。
通过Loss函数对构建的特征典型工步学习模型进行联合训练，并求得最优参数集。本模型使用预测特征工艺序列条件概率的负对数的似然和为损失函数，对于特征训练集，其损失函数分别为：/>，其中，n13为特征工步训练集中包含的特征工步序列方案种类数量。
将特征序列工步学习模型的损失函数最小化，以学习包含编码器BiLSTM、注意力机制以及解码器LSTM最佳参数的参数集。
步骤11、多元融合的零件工艺优化方法。
通过步骤7和步骤9获得了零件的工序级工艺方案Y并通过步骤8和步骤10获得特征的特征工步级工艺方案L。使用一种基于工艺经验的工序级工艺方案与特征级工步方案融合的策略，通过计算基于推理概率和相容概率/>的融合概率/>最大值，获取最佳工艺融合方案。
对于相容概率的计算：零件包含n1个特征，每个特征具有不定长l个工步，n1个特征的工步长度可以表示为(l1,l2,…,)。则判断零件工序序列Yi与特征工步序列Lj的相容性，既判断该工步序列Lj=(fs1, fs2,…,/>)中工步fs能够被工序序列Yi=(pre1,pre2,…,/>)顺序包含的最大个数Sij。例如，pre1可以实现fs1的加工且pre2可以实现fs2，其余工步无法被Yi中工序加工，则顺序包含数为Sij=2；若pre2可以实现fs1的加工且pre1可以实现fs2的加工，其余工步无法被Yi中工序加工，则顺序包含数为Sij=1。如图7所示，工序方案Y1中包含pre1粗车、pre2精车、pre3钻、pre4铣四个工序，对工步方案L1而言，其工步fs1粗车外圆能够被pre1加工，fs2精车外圆能够被pre2加工，且pre1、pre2与fs1、fs2均为正序，因此其S11=2；工步方案L2中fs1钻孔能够被pre3加工，fs2能够被pre2加工，但pre3、pre2与fs1、fs2为逆序，因此S12=1；工步方案L3中fs1钻孔能够被pre3加工，但fs2无法被Y1中任何工序加工，因此S13=1。
只有完全相容时，该工步方案Lj才能被选用。按以上方法，零件工序方案与特征工步方案的相容性概率prij为：，其中，/>表示零件的第j个特征的工步序列Lj的长度，/>为零件的第i种工序序列（工序序列方案）Yi与第j个特征的工步序列（每种特征工步序列方案）Lj的顺序包含数。
对于推理概率的计算，设零件工序方案Yi条件概率为p(Yi｜X)，同时该零件包含特征F，F的工步方案Lj在推理过程的条件概率为p(Li｜Xj)，则该零件工序方案Yi与其F特征的工艺方案Lj的推理概率ptij可以表示：。
则零件工序序列Yi与F特征工步序列Lj的融合概率p(Yi⊕Lj)为：。
在F特征的工步方案集中，p(Yi⊕Lj)最大值对应的工步方案Lj为该工序方案Yi的备选融合工步方案。该零件各个特征的备选融合工步方案的平均值即为Yi的选用概率pY，既：。
综上，融合概率的计算步骤包括:计算零件的第一种零件工序序列方案与每个特征的每种特征工步序列方案的顺序包含数，基于顺序包含数，计算相容性概率；基于零件工序序列方案的条件概率和特征工步序列方案的条件概率，计算推理概率；基于相容性概率和推理概率，计算得到融合概率。
本实施例提供的基于知识图谱的零件工艺设计方法，在应用过程中具体包括：
(1)推理零件工序及特征工步工艺方案。
具体地，获取零件的特征；基于零件的所有特征（特征属性矩阵X），通过零件典型工艺学习模型，推理得到若干种零件工艺（一种零件工艺对应一种零件工序序列方案），在本实施例中，得到三种零件工艺(Y1, Y2, Y3)；基于零件的所有特征（特征属性矩阵X），通过零件工序序列学习模型，推理得到若干种零件工序方案，在本实施例中，得到一种零件工序方案Y4；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺（一种特征工艺对应一种特征工步序列方案），在本实施例中，得到三种特征工艺(L1, L2, L3)；对于零件的每个特征，通过特征工步序列学习模型，推理得到若干种特征工步序列方案，在本实施例中，得到一种特征工步序列方案L4。即，通过零件典型工序学习模型（零件典型工艺学习模型）推理，获取条件概率p(Y｜X; ω)最大的三组零件典型工序方案(Y1, Y2, Y3)；通过零件序列工序学习模型（零件工序序列学习模型）推理，获取条件概率p(Y｜X;α)最大的一组零件序列工序方案Y4；通过特征典型工步学习模型（特征典型工艺学习模型）推理，获取条件概率p(L｜Xj;φ)最大的三组特征典型工步方案(L1, L2, L3)；通过特征序列工序学习模型（特征工步序列学习模型）推理，获取条件概率p(L｜Xj;β)最大的一组特征序列工步方案L4。则该零件共获取工序工艺方案四种(Y1, Y2, Y3, Y4),零件的n1个特征中的每种特征获取的特征工艺方案为四种(L1, L2, L3, L4)，则n1种特征对应的特征工步工艺方案为：，其中，Lkj表示零件的第k个特征的第j种特征工艺，k=1,2,…,n1，j=1,2,3,4。在本实施例中，一个特征的第j种特征工艺(特征工步序列)用Lj表示。
(2)计算融合概率。针对每种零件工序序列方案Yi，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案。具体地，分别针对每一个工序工艺方案Yi计算其与各特征的对应的四套工步工序方案(L1,L2,L3,L4)的推理概率prij和相容性概率ptij，并计算融合概率p(Yi⊕Lj)，以确定Yi对应的各特征的备选融合工步方案。分别计算出(Y1, Y2, Y3, Y4)的选用概率pY，并将pY最大值对应Yi作为最终选用融合工序方案，Yi的备选融合工步方案Lj最为最终融合工步方案。
(3)将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。将融合工序方案与融合工步方案按工序及工步之间的包容关系以及顺序进行融合，即，按Lj=(fs1, fs2,…,)的顺序，若prek能够实现fs1的加工则将fs1融合到prek，同时fs2仅能在prek及prek之后的工序中寻找融合工序，并以此类推融合其余工序工步。
(4)确定工序中工步顺序。根据零件加工过程的经验顺序对零件加工工序方案中每个零件加工工序中的工步进行约束，如基准先行、先面后孔、先主后次等，通过常规工艺约束条件的作用使每个工序中工步符合加工要求。
在本实施例中，构建如图8所示基于知识图谱的零件工艺设计方法原型系统，并使用100套销轴类零件及其零件工艺，并包含中心孔、倒角、型腔、圆孔、圆柱、圆角、平面、螺纹、越程槽、退刀槽等共计246套特征及其特征工艺的训练数据对模型进行训练。完整的训练数据被划分为80％的训练集、10％的验证集以及10％的测试集。各模型训练超参数如表1所示。使用图9所示销轴T1进行实例验证，其属性特征集如表2所示。将上述信息导入到工艺信息推理模块，分别针对零件和特征进行典型工艺的推理和序列工艺的推理。通过使用工艺推理模型分别生成针对零件的工序工艺方案集如表3所示，以及针对特征的工步工艺方案集/>如表4所示。
