2. 郑州铁路职业技术学院, 河南 郑州 450052;
3. 河海大学 物联网工程学院, 江苏 常州 213022
随着CAD/CAM系统的不断发展和广泛应用, 大量的数字化三维CAD模型及关联的工艺数据/知识不断地生成并存储在企业的数据/知识库中, 而重用和共享这些资源已成为制造企业保持竞争优势的有效手段[1]。然而, 这些知识资源若得不到有效的统一表示, 将影响这些知识/数据在工艺设计过程中的重用和共享。到目前为止, 国内外学者已在工艺知识/数据的统一表示方面开展了诸多研究。在规则类工艺知识表示方面, Chen等[2]提出了一种基于参数化流程图的加工工艺知识表示方法。Wang等[3]提出了基于规则的制造特征加工方法选择知识表示方法。然而, 由于规则与实例类工艺知识相互交织较难分离的特点, 上述方法的扩展性存在一定局限性。在工艺实例类知识表示方面, 李春磊等[4]提出了加工特征几何演变的机加工工艺知识表示方法。Zhang等[5]提出了一种基于step-NC的加工工艺知识表示方法。然而, 上述方法对工艺知识的语义表示不足。Zhang等[6]针对一个加工操作(如车削、铣削等)相关的加工资源、加工刀具选择、加工策略决策等知识, 提出了基于本体的工艺知识表示方法。总体上, 以上方法从规则类、实例类等不同的角度描述了工艺知识的表征, 一定程度上实现了工艺知识的统一表示。另一方面, 基于知识的专家系统在工艺知识统一表示方面也获得了深入研究[7-8]。Chang[9]针对规则、实例等工艺知识, 开发了一个基于规则、框架等多种知识表示方法的加工工艺专家系统。然而上述方法局限于对现有工艺知识模型与专家系统的结合, 而对工艺知识的高层语义描述不足。事实上, 规则类和实例类工艺知识存在密切的语义关联关系。因此, 其实用性存在一定的局限性。
近年来, 由模式层和数据层组成的知识图谱技术在知识统一表征方面受到了日益关注和青睐, 其本质是构建具备语义处理能力和开放互联能力的知识库, 可以对现实世界的概念、关系等进行形式化描述[10]。其构建步骤为:首先从数据库中抽取能够反映其数据模式的概念、关系、属性等信息, 然后以此为基础建立统一数据模式引导下的数据的结构化表示。Zhang等[11]提出了一种基于子图语义距离和本体的金属材料概念、实体和属性等的抽取方法, 用以构建金属材料知识图谱。Kertkidkachorn等[12]研究了一种基于本体对齐的知识图谱自动构建方法, 其采用本体映射、元组抽取、指代消解、元组集成及谓词映射等五步实现自然语言文本的知识图谱构建。金贵阳等[13]提出了利用本体和语义网技术构建企业知识图谱的方法, 以实现对分散钢铁企业异构信息的集成表示和管理。从以上分析可知, 实体抽取和合并是知识图谱构建的关键。
基于此, 本文提出了面向工艺重用的工艺知识图谱构建方法图, 以实现经验规则和工艺实例的统一表征。
1 工艺知识图谱工艺知识图谱(process knowledge graph, PKG)是各类工艺知识在概念结点及关系下的实体扩充和丰富, 是一种结构化的语义知识库。工艺知识作为工艺知识图谱的表示对象, 其分类直接影响工艺知识图谱的最终形态。
1.1 工艺知识分类一般意义上的工艺知识其范围很广, 内涵也非常丰富。为了保证在数控工艺决策过程中快速、准确、及时地获得不同类型的工艺知识, 将数控工艺知识分为如下3类:
1) 规则类工艺知识
规则类工艺知识是从基于规则推理的角度描述工艺设计得以实现的依据, 是计算机可自动实现的工艺决策或推理。其主要来源于工艺设计手册、各类工程标准、专家经验知识等, 且是已经验证过正确的知识。目前主要依赖于人工总结。例如加工方法选择规则等, 这些知识对数控工艺决策具有重要的指导意义。
2) 共性工艺模板类工艺知识
共性工艺模板类是基于几何和工艺内容的相似性, 通过对出现频度较高的相似零件/局部结构/特征的加工工艺进行聚/分类生成的具有代表性、标准化的工艺知识。如对于材料为未淬火钢的孔, 其精度等级为8级, Ra为3.2 μm, 则加工方法为钻-扩-铰, 其本质为个性化实例知识。
