一种基于实例推理的注塑模具零件多相似实例加工工艺重用设计方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种基于实例推理的注塑模具零件多相似实例加工工艺重用设计方法，属于工艺capp中的工艺重用设计技术分析领域。针对注塑模具相似结构件，快速得到其加工工艺方案。背景技术：2.工艺重用设计一直是capp领域研究的热点问题，随着数字化设计制造技术的广泛应用，很多企业通过构建工艺实例库积累了大量的工艺实例，有效地利用已有的工艺并快速准确地生成新产品目标零件的加工工艺，是提升企业工艺设计效率、降低零件加工工艺设计周期的重要途径之一。3.加工工艺设计是根据零件的材料、尺寸规格、结构特征及精度和粗糙度要求，制定出经济、合理的加工方案及加工工艺流程。目前，传统的注塑模具零件加工工艺主要依靠工艺工程师的经验，通过人工进行零件结构特征的分析及工序的编制，存在着编制效率低、设计周期长，没有将以往设计的历史案例进行记录和有效复用，无法适应注塑模具多品种、小批量、高效智能化生产的需求，严重制约模具零件高效智能化制造的发展。因此，需要研究如何快速检索到相似的零件实例并利用其工艺进行作为修改的工艺骨架，以及融合多相似实例的局部工艺信息进行工艺重用设计，来快速的生成更精确有效的目标零件加工工艺。4.实例推理技术(case-based reasoning,简称cbr)是根据历史经验知识进行推理的人工智能技术，其核心思想是将以往工作积累下来的经验知识存储到实例库中，在人们解决新问题时利用类比的方法，从实例库中获取相似问题的求解过程及解决方案，通过对相似问题的解决方案进行一定的修改和调整，重新应用到新问题的求解过程中。实例推理技术具有易维护、数据自积累以及容易操作等特点，适合目前注塑模具零件加工工艺设计知识难以规则化的智能化设计问题的发展现状。近年来，针对“相似零件结构具有相似工艺”做了很多的研究，认为相似零件具有相似的加工方法和工艺路线。当不同的零件存在相同的加工特征时，可以考虑使用相同的工艺进行加工，这就形成了工艺重用的基础。工艺重用设计不仅可以快速获得解决方案，而且可不断补充成功的案例实现自我更新。5.目前,基于实例推理技术的工艺重用设计方法已经开始应用于零件加工工艺智能化设计中。在工艺修正方面，大多以工艺规则的形式，进行规则推理进行修改，没有充分利用实例推理时的数据，没有有效的利用局部相似度的评价指标，进行工艺修正。基于实例推理的工艺重用技术的关键在于实例的检索与修正，本文提出一种基于实例推理的注塑模具零件多相似实例加工工艺重用设计方法,该方法包括基于实例推理的双层检索模型和多相似实例的工艺重用修正模型。在相似实例检索时，利用改进的k-means聚类算法，缩小实例检索范围；采用最邻近算法(knn)，实现基于局部属性相似度的实例检索。检索完成后，通过计算实例中特征的相似度来查询可重用的特征所对应的工艺，利用其余多相似实例中局部特征对应的工艺信息，对工艺骨架进行智能修改，实现了对注塑模具零件加工工艺的高效智能化设计。该方法对实现注塑模具零件加工工艺的高效智能化设计有着重要的指导意义。技术实现要素：6.本发明的目的是提供一种基于实例推理的注塑模具零件多相似实例加工工艺重用设计方法，实现目标零件工艺智能化设计。该方法是基于改进k-means算法，将零件规格、零件材料、零件类型等基本零件信息作为实例检索第一层检索属性，完成相似实例零件聚类检索，然后基于knn算法，将零件的主要加工特征的尺寸、加工精度、表面粗糙度、数量作为实例检索的第二层检索属性，完成零件总体相似度的检索计算，从而建立出双层检索模型，实现目标零件最相似的实例的检索，并提取最相似实例的工艺信息作为目标零件的工艺骨架，然后根据多相似实例的特征相似度作为工艺修正的指标，构建工艺重用修正模型，对目标零件的工艺骨架进行修正，实现局部特征对应工艺的信息替换，完成工艺智能化设计。7.为实现上述目的，本发明以注塑模具模板类零件为例，建立双层检索模型的检索属性，并基于特征相似度的工艺重用修正模型，通过实验案例验证该方法在注塑模具零件快速工艺设计方面的可行性和有效性。8.其具体实施步骤如下：9.步骤1：建立双层检索模型的第一层检索，基于改进的k-means算法对实例集中实例进行聚类。