神经索引实例与知识推理的混合型智能CAPP策略.docxVIP

PAGE 1 PAGE 1 神经索引实例与知识推理的混合型智能CAPP策略  1、引　　言  　　在制造业向计算机集成制造系统(CIMS)的发展转变中，计算机辅助工艺设计（CAPP）是CAD/CAM集成的关键环节.而随着CAD/CAM/CAPP集成与并行化的发展，工艺设计变得越来越复杂，要获得优化的和标准化的工艺规程，无论是单一的派生式(variant)还是创成式(generative)CAPP系统均难以胜任.所以查找一种有效的CAPP推理策略并使其具有较强的通用性，成为CAPP研究的重点.目前在国内外出现的一些以专家系统为核心的智能型CAPP系统中，大多数基于产生式规则的推理机制中，仍存有工艺专家经验学问获取困难，学问的表达与推理方法简洁，工艺决策掌握策略欠敏捷、缺少自学习能力等缺点.  基于实例的推理(Case-BasedReasoning，CBR)是一种典型的利用以前的实例和经验进行推理的、新的问题求解机制.它求解问题简洁快速、效率高；实例库的建立比较便利，不一定需要专家参与；实例库的维护、学习比较便利.这些优越性使得CBR在学问抽取比较困难或学问比较缺乏的工艺设计过程中特别有用.采用基于反向传播算法的多层前馈式神经网络(BP网络)和自适应共振理论网络(ART1网络)，可以实现基于加工特征的零件家族的动态聚类与从聚类模板到每一实例的索引，并在此基础上实现层次式的神经索引和相应的检索操作.这种并行、分布式的神经网络分类处理过程大大提高了实例的检索效率.  　　本文将嵌入神经网络模型的实例推理与学问基推理结合起来形成了智能CAPP系统的混合式推理策略.由于既汲取了派生法的类比思想，又具有创成的功能，系统的适应性和推理决策效率都得到较大的提高.  2、系统总体结构及混合式推理策略  　　本系统采用实例推理与学问基推理分别进行的混合方式，二者的协调和掌握由元推理机完成，图1是该系统的总体结构.其中，实例推理机具有对实例的编码、提取和存储等功能，基于学问的推理机可以生成、修改零件的加工性检查维护.最终的工艺设计方案结果可存入实例库作为将来设计的参考实例.  图1基于实例与学问的CAPP系统的总体结构  3、基于耦合神经网络实例推理的关键技术  3.1　面向对象的实例表达  　　工艺设计实例由基于特征的零件描述和相应的工艺规程组成.以具有明确工程语义的特征作为构造实例零件模型的基本单元，采用面向对象的方法，零件的主外形特征、附加其上的辅外形特征和精度特征以及材料特征都以参数的形式被模型化为抽象的对象类，其中封装了设计功能、几何定义、可制造性等多重属性.图2所示即为回转体类零件实例信息的分层表达模式.  图2零件特征的类层次结构  　　同样，将工艺设计中的加工工序、加工工步、机床、刀具、夹具等抽象化地描述为对象类的层次结构.用二叉树结构表示工序/工步，一个工序节点下挂工步和装夹两棵子树.其中工序节点包括工序号、工序名、加工设备等，工步伐树的节点包括工步号、工步名、加工对象（特征）、刀具、量具、切削参数、工时定额等，装夹子树的节点包括夹具和装夹位置.实例工艺的表达如图3所示.  图3实例工艺的类层次表达  3.2　基于神经索引的实例检索  　　将实例划分为“零件级－聚类模板级－实例级”三个层次.其中，聚类模板显式地描述了聚类于该模板下全部的基于特征的实例零件的信息模型，其结构和零件级的分类层次分别对应于一种多叉树结构，而这种结构与神经网络的典型连接模式极为相似.所以本系统用具有动态分类功能的BP网络来建立神经索引模型.  　　从基于特征的零件信息模型中抽取合适的特征作为神经网络的输入，经过BP网络训练，便得到零件级各类的神经索引模型.同一工艺设计族的零件由于材料、加工精度、尺寸、尺寸范围等不同，其加工顺序和方法也不尽相同.因此需要依据同一类零件工艺及加工方法的不同，采用自组织神经网络或改进的BP网络对其进行动态聚类，结果为一系列的聚类模板.聚类于每一模板下的零件属于同一加工族.用户可以依据动态分类结果交互地定义相应的模板结构.最终，将这种模板结构表达为特征的复合模式并用神经网络来记忆，实例的索引便转化成基于神经网络树结构的编码和记忆.其实现算法如图4所示.  图4基于神经网络的实例记忆模型  3.3　实例修正  　　与神经索引模型的三层结构相对应，实例修正的记忆学习算法涉及神经索引模型三个层次的神经网络的重新训练，其过程描述如下：  　　读入目标零件的求解过程记录，假如实例提取成功，则显示实例零件和目标零件模型及其工艺规程，并显示实例使用记录.此时用户若打算用目标零