3) 个性化工艺实例类工艺知识
个性化工艺实例类是已有规则和共性工艺模板类所未覆盖的特征/局部结构/零件的加工工艺个例, 即凡是库中存在的特征/局部结构/零件的加工工艺实例, 均可认为是个性化工艺实例知识。
1.2 工艺知识图谱构建的总体流程图 1给出了工艺知识图谱构建的总体流程, 主要包括3个核心步骤:
|
| 图 1 工艺知识图谱构建的总体流程 |
Step1 工艺知识图谱模式层构建。首先在step-NC的基础上, 通过映射规则获得工艺知识图谱基本模式层(process knowledge graph basic schema, PKGBS); 其次通过工艺知识解析, 抽取工艺知识概念及关系, 并采用相似度和相关度计算, 得到工艺知识图谱扩展模式层(process knowledge graph extensive schema, PKGES); 最后利用SWRL(semantic web rule language)表征经验规则知识, 以完成工艺知识图谱模式层(process knowledge graph schema, PKGS)的构建;
Step2 工艺知识图谱数据层的构建。在工艺知识图谱模式层的引导下, 利用潜在语义分析技术, 将加工工艺实例转化为结构化工艺知识图谱进行表示, 以实现工艺知识图谱数据层(process knowledge graph data, PKGD)的构建;
Step3 工艺知识图谱的生成。在前述的基础上, 完成工艺知识图谱的构建, 实现规则类与实例类工艺知识的统一结构化表征。
2 工艺知识图谱模式层构建工艺知识图谱模式层实际上是建立工艺知识模式, 相当于关系数据库的表结构, 存储的是经过提炼的工艺知识概念及概念间的关联关系, 是工艺知识图谱最核心的组成部分。为了保证工艺知识图谱的完整性、准确性和通用性, 采用自顶向下和自底向上相结合的方式, 定义数据模式。
2.1 自顶向下构建工艺知识图谱基本模式层为了减少工艺知识数据的冗余, 保证复杂多样工艺知识概念及概念之间关系的准确性及一致性, 采用自顶向下的方法, 即首先为工艺知识图谱定义数据模式, 从工艺知识最顶层的概念开始, 然后逐步向下将概念及概念的关系进行细化, 以形成准确的层次结构关系。此时, 以国际化工业标准step-NC为基础, 将标准中EXPRESS语言表示的与加工工艺知识相关的概念、关系映射为工艺知识图谱模式层的概念及层次结构关系。本文采用文献[14]的方法将step-NC中的概念、关系及层次结构映射到具有丰富语义表达的本体进行表示, 得到PKGBS。其具体的映射关联关系如图 2所示。从图可看出, step-NC表示示例通过两者的映射关系转化为本体表示, 其中标准中的hasSubtype和hasAttribute转化为本体模式中的结点关系。而标准中的SET[0:?]、SET[n:?]等Domain映射为本体模式中的Only, Max, Min和Some等Domain/Range。
|
| 图 2 step-NC与PKGBS之间的部分数据映射关系 |
由于实际的工艺设计不仅受限于加工特征, 同时依赖于加工特征包含的工艺属性信息, 例如尺寸公差、形位公差、表面粗糙度等, 而这些工艺要素信息在step-NC中考虑不足。因此, PKGES是在PKGBS的基础上采用自底向上的方法, 从工艺实例数据库出发, 抽取工艺知识概念和关系, 补充完善工艺知识的概念及概念之间的关系。主要包括工艺知识解析和工艺知识合并两步。
2.2.1 工艺知识解析工艺知识解析是在工艺实例库及工艺文件的基础上, 采用开源的斯坦福自然语言处理软件, 提取工艺知识中加工特征、工艺属性(如材料、尺寸公差、表面粗糙度等)、加工方法等概念及关系, 并构建实体概念关系图。