表1、各模型超参数
表2、销轴T1特征属性
表3、销轴T1零件工序推理工艺方案
表4、销轴T1特征工步推理工艺方案
分别计算每个工序工艺方案与特征工步方案之间的融合概率，并按融合规则获得工序方案对应的备选融合工步方案，既表格中零件工序方案/>与各特征工步方案（/>,/>,/>,/>）融合概率的最大值。并求得/>工序方案的最大融合概率，各工序方案的融合概率分别为/>：0.804、/>：0.586、/>：0.521、/>：0.936。因此选用工序方案/>作为融合工序方案，其对应的各特征工步的备选融合工步方案作为融合工步方案。各零件工艺方案与特征工艺方案融合概率如表5所示。
经过融合的零件工艺方案包含工序、工步以及工步所对应的公布内容和加工对象信息，如下表6所示。
表5、融合概率
表6、经过融合的零件工艺方案
本实施例提供的基于知识图谱的零件工艺设计方法，基于工艺知识图谱的工艺数据结构化表征，构建特征和零件模型、特征工艺模型、零件工艺模型，并以上述模型为基础构建结构化工艺本体，以结构化工艺本体作为模式层构建工艺知识图谱；基于深度学习的零件及特征工艺生成模型，针对现有工艺方案应用构建了零件典型工序工艺学习模型、特征典型工步工艺学习模型，针对新工艺方案推理构建了零件序列工序工艺学习模型、特征序列工步工艺学习模型；多源融合的零件工艺优化方法，对零件工序工艺与特征工步工艺使用融合概率最大作为最优解的方法。实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。
实施例二
本实施例二的目的是提供基于知识图谱的零件工艺设计系统，包括：
数据获取模块，其被配置为：获取零件的特征；
推理模块，其被配置为：基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；
概率计算模块，其被配置为：针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；
融合模块，其被配置为：基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
约束模块，其被配置为：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述实施例一所述的基于知识图谱的零件工艺设计方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于知识图谱的零件工艺设计方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于知识图谱的零件工艺设计方法，其特征在于，包括：
获取零件的特征；
基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；
针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；
基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
2.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，还包括：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。
3.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述融合概率的计算步骤包括:
计算零件的第一种零件工序序列方案与每个特征的每种特征工步序列方案的顺序包含数，基于所述顺序包含数，计算相容性概率；
基于零件工序序列方案的条件概率和特征工步序列方案的条件概率，计算推理概率；
基于所述相容性概率和推理概率，计算得到融合概率。
4.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述零件典型工艺学习模型将零件的所有特征，通过双向长短期记忆网络层，映射为定长向量后，通过注意力机制给予定长向量权重，并得到零件的整体描述向量后，通过全连接层以及归一化指数函数，预测零件属于各零件工艺的概率。
5.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述特征典型工艺学习模型通过双层长短期记忆递归神经网络层，对零件的每个特征进行双向的访问，得到特征工艺语义信息后，通过全连接层以及归一化指数函数，预测每个特征属于各特征工艺的概率。
6.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述零件工序序列学习模型通过基于双向长短期记忆网络的编码器，对零件的所有特征进行处理，得到零件特征属性向量后，使用基于注意力机制的长短期记忆网络，并按照顺序逐一估计零件工序的条件概率分布。
7.基于知识图谱的零件工艺设计系统，其特征在于，包括：
数据获取模块，其被配置为：获取零件的特征；
推理模块，其被配置为：基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；
概率计算模块，其被配置为：针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；
融合模块，其被配置为：基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
8.如权利要求7所述的基于知识图谱的零件工艺设计系统，其特征在于，还包括约束模块，其被配置为：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于知识图谱的零件工艺设计方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于知识图谱的零件工艺设计方法中的步骤。
