模糊分类树在CAPP零件分组中的应用探讨.pptVIP

基于聚类方法的CAPP动态零件库构建 报告人：金辉 主要内容 CAPP信息管理智能化的需要 已有的零件分类方案分析 问题和解决方法 聚类技术概述 距离等参数设置 聚类过程 划分子簇 聚类树构建 聚类树的优化和压缩 CAPP的知识信息智能化需要 工艺知识的复杂性 工艺知识总结工作量大，高层次的总结难度较大，这是CAPP应用的关键难点之一 工艺设计的复杂性 在制造业向计算机集成制造系统(CIMS)的发展转变中，随着CAD/CAM/CAPP集成与并行化的发展，工艺设计变得越来越复杂，寻找一种有效的CAPP 推理策略，成为CAPP研究的重点. 自动工艺流程图 工艺生成流 合理分类的前提 零件特征知识的合理表达 零件特征知识的充分获取 已有的零件分类方法 视检法 生产流程分析法 顺序分枝法 聚类分析法 编码分类法 零件信息管理中遇到的问题（1） 零件本身包含大量的难以精确表述的特征 零件之间的相似性不能充分表达，因此不能利用已有的相似零件的工艺信息 以往传统的零件数据组织形式已逐渐不能满足要求：不能反映零件之间的特征关系；零件数据库一般只有数据而没有内在规则。 零件信息管理中遇到的问题（2） 对于多品种生产企业，利用计算机辅助制造时需要收集、分析和处理大量的信息，若按照单一零件来存贮它们的工艺，生产信息，会造成信息的重复和检索的困难。 CAPP的系统运行在一个处于持久变化着的应用环境中，这包括所需制造数据的动态性，各决策机制所需知识的动态性，一个不能适应动态数据变化的数据库系统只能导致经验性的决策方式，而阻碍推理过程的智能化。 提出的解决方案 利用编码输入法的零件信息输入和生产流程的聚类分析方法 ，克服二者的缺点，着重解决以下问题： 1）确定合理的数据结构或零件模型对零件信息进行描述，能让提高计算机辨识零件聚类的准确度，并协助完成聚类工作； 2）寻找一种有效的零件在数据库的组织形式和智能聚类策略，在此基础上建立合理的工艺推理过程； 3）构造一种有着自学习自适应能力的零件数据库。使得零件在数据库中的排列位置更为合理，反映特征、功能上的内在联系； 4）数据库能及时反映零件信息的动态更新 零件聚类的特点 零件的分簇数事先是未知的 零件的编码虽然是用数值表示的，但大部分位并非真正意义上的数值，比如，第五位编码表示零件的基本形状，0表示无轴线孔，1表示非加工孔，2表示光滑单向台阶，等等，第十三、十四、十五位的数字大小有数值意义上，但是又不完全就是数值意义，如第十三位表示直径或长度，0表示小于或等于14mm，1表示在14mm到20mm之间，2表示20mm到58mm之间，等等。 聚类结果不一定是多维空间中的一个规则的超球体。但是，它们所属于的簇应该是相似度与自身最高的簇。 零件聚类中不存在某些聚类问题中需要特别处理的噪音或逃离点问题，因为输入的每条零件信息都是实际存在的零件。 聚类概述 High intra-class similarity Low inter-class similarity 聚类方法的质量还可以由该算法发现隐含模式的能力度量 聚类的应用（1） 聚类的应用（2） 土地使用：在土地测量数据库中，识别相似土地使用的区域 市场： 在客户菜篮中帮助商人发现不同的顾客群，以便他们利用这个知识开发有目的的市场计划 地震研究： 观察的地震中心应该聚集在大陆断层周围 聚类技术概述 分割算法 给定K值，找到优化所选的分区标准的K个簇 k-means (MacQueen’67): 每个簇由簇的中心代表 k-medoids or PAM (Partition around medoids) (Kaufman Rousseeuw’87): 每个簇由簇中的某个点代表 K-Means算法的改进算法 K-Modes (Huang’98)：处理非数值型数据 K-Prototype:处理非数值型数值型的混合数据 EM (Expectation maximization) PAM (Partitioning Around Medoids, 1987) CLARA (Kaufmann Rousseeuw, 1990) CLARANS (Ng Han, 1994): Randomized sampling 分层算法 BIRCH CURE ROCK CHAMELEON 基于密度的算法 基本思想 对于每个簇中的每个对象，给定的半径ε中的邻域（称为ε邻域）内必须包含至少(MinPts) 个对象。 只要邻域中的数据对象的密度超过某个阈值，这个簇就会加入新的点，不断的增长。 DBSCAN OPTICS DENCLUE CLIQUE 基于模型的方法 基于模型的