2.2.2 工艺知识合并工艺知识合并是将工艺知识解析得到的概念/关系与PKGBS中的概念/关系合并, 得到PKGES。其实质是比较PKGBS与工艺知识解析得到的概念间的语义相似性。包括以下2种情形:
Case1语义相似度。给定PKGBS概念集E={E1, E2, E3, …}和工艺知识解析概念集e={e1, e2, e3, …}, 则2个概念之间的语义相似度Csim(Ei, ej)为
|
(1) |
式中, 0≤Csim(Ei, ej)≤1, |Ei∩ej|表示Ei和ej共有的概念数目, |Ei|表示概念Ei的数目, 且|Ei|>0。当|Ei∩ej|=|Ei|时, Csim(Ei, ej)=1, Ei和ej的相似度为1, 此时PKGBS完全覆盖解析出的工艺知识概念; 当|Ei∩ej|=0时, Csim(Ei, ej)=0, 此时PKGBS未包含解析出的工艺知识概念, 则将解析出的工艺知识概念添加到PKGBS。当0 < |Ei∩ej| < |Ei|, 0 < Csim(Ei, ej) < 1时, Ei和ej语义相关, 此时需要计算语义相关度。
Case2语义相关度。语义相关度是通过计算工艺知识概念的语义上下文(每个概念包含的工艺属性信息)的相似性, 实现解析得到的工艺知识概念关系图与PKGBS的层次合并。给定概念ej的属性集为P(ej)={Pi1, Pi2, …}, 当P(ej)=null时, 则概念的语义相关性Crel(Ei, ej)为
|
|
(2) |
式中, Cdis(Ei, ej)表示结点Ei和ej的语义距离, 实质上为结点Ei到ej经过的路径长度。例如图 3中roughness与machining_feature的语义距离为2, 根据(1)式可知二者存在相同结点E, 此时Cdis(Ei, ej)语义相关度的计算转化为Cdis(Ei, E)和Cdis(E, ej)语义距离的计算, Cdis(Ei, E)表示PKGBS中结点Ei到E的语义距离, Cdis(E, ej)为解析得到的工艺知识概念关系图中结点E到ej的语义距离。另外, 若|Cdis(Ei, E), Cdis(E, ej)|存在多个语义距离数值时, 取最大值。
|
| 图 3 工艺知识合并示例 |
当工艺知识概念具有某个属性Pij∈P(ej)时, 其属性值为V(Pij)。由以下几种情形组成:①单一数值类型V1(Pij), 例如圆度公差值为0.03 mm; ②最大最小数值类型V2(Pij), 例如对于槽腔特征, 加工精度为IT8-IT9, Ra为3.2~6.3 μm; ③字符串数值类型Vstring(Pij), 例如材料类型为钛合金。则概念属性值的相似性Asim(P(Ei), P(ej))为
|
(3) |
在公式(3)基础上, 其概念的语义相关性Crel(Ei, ej)可以表示为
|
(4) |
式中, 0≤ω(P(ej))≤1表示属性信息的权重值。当属性信息为材料时, ω(P(ej))=0.55, 否则ω(P(ej))=0.45;I(Ei, ej)为概念Ei, ej的引导函数, 若解析的工艺知识概念ej包含属性信息, 则I(Ei, ej)=1;若Ei≠ej, 则I(Ei, ej)=0;另外, 若工艺属性信息未考虑时, α=1, 反之, α=0。虽然PKGBS的概念未能包括全部的工艺属性信息, 但是其工艺属性信息仍是工艺知识得以有效重用的基础, 因此, 本文α=0.5。