10.步骤1.1：以零件材料、零件规格、零件类型作为第一层检索属性。11.步骤1.2：对k-means进行改进，对初始实例集中孤立点进行剔除，删除与均值中心较远的孤立点，避免孤立点对实例聚类效果的影响12.步骤1.3：根据距离代价跟函数，对最佳聚类k值进行确定，使用经验公式计算出k值得范围，对每个k值得聚类结果进行距离代价函数计算，选择使距离评价函数值最小的k值作为最佳聚类数，实现聚类的最佳效果。13.步骤1.4：输入最佳聚类数k值，对实例集运行改进后的k-means算法，得出实例集中相似零件聚类簇。14.步骤1.5：将目标零件的零件材料、零件规格、零件类型输入，计算与相似零件聚类簇聚类中心点的距离，将目标零件划入距离最近的簇内。15.步骤2：建立双层检索模型的第二层检索，基于knn算法，对聚类后的实例集中的实例进行总体相似度计算。16.步骤2.1：以零件的主要加工特征的尺寸、加工精度、表面粗糙度、数量作为第二层检索属性。17.步骤2.2：制定零件检索属性的重要程度等级表。18.步骤2.3：使用层次分析法确定第二层检索各个属性权重。19.步骤2.4：计算相似簇中各实例的各个局部属性相似度。20.步骤2.5：计算各个实例与目标零件的总体相似度。21.步骤2.6：设置动态阈值，根据实际计算的最大总体相似度进行阈值的动态调整。22.步骤2.7：输出大于阈值相似实例，并提取总体相似度最大的实例的工艺信息作为目标实例的工艺骨架。23.步骤3：建立工艺重用修正模型，考虑多相似实例的特征相似度计算结果，作为局部工艺修正的指标，对工艺骨架进行工艺重用修正。24.步骤3.1：以局部特征的尺寸、加工精度、表面粗糙度、个数作为实例的局部特征相似度的计算属性。25.步骤3.2：对比目标零件与最相似实例的特征信息，并计算对应特征相似度。26.步骤3.3：选择特征相似度不满足100％的特征，需要对其对应在工艺骨架中的工艺信息进行修正。27.步骤3.4：查询其余多相似实例关于该特征的特征相似度，查看是否满足复用条件。28.步骤3.5：将查询到可复用的特征对应的工艺信息与工艺骨架中的工艺信息进行替换，替换的工艺信息，包括工艺内容、工艺设备、刀具。29.具体步骤内容通过以下描述结合附图说明。附图说明30.图1为基于实例推理的双层检索模型框架图31.图2为基于特征相似度的工艺重用修正模型框架图32.图3为孤立点检测示意图33.图4a为实例集中初始实例图34.图4b为聚类簇k值为2时的聚类效果35.图4c为聚类簇k值为3时的聚类效果36.图5为基于knn算法的第二层检索流程图37.图6为特征相似度的计算流程图具体实施方式38.下面结合说明书附图详细描述本发明的技术方案：39.该方法主体部分分为三个模块。首先针对实例集基于改进的k-means算法进行相似零件的聚类，得到相似零件聚类簇。其次，对相似零件簇中的实例进行基于knn算法的总体相似度的计算，检索出大于阈值的相似实例。最后，对总体相似度最高的实例的工艺骨架进行基于多相似实例特征相似度的工艺修正。图1为基于实例推理的双层检索模型框架图。图2为基于特征相似度的工艺重用修正模型框架图。40.步骤(1)建立双层检索模型的第一层检索，基于改进的k-means算法对实例集中实例进行聚类。41.步骤1.1：以零件材料、零件规格、零件类型作为第一层检索属性。针对注塑模具零件某类型零件的常用材料进行分类，零件规格分为大中小，零件类型按零件的作用进行分类。42.将零件规格、零件材料、零件类型作为实例检索第一层检索属性，设x＝{x1,x2,...,xn}为含有n个实例的实例集合，其中第i个实例的可表示为xi＝{xi1,xi2,...,xim}，m为第一层检索属性的数量，xim为第i各实例的第μm各检索属性的值，k为聚类簇数，zp＝{zp1,zp2,...,zpm}为第p个簇中心，p∈[1～k]。[0043]步骤1.2：对k-means进行改进，对初始实例集中孤立点进行剔除，删除与均值中心较远的孤立点，避免孤立点对实例聚类效果的影响。[0044]设d(xi,xj)为实例数据xi和xj的欧式距离，且d(xi,xj)＝d(xj,xi)，采用下式(1)计算实例集中，每个实例数据和其他实例数据之间的距离。