CN202311203194.0A 2023-09-19 2023-09-19 基于知识图谱的零件工艺设计方法、系统、介质及设备 Active CN116956750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311203194.0A CN116956750B (zh) 2023-09-19 2023-09-19 基于知识图谱的零件工艺设计方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311203194.0A CN116956750B (zh) 2023-09-19 2023-09-19 基于知识图谱的零件工艺设计方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN116956750A true CN116956750A (zh) 2023-10-27
CN116956750B CN116956750B (zh) 2023-12-19

Family

ID=88458607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311203194.0A Active CN116956750B (zh) 2023-09-19 2023-09-19 基于知识图谱的零件工艺设计方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN116956750B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252201A (zh) * 2023-11-17 2023-12-19 山东山大华天软件有限公司 面向知识图谱的离散型制造行业工艺数据提取方法及系统
CN117972813A (zh) * 2024-03-28 2024-05-03 山东山大华天软件有限公司 一种面向机加工零件的智能工艺方法、系统、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150018681A (ko) * 2013-08-08 2015-02-24 국립대학법인 울산과학기술대학교 산학협력단 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법
US20190354839A1 (en) * 2018-05-18 2019-11-21 Google Llc Systems and Methods for Slate Optimization with Recurrent Neural Networks
CN110851499A (zh) * 2019-11-06 2020-02-28 上海卫星装备研究所 基于知识的装配工艺设计方法、系统及介质
CN113626948A (zh) * 2021-08-06 2021-11-09 金航数码科技有限责任公司 一种基于知识推理的自动工步设计方法
CN113887753A (zh) * 2021-09-16 2022-01-04 山东美陵化工设备股份有限公司 基于异构系统的工艺数据融合方法
US20220051128A1 (en) * 2020-08-14 2022-02-17 International Business Machines Corporation Predicting customer interaction outcomes
CN114064932A (zh) * 2021-11-30 2022-02-18 清华大学 曲面类零件铣削工艺系统数据集成和挖掘方法及装置
CN114626190A (zh) * 2021-12-09 2022-06-14 天津大学 一种基于知识图谱的工艺设计资源模型构建方法
CN114647741A (zh) * 2022-03-14 2022-06-21 广东技术师范大学 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN115016405A (zh) * 2022-05-26 2022-09-06 天津大学 一种基于深度强化学习的工艺路线多目标优化方法
US20230084639A1 (en) * 2021-09-09 2023-03-16 Vectra Automation, Inc. System and Method for Engineering Drawing Extrapolation and Feature Automation
CN116756338A (zh) * 2023-06-16 2023-09-15 上海航天精密机械研究所 面向ar装配引导的工艺知识图谱构建方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150018681A (ko) * 2013-08-08 2015-02-24 국립대학법인 울산과학기술대학교 산학협력단 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법
US20190354839A1 (en) * 2018-05-18 2019-11-21 Google Llc Systems and Methods for Slate Optimization with Recurrent Neural Networks
CN110851499A (zh) * 2019-11-06 2020-02-28 上海卫星装备研究所 基于知识的装配工艺设计方法、系统及介质
US20220051128A1 (en) * 2020-08-14 2022-02-17 International Business Machines Corporation Predicting customer interaction outcomes
CN113626948A (zh) * 2021-08-06 2021-11-09 金航数码科技有限责任公司 一种基于知识推理的自动工步设计方法
US20230084639A1 (en) * 2021-09-09 2023-03-16 Vectra Automation, Inc. System and Method for Engineering Drawing Extrapolation and Feature Automation
CN113887753A (zh) * 2021-09-16 2022-01-04 山东美陵化工设备股份有限公司 基于异构系统的工艺数据融合方法
CN114064932A (zh) * 2021-11-30 2022-02-18 清华大学 曲面类零件铣削工艺系统数据集成和挖掘方法及装置
CN114626190A (zh) * 2021-12-09 2022-06-14 天津大学 一种基于知识图谱的工艺设计资源模型构建方法