图 3为工艺知识合并示例。左侧为工艺知识解析得到的概念关系图; 右侧为PKGBS。对于解析的工艺知识概念, 由图 3可知, 概念workpiece和part共有概念数目为5, workpiece包括的概念数目为12, 则利用公式(1)和(2)可得, 两者的相似性为0.417, Asim(part, workpiece) < δ, δ为语义相似度最大阈值, 依据经验取δ=0.5。此时, 需要进一步计算概念part和workpiece的语义相关性, 利用公式(3)和(4), 可得两者的语义相关性为0.455, 由于Crel(part, workpiece)>ε, ε为语义相关度的最小阈值, 依据经验取ε=0.4, 则抽取的工艺知识概念及属性信息合并到PKGBS。另外, 对于解析的工艺属性信息, 如图 3所示, 抽取的制造特征pocket的roughness和precision等属性信息, 利用公式(3)和(4), 可得该属性信息与PKGBS中的pocket的语义相关性为0.556, 均大于ε, 此时roughness和precision属性信息合并到PKGBS, 以扩充PKGBS的概念及关系。而对于machining_feature、machining_operation等在PKGBS为已有概念, 不需要添加到PKGBS。
2.3 工艺知识图谱模式层PKGES利用本体进行对工艺知识进行形式化表达, 但对规则类工艺知识未能显式化表征。然而, 从实际工艺设计的角度分析, 工艺决策过程包含了对规则类知识的综合应用, 如先面后孔等, 而这些知识未在PKGES中显示表达。
为解决此问题, 利用SWRL规则语言将经验规则知识显式表达, 并统一于PKGES, 形成PKGS。其核心思想:①从已有设计标准及专家经验知识中提取规则知识; ②将提取的经验规则转换成可以用IF-THEN表达的形式; ③将IF-THEN的规则转化为SWRL表示的形式, 以实现对经验规则的语义表达。
例如, 先粗后精。若一零件上存在制造特征F1和F2, 相应的加工精度分别为IT1和IT2, 且IT1加工精度要求高于IT2, 则F2优于F1先加工。
PrecisionGrade(IT1)∧PrecisionGrade(IT2)∧Feature(?F1)∧Feature(?F2)HasPrecisionGrade(?F1, IT1)∧HasPrecisionGrade(?F2, IT2)∧greaterThan(?IT1, IT2)→FeatureMachiningPriority(?F1, F2)
3 工艺知识图谱数据层工艺知识图谱数据层是在PKGS的引导下, 将企业数据库中已存的加工工艺实例转化为结构化工艺知识图谱的过程。主要包括以下几个步骤:
3.1 工艺实例数据预处理定义.工艺实例数据形式化表示。将文档形式存储工艺实例数据利用向量空间模型(vector space model)形式化表示, 即
|
(5) |
式中, ti为工艺知识图谱模式层的第i个候选实体概念, ωi为ti相对于工艺实例数据的重要程度, n表示工艺知识图谱模式层的候选实体概念数量。其中ωi的计算采用TF-IDF(term frequency-inverse document frequency)方法得到。其具体的计算公式如下
|
(6) |
式中, {f(ti, ki)|ti∈ki}表示ti在工艺实例数据ki中出现的频率; {f(tj, ki)|tj∈ki}为工艺实例数据ki中出现所有候选实体概念的次数之和; K表示工艺实例数据集; |K|指的是工艺实例数据数量; |ki∈K|ti∈ki|表示包含ti的工艺实例数据数量; 若ti∉ki, 此时|ki∈K|ti∈ki|=0, 为解决此问题, (6)式可表示为
|
(7) |
通过(7)式, 可得到PKGS候选实体概念与工艺实例数据集的关联矩阵, 可表示为
|
(8) |
式中, n为PKGS的候选实体概念数量, m为工艺实例数据数量。
例如, 从工艺实例知识库中随机选取16个孔特征加工工艺实例数据, 依次编号为k1, k2, …, k16; 并从PKGS中得到孔径、加工精度、表面粗糙度、材料、深径比、批量、单件等14个候选概念; 若非淬火钢在ki1中出现的次数为1, 且16个工艺实例数据包含非淬火钢的数量为10;候选概念在实例k1中出现的次数之和为4, 则根据公式(7)计算非淬火钢在k1的权重ωi为
|
则, 依据公式(7)和(8)可得工艺知识图谱模式层候选概念与工艺实例的关联矩阵