[0045][0046]设为所有实例间距离的平均值，用dk表示某两实例的间距，采用式(2)计算，xsavg为第s个属性的实例集样本中心点，采用式(3)计算，首先判断某两个实例间距dk是否大于若大于，比较这两个点分别与样本中心的距离，距离较大的点为孤立点的实例数据，去除。图3为孤立点检测示意图。[0047][0048][0049]步骤1.3：根据距离代价函数，对最佳聚类k值进行确定。[0050]不同聚类k值对实例集聚类效果影响很大，图4a为实例集中初始实例图，图4b为聚类簇k值为2时的聚类效果，图4c为聚类簇k值为3时的聚类效果。首先使用经验公式计算k值范围。在未知聚簇数k的具体值的情况下，根据经验公式(4)，k的取值范围满足如下：[0051][0052]式中，n表示实例集中的实例总数。[0053]根据k的可能最大值开始计算从之间的所有聚类结果，并对每一类的聚类结果计算其距离评价函数值，选择使距离评价函数值最小的k值作为最佳聚类数目，计算公式如下所示：[0054]类间距离：[0055][0056]类内距离：[0057][0058]距离代价函数：[0059][0060]步骤1.4：输入最佳聚类数k值，对实例集运行改进后的k-means算法，得出实例集中相似零件聚类簇。[0061]在先去除孤立点和确定最佳k值后进行聚类检索，运行k-means算法，具体计算公式如下：[0062]实例的簇分配计算：[0063][0064]式中，uip表示第i个实例分到第p个簇中，若uip值为1，表示第i个实例分配到第p个簇中，否则，第i个实例不在第p个簇中。[0065]簇中心计算：[0066][0067]聚类准则函数：[0068][0069]对实例进行聚类的流程下所示：[0070](1)对实例集进行聚类分析，根据确定的最佳聚类数目k，随机选择k个实例样本点，作为初始聚类中心点；[0071](2)采用式(8)和(10)依次计算样本集中每一个数据点到该样本聚类中心的距离，以距离来评价相似性，将实例划分为聚类簇，完成一次聚类；[0072](3)根据步骤(2)的计算结果，采用簇中心计算公式(9)得到新的簇中心，进行下一轮聚类，并不断迭代；[0073](4)重复步骤(2)和(3)，直到k个中心点的位置不再发生变化，此时该算法收敛，完成对样本的聚类。[0074]步骤1.5：将目标零件的零件材料、零件规格、零件类型输入，计算与相似零件聚类簇聚类中心点的距离，将目标零件划入距离最近的簇内。[0075]步骤(2)建立双层检索模型的第二层检索，基于knn算法，对聚类后的实例集中的实例进行总体相似度计算。图5为基于knn算法的第二层检索流程图。[0076]步骤2.1：以零件的主要加工特征的尺寸、加工精度、表面粗糙度、数量作为第二层检索属性。[0077]以模板类零件为例，由于模板类零件的结构特点，需要对上下配合表面进行精加工，以及面上的孔的精度要求进行考虑，将对加工影响较大的材料类型、平面加工精度、平面表面粗糙度、主要加工孔的尺寸、个数、加工精度、表面粗糙度、类型这八个属性作为第二层检索属性。[0078]步骤2.2：制定零件检索属性的重要程度等级表。[0079]步骤2.3：使用层次分析法确定第二层检索各个属性权重。[0080]层次分析法确定权重：[0081]采用层次分析法来确定knn算法检索属性权重的分配方案，能够体现零件检索的的客观实际。首先制定零件检索属性的重要程度等级表，若零件有l个属性要分配权重，然后根据企业在零件工艺设计中积累的知识经验，按照“1至9比率标度法”对各属性两两比较来构造属性重要程度矩阵q＝[qij]l×l，矩阵中qij的取值代表属性i对属性j的重要度，标度qij通过“1至9比率标度法”结合delphi法判断确定。对矩阵每一列进行归一化处理，求得到检索属性权重向量w＝(w1,w2,…,wl)，具体计算公式如下：[0082][0083]式中，wi为第i个属性的权重，且l为案例的检索属性总数，qij为第i个属性和第j个属性的重要程度标度值，且qij＝1/qji。[0084]步骤2.4：计算相似簇中各实例的各个局部属性相似度。[0085]局部属性相似度计算：[0086]注塑模具零件各检索属性的相似程度称为局部属性相似度，它是检索最相似实例的重要理论基础。