CN114647741A (zh) * 2022-03-14 2022-06-21 广东技术师范大学 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN115016405A (zh) * 2022-05-26 2022-09-06 天津大学 一种基于深度强化学习的工艺路线多目标优化方法
CN116756338A (zh) * 2023-06-16 2023-09-15 上海航天精密机械研究所 面向ar装配引导的工艺知识图谱构建方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
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, pages 90 - 93 *
雷蕾;程光耀;李萍萍;: "印刷机典型零件制造工艺决策系统关键技术研究", 机械设计与制造, no. 07, pages 158 - 160 *
龚亮亮;张振明;田锡天;黄利江;: "基于模型定义的工艺知识表示及工艺决策方法研究", 机械制造, no. 05, pages 90 - 93 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252201A (zh) * 2023-11-17 2023-12-19 山东山大华天软件有限公司 面向知识图谱的离散型制造行业工艺数据提取方法及系统
CN117252201B (zh) * 2023-11-17 2024-02-27 山东山大华天软件有限公司 面向知识图谱的离散型制造行业工艺数据提取方法及系统
CN117972813A (zh) * 2024-03-28 2024-05-03 山东山大华天软件有限公司 一种面向机加工零件的智能工艺方法、系统、设备及介质

Also Published As

Publication number Publication date
CN116956750B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN116956750B (zh) 基于知识图谱的零件工艺设计方法、系统、介质及设备
Sun et al. Three-way decisions approach to multiple attribute group decision making with linguistic information-based decision-theoretic rough fuzzy set
Kim et al. Futuristic data-driven scenario building: Incorporating text mining and fuzzy association rule mining into fuzzy cognitive map
CN112699247B (zh) 一种基于多类交叉熵对比补全编码的知识表示学习方法
CN112000689B (zh) 一种基于文本分析的多知识图谱融合方法
Wu et al. A fast decision-making method for process planning with dynamic machining resources via deep reinforcement learning
CN106529028A (zh) 一种工艺规程的自动生成方法
Wang et al. Power system network topology identification based on knowledge graph and graph neural network
CN112100403A (zh) 一种基于神经网络的知识图谱不一致性推理方法
Zhang et al. Combining deep learning with knowledge graph for macro process planning
Bi et al. Knowledge transfer for out-of-knowledge-base entities: Improving graph-neural-network-based embedding using convolutional layers
Liu Language database construction method based on big data and deep learning
CN110990907B (zh) 基于特征-资源知识的船用柴油机关重件可制造性三级优化方法
Sun et al. Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing.
CN116596574A (zh) 电网用户画像构建方法及系统
CN114612914A (zh) 一种多标签不平衡数据分类的机器学习方法及系统
Niu et al. Design of case-based hybrid agent structure for machine tools of intelligent design system
CN113673695A (zh) 基于新型特征自动构造的人群行为规则自动提取方法
Chen English translation template retrieval based on semantic distance ontology knowledge recognition algorithm
Dubois et al. Different ways to identify generalized system of contradictions, a strategic meaning
CN110826812A (zh) 一种基于图的布尔可满足性问题的目标算法预测方法
Coste et al. How considering incompatible state mergings may reduce the DFA induction search tree
Chen et al. An Attribute Reduction Algorithm Based on Rough Set Theory and an Improved Genetic Algorithm.
CN114386647A (zh) 一种油气田行业能耗的预测方法及系统
Hang et al. Research on scientific data mining algorithms based on WOA-BP neural networks

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