|
其中, 矩阵的行表示PKGS候选概念, 列表示孔特征加工工艺实例, 同时矩阵中的数值表示PKGS的候选概念相对于该工艺实例的重要度。从矩阵K14×16可以看出, 存在较多的行列为0的情况, 可知该矩阵为稀疏矩阵。因此, 需要对原关联矩阵进行进一步处理, 以解决原关联矩阵的稀疏性。
3.2 PKGS引导下的工艺实例数据分析随着工艺实例数据的增加, 关联矩阵维数随之增加, 较易引起维数灾难。因此, 为了解决原关联矩阵的稀疏性和维数灾难, 引入潜在语义分析技术, 其核心是利用奇异值分解(singular value decomposition, SVD)对原关联矩阵进行降维分解, 以获取PKGS概念与工艺实例的特征语义空间。
设S是一个由PKGS和工艺实例映射生成的n×m阶矩阵, 即为Kn×m; 该矩阵的秩为r, 则可转化为n阶和m阶正交矩阵U和V
|
(9) |
式中, U为S的左奇异矩阵, 其行向量为S的左奇异向量, 即SST的特征向量, V为S的右奇异矩阵, 其列向量为SST的右奇异向量, λi为S的第i个奇异值(特征值)。
在奇异值分解的基础上, 保留前K个最大的奇异值, 其余奇异值设置为零, 矩阵U和V分别保留前n列和前n行, (9)式可转化为如下公式表示
|
(10) |
则经过(9)式和(10)式, 即矩阵S到SK完成了原关联矩阵的降维, 并得到了原关联矩阵Kn×m的潜在语义空间, 它保留矩阵Kn×m的大部分信息。其中, UK中每一行对应的是PKGS概念的向量表示, VK中每一列对应的是工艺实例的向量表示。则可以计算PKGS概念之间、概念及实例之间和实例间之间的相似性。本文只关注工艺实例间的相似性。则在潜在语义空间下实例间的相似度计算公式为
|
(11) |
式中, ki, kj分别表示工艺实例集KI中的2个工艺实例, 且i≠j; Vi, Vj分别第i, j个工艺实例向量; ‖ki‖2, ‖kj‖2为对应向量的二范数。由公式(11)可计算得到所有工艺实例间的相似度, 由计算得到-1≤Bsim(ki, kj)≤1。然而, 由于作为度量值其值应为非负, 则B′sim(ki, kj)定义如下
|
(12) |
利用公式(11)和(12)对关联矩阵进行计算可以得到工艺实例间的语义相似度。例如由上述公式可以得到K14×16孔特征加工工艺实例k7和k8的语义相似度为0.921 1。
3.3 工艺知识图谱数据层PKGD是在工艺实例间语义相似度得到的基础上, 采用K-means聚类算法, 将工艺实例数据转化为结构化工艺知识图谱表示。其具体转化过程如下:首先以PKGS的工艺属性信息为引导, 利用3.1和3.2节描述的方法对工艺实例数据进行处理及再利用公式(11)和(12)计算工艺实例间的相似度; 然后以工艺实例作为结点, 该工艺实例的具体工艺属性信息(如孔的材料、加工精度、表面粗糙度)作为结点属性, 采用K-means智能聚类算法对工艺实例进行聚类获得。
3.4 工艺知识图谱的形式化表示由上文论述可知, 工艺知识图谱由模式层和数据层组成。图 4为工艺知识图谱的形式化表示示例。其可看作是一张图G, 由PKGS、PKGD及两者的关系R组成, 即G= < PKGS, PKGD, R>, PKGD是在PKGS的引导下将工艺实例转化工艺知识图谱数据层进行结构化表示。模式图PKGS=<Es, Ns, Rs>, 其中Es表示概念结点, Ns为属性边, Rs表示多条边连接的概念之间的关系。数据图PKGD=<Ed, Nd, Rd>, Ed表示实体/实例结点, 如图 4中实体hole, IT8, 45#等, 以及实例k1、k2等, Nd表示属性边, 例如hole和Ra6.3相连的边, Rd为2个实例结点间的关系, 例如k5和k8的连接边, 其ω58为工艺实例的语义相似度。
|
| 图 4 工艺知识图谱的形式化表示示例(部分) |