局部相似度分为数值型局部相似度和字符串型局部相似度，其计算公式如下：[0087]对于数值型的属性，如材料硬度、尺寸、加工精度、表面粗糙度等，为了消除属性之间的量纲影响，采用归一化的方法对其进行数据处理。将表示模具零件局部特征相似程度的各属性之间的空间距离结果映射至[0～1]，并以此作为相似度值，如式(12)所示。[0088][0089]式中，和分别是目标零件xm和实例库零件xi的第u个属性。[0090]对于文本型的属性，如材料类型、孔的类型等，字符串形式进行描述。因此，不能直接利用距离公式进行度量，对于这类模板类零件属性的相似度采用式(13)计算。[0091][0092]式中，和分别是目标零件零件xm和实例库零件xi的第u个属性。[0093]步骤2.5：计算各个实例与目标零件的总体相似度。[0094]将材料类型、平面的加工精度、平面的表面粗糙度、孔的类型、孔的尺寸、孔的加工精度、孔的表面粗糙度、孔的个数这八个属性作为模板类零件的第二层检索属性，用c1～cu来表示，且各不同属性对于零件加工工艺的影响程度不同，采用相似度来衡量实例零件间的相似程度。因此，任意两个零件之间总体相似度由各局部属性相似度及对应的权值加权获得，构建出如式(14)所示总体相似度计算公式。[0095][0096]式中,xm和xi分别是目标零件和簇中实例零件，l为模板类零件的检索属性总数，l＝8，和为xm和xi的第u个属性，w(cu)是第u个属性的权值，sim(xm,xi)是目标零件xm和实例零件xi的总体相似度，是和的局部特征相似度。[0097]步骤2.6：设置动态阈值，根据实际计算的最大总体相似度进行阈值的动态调整。[0098]在进行实例筛选的时候需要确定总体相似度的系统阈值，系统阈值依据经验设定，采用动态总体相似度阈值确定方法，来减少因实际生产的实例库中的零件实例是不断扩增的，进而影响检索模型的快速性及稳定性的影响。动态系统阈值通过运用实例库中相应实例的相似度信息进行计算，可降低对专家经验的依赖，充分利用实例库资源。[0099]通过计算得到实例库中实例零件与目标零件的最大相似度simmax与初设的系统阈值进行比较，选择较小值作为系统的总体相似度阈值simα，通过这种自适应调整，检索系统不存在检索不到相似实例的情况，如式(15)所示。[0100][0101]式中，simmax为计算得到的最大相似度；η为初设的系统阈值，由经验获得，一般取xα＝0.9，β为相似度达不到初设阈值时，根据实际计算出的最大相似度来确定的检索范围系数，一般取β＝0.1～0.15。[0102]步骤2.7：输出大于阈值相似实例，并提取总体相似度最大的实例的工艺信息作为目标实例的工艺骨架。[0103]步骤(3)建立工艺重用修正模型，考虑多相似实例的特征相似度计算结果，作为局部工艺修正的指标，对工艺骨架进行工艺重用修正。[0104]步骤3.1：以局部特征的尺寸、加工精度、表面粗糙度、个数作为实例的局部特征相似度的计算属性。[0105]将目标零件中特征与工艺骨架上所对应的特征信息进行对比，比较特征的尺寸、特征数量、加工精度、表面粗糙度，利用式(16)计算某个特征的特征相似度，对比特征相似度，选择特征相似度大的那个特征，查看其所对应的工艺信息是否可以直接复用；若不可复用，则计算其余实例的该特征相似度，查询可以替换的特征所对应的工艺信息，完成工艺骨架的修正过程，直到对比完所有特征，输出目标零件工艺文件信息。图6为特征相似度的计算流程图，具体公式如下：[0106][0107]式中,tzm和tzj分别是目标零件和簇中第j个实例零件的某个特征，fu为特征对应的第u个属性的值，f1～f4分别表示该特征的尺寸、数量、加工精度、表面粗糙度，0.25为这四个属性的权值，因为四个属性重要度一致，固取值0.25，sim(tzm,tzj)是目标零件和实例零件的某特征的特征相似度，是某特征关于属性fu的属性相似度。[0108]步骤3.2：对比目标零件与最相似实例的特征信息，并计算对应特征相似度。[0109]步骤3.3：选择特征相似度不满足100％的特征，需要对其对应在工艺骨架中的工艺信息进行修正。[0110]步骤3.4：查询其余多相似实例关于该特征的特征相似度，查看是否满足复用条件。