摘 要：提出了一种新的工艺实例推理算法，实现了工艺知识的重用，利用了自组织竞争型神经网络在模式识别和聚类分析方面的优势，对变异式CAPP进行改进，较好地解决了CAPP系统的分类检索效率比较低和检索相似工艺实例不够精确的问题，并取得了良好的应用效果，并通过仿真实例也证明了该方法是可行的。

　　关键词：自组织竞争神经网络;实例推理;计算机辅助工艺设计

　　中图法分类号：TP391.7 文献标识码：A

　　Abstract: Having proposed an new algorithm of Process-CBR, made Process knowledge reusing come true. SOM neural networks has good performance in pattern recognition and cluster analysis, so the author utilize the superiority of SOM to improve the Variant Process Planning, which has resolved some problem, the efficiency of this system is relatively low, categorizing and retrieving the resemble case is not enough accurate. Finally achieved good results in the applications, and also through simulation prove that the method is feasible.

　　Key words: Self-organized Maps;Case-Based Reasoning(CBR);CAPP

　　0 引言

　　工艺实例推理是现代CAPP(Computer-Aided Process Planning)工艺决策的主要决策方法，其推理算法的有效性直接影响到CAPP工艺决策的效率，因此研究一种有效的推理算法是保证CAPP工艺决策准确性的重要内容。然而传统的形似性工艺算法用来匹配工艺实例的过程过于机械，容错率比较低，很难满足CAPP通用化要求。作为人工智能的重要工具——神经网络具有很强的信息容错性、鲁棒性、自组织、自学习和自适应能力，这对变异式CAPP工艺知识组织表达以及后期知识的扩充有着很大的帮助作用。本文将采用自组织竞争型网络作为工艺推理的基本算法，对工艺实例推理进行进一步的研究，并提出可行性方案。

　　1 基本原理和方案确立

　　1.1 自组织映射算法

　　自组织映射(Self-organizing Maps，简称SOM)是一种拓扑保持的映射，它模拟大脑神经系统的自组织特征映射功能，是一种竞争式学习网络,在训练中能无监督自组织学习给出n维输入向量P=(P1, P2,…, Pn)T，自组织映射网络的算法步骤如下：

　　1)初始化 确定网络结构,包括输出层形状结构等,然后确定输出神经元个数,并对神经元权向量赋初值,设为wj=(wj1, wj2,…, wjn)T ，(j=1,2,…,m)，其中m为神经元个数。

　　2)竞争 通常采用欧氏距离作为判别函数，计算p与权向量的函数值,竞争规则如下：‖p- wg‖=min‖p-wj‖ (j =1,2,…,m)。从而确定神经元g为获胜者。[1]

　　3)权值修改 以神经元g为中心确定协作邻域，对于邻域内神经元j，修改权值wj(t+1) = wj(t) + η(t) hjg(t)[p- wj(t)]，式中η(t)为第t次迭代的学习率，0<η(t)<1;hjg(t)为拓扑因子。

　　从上述讨论可知，对于训练好的自组织映射网络，其神经元权向量的空间分布能反映输入向量的统计特征。因此，SOM经常用于模式识别和聚类分析。

　　1.2 工艺实例推理

　　一个基于CBR的应用系统最基本、最核心的理论问题就是相似性定义及其度量。它直接影响到能否高速而又有效地从实例库中检索出尽可能少的与目标零件最相似或相关的工艺实例。在此基础上，将CBR应用于CAPP系统，至少需要解决五个问题：工艺实例表达与输入、工艺实例分类与索引、工艺实例检索与提取、工艺实例修改与评价。工艺索引是根据某种分类策略将实例库中的所有实例划分、聚合成具有一定层次结构的不同类别，并实现对分类结果的标识和记忆。而实例检索与提取则是根据目标零件的工艺要求、初始条件及设计约束检索实例库，并从中提取一组与目标零件最相似的实例，从而完成工艺的设计。

　　传统的工艺实例推理在工艺分类与索引、工艺实例的检索与提取过程中，往往采用一些生硬的算法，首先要对新零件与每个实例进行材料类型的匹配、热处理的匹配、毛坯类的匹配、主特征的匹配以及辅特征的匹配，算出相似性系数，最后找出相似性系数最大值，从而实现了新零件与实例的工艺匹配。但是，这种算法存在着固有的缺陷：1)算法的柔性太差，造成匹配的精度低;2)运算过程过于复杂，使系统的运行效率降低;3)人为干预过多，智能化程度低。而采用SOM的工艺实例推理能够较好的解决这些问题，下面将详细介绍这种方法在工艺实例推理中的应用。

　　2 SOM在工艺实例推理中的应用

　　2.1 特征参量选择与编码

　　在CAPP系统的信息输入过程中，确定零件的几何、精度和工艺特征都是非常关键的环节，所提取的特征参数的有效性和准确性直接影响工艺决策的结果。一般从以下几个方面进行零件特征提取：1)几何信息 包括零件的基本形状和尺寸范围;2)精度信息 包括最高尺寸精度和形位精度;3)工艺信息 包括材料种类、毛坯种类和热处理种类等。

　　为了和后续CAPP的系统的零件数据编码一致，应根据零件的结构特征和工艺特性将零件信息转换位二进制输入模式。下面是根据成组技术(GT)的思想所建立的轴类零件二进制编码。其编码规则由八个方面的(25=32)32个码位组成，如表1所示：

　　表1 零件特征参量

　　Cha.1 Feature parameters 基

　　本

　　类

　　型 0 双向阶梯轴 材

　　料

　　种

　　类 16 铸铁 1 单向阶梯轴 17 碳钢 2 细长轴 18 合金钢 3 齿轮轴 19 其他材料 4 自定义类型 热

　　处

　　理

　　种

　　类 20 调 质 形

　　状

　　特

　　征 5 主通孔 21 正火(退火、时效) 6 中心(螺纹)孔 22 淬火 7 键槽 23 渗碳(渗氮)淬火 8 其它特征 24 其他热处理 径

　　向尺

　　寸 9 Dmax<10 最高

　　尺

　　寸

　　精

　　度 25 < IT4 10 10≤Dmax<30 26 IT4~IT7 11 30≤Dmax<60 27 IT7~IT10 12 Dmax≥60 28 > IT10 轴向尺寸 13 Lmax<100 形

　　位

　　精

　　度 29 径向跳动和同轴度 14 100≤Lmax<400 30 端面圆跳动和垂直度 15 Lmax≥400 31 其他形位精度要求 2.2 工艺实例推理样本集的建立

　　根据模式识别原理，每一个工艺设计实例都是一组不同特征信息的集合。因此，每一个实例都可以看做是一个模式，相应地，实例分类也就对应于模式分类。众所周知，模式分类是神经网络最基本的功能之一。自组织竞争网络等无导师竞争学习网络能达到很好的动态聚类效果。显然，采用SOM网络能够满足实例分类与索引中的聚类的要求。

　　当对一个零件进行编码时，若某个零件实例信息特征符合码位含义，则该码位置“1”，否则置“0”。选择10个轴类零件实例进行编码，可以得到由10个二进制编码组成的训练样本集，如表2。

　　表2 零件信息编码

　　Cha.1 code of parts information 实 例 零件信息的输入 Case0 10000001000100001010000010100110 Case1 00100101000010100000101000100110 Case2 01001000101000010000000100010011 Case3 00100100100100000110000011000110 … … … … Case6 00010110001000010000000001000101 Case7 10000000100100100001101110100110 Case8 00100110000100000100001101000110 Case9 10000110000100000101001110100110 2.3 SOM 神经网络学习与训练

 1/2    1 2 下一页 尾页