图 5为基于工艺知识图谱的数控工艺方案生成流程。其主要包括4部分:三维CAD模型解析、工艺知识图谱、数控工艺重用与融合和数控工艺方案生成。其中, 工艺知识图谱是数控工艺方案生成的核心; 数控工艺重用与融合包括基于推理型工艺知识的工艺决策和基于相似工艺的工艺决策, 从PKGS和PKGD两个方面出发, 分别采用规则推理和语义检索相结合的方法获得工艺知识/数据, 而不是直接基于关键词匹配的方法获得相似的工艺知识和数据, 然后通过工艺融合生成数控工艺方案; 最终生成的数控工艺方案在工艺知识图谱中进行更新存储。基于工艺知识图谱的数控工艺方案生成的方法充分利用了工艺知识图谱的语义性和关联性, 缓解规则和实例较难分离的不足, 可以提高数控工艺方案生成的准确性和效率。
|
| 图 5 基于工艺知识图谱的数控工艺方案生成流程 |
接下来将从数控工艺数据分析、工艺知识图谱模式层和工艺知识图谱数据层3个方面详细论述工艺知识图谱的构建。
4.1 数控工艺数据分析本文构建的工艺知识图谱所使用的工艺知识和数据来于国际工业标准的数据模式、美国NDR(national design repository)系统数据库、互联网上零散的工艺数据、课题组成员多年积累的工艺数据及来自于手册、标准整理得到的102条规则知识。本文精简了基本相同及过于简单的三维模型及工艺数据, 将所有工艺数据以XML格式进行存储, 形成了由XML文件表示的工艺数据集, 共计包括237个工艺数据。
4.2 工艺知识图谱模式层PKGS本质上是建立本体模式。目前流行的本体编辑器有Protégé, WebOnto, Swoop等开源软件。本文采用Protégé作为PKGS建立的工具, 其为数据模式编辑提供了一种图形化的人机界面, 可以存储为XML, RDF, OWL等多种格式的本体文件。其中通过国际标准映射和工艺知识解析及其合并获得的概念数为289;并构建了层次、从属、引用和例证等4种类型工艺知识结点关系[16]; 以及102条SWRL表示的经验规则知识。其具体的系统界面可以参考本课题组前期的研究工作[16]。
4.3 工艺知识图谱数据层本文以Protégé编辑、存储得到XML形式的本体模式为基础, 以javascript为集成开发工具, 开发了JAVA环境下的工艺知识图谱构建与应用平台。
首先, 在工艺知识图谱模式层概念结点引导下, 对237个工艺实例数据进行预处理, 得到工艺实例的形式化表示; 然后将237个工艺实例数据转化为结构化工艺知识图谱表示(如图 6所示)。从图 6可以看出, 该工艺知识图谱数据包括237个工艺实例结点, 504个工艺实例边, 多个相似工艺实例聚合成4个簇、17个团。其中, 簇与簇间的实例没有关联, 而团之间实例存在较小的相似性, 团内实例间具有较大的相似度。例如图 6中团内实例k124, k125, k128, k129和k130, 此实例之间相似度最小为0.85, 最大为0.96。然而, 团间实例间的相似度较小, 例如实例k121与k128, k133的相似度分别为0.27和0.25。另外, 从图 6可以看出, 部分实例与其他实例拥有较多的关联, 呈现出较大的重要度, 例如图 6中k222与k98, k99, k102等11个实例相关联, 且与团内k98, k99, k102等实例具有较大的相似度, 然而与其他团内的实例k199, k201, k183等具有较小的相似度。
|
| 图 6 工艺实例数据的结构化工艺知识图谱表示 |
表 1和图 7给出了图 6中的部分加工工艺实例。其中k124, k125, k128, k129和k130工艺实例材料相同、具有较大的直径, 且公差等级相近, 采用的加工方法均有钻孔和铣孔, 相互之间具有较大的相似度。而对于实例k133和k122其Ra和公差等级要求均较高, 其中k133具有较大的直径, 需要对其进行扩孔加工, 但是两实例均进行了钻孔和铰孔操作。另外, 对于实例k121其孔径为10 mm, Ra和精度要求不太高, 分别为Ra12.5和IT10, 则采用的加工方法为钻孔, 与k128, k133和k122间存在一定的相似性, 但是相似性较小, 分别为0.27, 0.41和0.36。