[0111]步骤3.5：将查询到可复用的特征对应的工艺信息与工艺骨架中的工艺信息进行替换，替换的工艺信息，包括工艺内容、工艺设备、刀具。[0112]实施案例1[0113]如图1所示为该方法用于解决实施案例的第一部分基于实例推理的双层检索模型，图2为检索结束后基于特征相似度的工艺重用修正模型，为以某一注塑模具模板类零件为例，在包含24个实例的实例库中进行实验，实例库中包括大小规格、材料类型不同的动模板、定模板、顶针垫板、顶针板、动定模垫板这些模板类零件。[0114]首先输入目标零件的基本信息，包括零件类型为顶枕垫板，材料类型为45钢，规格为大。以及零件的特征信息，主要加工平面精度为it10，表面粗糙度为ra0.8μm，主要加工孔的类型为导套孔、尺寸为50mm，个数为4，加工精度为it6，表面粗糙度为ra1.6μm。[0115]表1第一层聚类检索的结果[0116][0117][0118]通过双层检索模型中的第一层检索，输入目标零件的零件规格、零件材料、零件类型，进行第一层聚类检索，如表1所示为第一层检索-聚类的结果，该实例集被分为三簇，第一簇为动模座板和定模座板并且材料类型为45钢，第二簇为定模板和动模板并且材料类型为45cr，第二簇为顶针板和顶针垫板并且材料类型为45钢，目标零件所属聚类簇为3，将聚类簇3中所有的实例提取出来，作为第二层检索的实例集。[0119]如图5所示为基于knn算法的第二层检索流程图，在第二层检索时，首先根据层次分析法，对材料类型、材料硬度、平面的尺寸精度、平面的表面粗糙度、孔的类型、孔的尺寸、孔的加工精度、孔的表面粗糙度这八个属性c1-c8构建属性重要程度矩阵如表2所示，计算出各个属性的权重。[0120]表2模板类零件检索属性的判断矩阵[0121][0122]根据公式计算得到c1得权重w1。[0123][0124]同理可得：w2＝0.1589，w3＝0.1468，w4＝0.1047，w5＝0.0846，w6＝0.0800，w7＝0.0506，w8＝0.0440，并通过一致性检验。[0125]根据总体相似度计算公式(14)计算相似零件簇中实例的总体相似度，表3为目标零件第二层相似度检索属性值，根据属性的相似度计算公式，计算相似实例集中各实例每一属性的局部属性相似度，对所有局部属性相似度进行加权计算，得到每个实例的总体相似度，如表4为目标零件第二层检索-总体相似度计算结果。[0126]表3目标零件相似度检索属性[0127][0128]表4目标零件第二层检索-总体相似度计算结果[0129][0130][0131]根据总体相似度计算结果，进行相似度排序，可以看出实例x20和实例x18总体相似度大于90％，选择相似度最大的实例零件x20，将其工艺文件作为目标零件的工艺骨架，进而作为工艺重用修正的基础。表5为目标零件的特征信息。[0132]表5目标零件的特征信息[0133][0134]根据特征相似度计算流程，如图6所示特征相似度的计算流程图。对比最相似零件与目标零件在特征上的相似度。[0135]表6最相似零件x20与目标零件特征相似度计算结果[0136][0137]表6为最相似零件x20与目标零件特征相似度计算结果，根据特征相似度计算结果可以看出需要修正的局部特征，基于特征相似度的工艺重用修正模型，对于特征相似度不满足100％的特征所对应的工艺进行修正，即对工艺骨架中的工艺信息进行修正，修正的基础基于特征相似度，对其他相似实例中的特征进行特征相似度计算，查询可用的工艺信息，查询流程如图2所示。[0138]表7工艺骨架的工艺信息[0139][0140][0141]表8查询其余相似实例的局部特征所对应的可复用工艺信息[0142][0143][0144]表9经过工艺重用修正前后的工艺骨架信息[0145][0146][0147]表7为工艺骨架的工艺信息，表8为查询其余相似实例的局部特征所对应的可复用工艺信息，可以看出实例x18中的特征上下表面满足复用的条件，以及实例x21中的特征孔1、孔4、孔6满足复用条件，将这些特征对应的工艺信息提取出来，替换到工艺骨架中对应的位置，如表9所示为经过工艺重用修正前后的工艺骨架信息。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!