| ID | 孔径Φ/mm | 深度/mm | 表面粗糙度/μm | 精度 | 材料 | 加工方法 |
| k121 | 10 | 1 | 12.5 | IT10 | 铝合金 | 钻孔 |
| k122 | 10 | 10 | 1.6 | IT7 | 合金钢 | 钻孔-铰孔 |
| k133 | 24 | 8 | 1.6 | IT7 | 合金钢 | 钻孔-扩孔-铰孔 |
| k128 | 50 | 14 | 6.3 | IT9 | 钛合金 | 钻孔-铣孔 |
| k124 | 50 | 8 | 3.2 | IT8 | 钛合金 | 钻孔-铣孔 |
| k130 | 50 | 7 | 3.2 | IT8 | 钛合金 | 钻孔-铣孔 |
| k125 | 192 | 8 | 6.3 | IT8 | 钛合金 | 钻孔-扩孔-镗孔 |
| k129 | 38 | 7 | 1.6 | IT8 | 钛合金 | 钻孔-铣孔-铰孔 |
|
| 图 7 工艺实例数据模型 |
针对现有复杂、多样工艺知识难以统一表示对工艺知识重用和共享的影响等问题, 本文提出利用工艺知识图谱统一表示加工工艺知识的方法。
与现有方法[2, 4, 6]相比, 本文方法的主要贡献包括:①将知识图谱技术引入工艺知识的表示中, 利用知识图谱的模式层和数据层分别对经验规则和工艺实例进行表示, 以弥补已有基于规则、框架等方法表示已有经验规则和实例数据较难分离的不足。②利用本体技术表示工艺知识图谱模式层, 充分利用本体技术的概念准确性、共享性和语义性等特点, 满足了工艺知识概念的统一语义表达, 更有利于计算机及工艺设计人员理解和解释。③采用知识驱动(自顶向下)和数据驱动(自底向上)相结合的方式完成工艺知识图谱的构建, 充分利用知识的准确性和数据的广泛性, 能够较好地支持后续实际工艺设计决策中综合考虑规则和实例类知识的需要。下一步的研究工作是将该方法应用于工艺知识管理和工艺知识推送, 拓展其应用范围。
| [1] | CHHIM P, CHINNAM R B, SADAWI N. Product Design and Manufacturing Process Based Ontology for Manufacturing Knowledge Reuse[J]. Journal of Intelligent Manufacturing, 2019, 30(2): 905-916. DOI:10.1007/s10845-016-1290-2 |
| [2] | CHEN W L, XIE S Q, ZENG F F, et al. A New Process Knowledge Representation Approach Using Parameter Flow Chart[J]. Computers in Industry, 2011, 62(1): 9-22. DOI:10.1016/j.compind.2010.05.016 |
| [3] | WANG W, LI Y, HUANG L. Rule and Branch-and-Bound Algorithm Based Sequencing of Machining Features for Process Planning of Complex Parts[J]. Journal of Intelligent Manufacturing, 2018, 29(6): 1329-1336. DOI:10.1007/s10845-015-1181-y |
| [4] |
李春磊, 莫蓉, 常智勇, 等. 几何演变驱动的机加工艺知识表示与推送[J]. 计算机集成制造系统, 2016, 22(6): 1434-1446.
LI Chunlei, MO Rong, CHANG Zhiyong, et al. Knowledge Representation and Push of Machining Process Driven by Geometric Variation[J]. Computer Integrated Manufacturing Systems, 2016, 22(6): 1434-1446. (in Chinese) |
| [5] | ZHANG X Z, NASSEHI A, SAFAIEH M, et al. Process Comprehension for Shopfloor Manufacturing Knowledge Reuse[J]. International Journal of Production Research, 2013, 51(23/24): 7405-7419. |
| [6] | ZHANG Y Z, LUO X F, ZHANG H, et al. A Knowledge Representation for Unit Manufacturing Processes[J]. The International Journal of Advanced Manufacturing Technology, 2014, 73(5/6/7/8): 1011-1031. |
| [7] | KIRITSIS D. A Review of Knowledge-Based Expert Systems for Process Planning Methods and Problems[J]. The International Journal of Advanced Manufacturing Technology, 1995, 10(4): 240-262. DOI:10.1007/BF01186876 |
| [8] | LIU Z K, WANG L H. Sequencing of Interacting Prismatic Machining Features for Process Planning[J]. Computers in Industry, 2007, 58(4): 295-303. DOI:10.1016/j.compind.2006.07.003 |
| [9] | CHANG T C. Expert Process Planning for Manufacturing[M]. Menlo Park: Addison-Wesley, 1990. |
| [10] |
徐增林, 盛泳潘, 贺丽荣, 等. 知识图谱技术综述[J]. 电子科技大学学报, 2016, 45(4): 589-606.
XU Zengling, SHENG Yongpan, HE Lirong, et al. Review on Kniwledge Graph Teehniques[J]. Journal of University of Electroric Science and Technology of China, 2016, 45(4): 589-606. (in Chinese) DOI:10.3969/j.issn.1001-0548.2016.04.012 |
| [11] | ZHANG X M, LIU X, LI X, et al. MMKG:an Approach to Generate Metallic Materials Knowledge Graph Based on Dbpedia and Wikipedia[J]. Computer Physics Communications, 2017, 211: 98-112. DOI:10.1016/j.cpc.2016.07.005 |
| [12] | KERTKIDKACHORN N, ICHISE R. An Automatic Knowledge Graph Creation Framework from Natural Language Text[J]. IEICE Trans on Information and Systems, 2018, 101(1): 90-98. |
| [13] |
金贵阳, 吕福在, 项占琴. 基于知识图谱和语义网技术的企业信息集成方法[J]. 东南大学学报, 2014, 44(2): 250-255.
JIN Guiyang, LYU Fuzai, XIANG Zhanqin. Enterprise Information Integration Based on Knowledge Graph and Semantic Web Technology[J]. Journal of Southeast University, 2014, 44(2): 250-255. (in Chinese) |
| [14] | BARBAU R, KRIMA S, RACHURI S, et al. OntoSTEP:Enriching Product Model Data Using Ontologies[J]. Computer-Aided Design, 2012, 44(6): 575-590. DOI:10.1016/j.cad.2012.01.008 |
| [15] | KANG S K, PATIL L, RANGARAJAN A, et al. Extraction of Manufacturing Rules from Unstructured Text Using a Semantic Framework[C]//ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, 2015 |
| [16] | LI X L, ZHANG S S, HUANG R, et al. Structured Modeling of Heterogeneous CAM Model Based on Process Knowledge Graph[J]. The International Journal of Advanced Manufacturing Technology, 2018, 96(9/10/11/12): 4173-4193. |
2. Zhengzhou Railuay Vocational & Technical College, Zhengzhou 450052, China;
3. College of IOT Engineering, Hehai University, Changzhou 213022, China
