Toward a framework of extracting typical machining process routines

Toward a framework of extracting typical machining process routines based on knowledge representation learning

Toward a framework of extracting typical machining process routines based
on knowledge representation learning (提出了一种基于知识表示学习的典型加工流程提取框架)

2024 Advanced Engineering Informatics

摘要

随着CAPP系统的应用，制造企业积累了大量的零件工艺数据，是重要的战略资源。深入挖掘这些工艺数据中隐藏的价值，提高工艺知识的重用率是实现工艺规划智能化的关键。本文建立了一种基于知识表示学习的典型加工过程例程提取框架。首先，建立了描述加工过程的“零件-材料-工艺-机床-刀具”关系的两个图模型，通过图结构的连通性直接表示加工数据的语义。一个模型遵循标准的流程路线，而另一个模型进行了一些修改，使节点“部件”具有更多的内链接和外链接。然后，利用TransD算法将基于两种模型的实体和关系映射到密集的低维实值空间中，从而确定较好的模型。然后，对代表较优模型零件的向量进行聚类，结果表明，操作顺序相似、使用相同刀具和机床加工的零件可以聚到同一聚类中。该方法突破了传统根据零件特征进行分类的单一性和局限性。

进一步，从聚类结果中提取tmpr，验证这些向量的语义表达能力。最后，将研究成果的主要功能打包到相应的软件模块中。与现有的流程重用方法相比，该框架具有更高的效率和可扩展性。

结论

从表面上看，形成的历史过程数据是由离散的符号组成的，符合各种要求和规则，具有逻辑关系。本质上，它反映了这些离散符号所表示的过程元素之间的语义关系。与其他流程重用方法相比，本方法具有两个明显的优点:1.流程重用;更好的泛化。流程路径建模是流程重用的基础。现有的方法，如定义设计结构矩阵[4]或集成多维制造信息[7]等，都比较复杂，不能涵盖工艺规划的所有要素，难以进行动态扩展。本文采用三元组来表示各工艺要素之间的关系，采用图的结构来描述工艺路线。对于切削操作，我们定义了“use_tool”和“in_machine”的关系来表示所需的机床和刀具。当需要向其他类型的操作添加内容时，只需定义适当的新关系即可实现。因此，该方法具有较强的可扩展性，易于适应不同类型制造企业的需求，具有较好的泛化能力。计算简单、高效。该方法基于TransD，参数少，计算效率高。该方法将三元组变换为密集的低维实值向量，可用于工艺相似性计算和典型工艺路线提取，实现了高效的工艺重用。

工艺重用是一个动态过程，它应适应新产品和制造资源的变化。我们未来的研究方向主要集中在两个方面:(1)通过引入和整合更多其他KRL算法，定义一种动态的过程重用策略，进一步提高过程的准确性;(2)开发基于kg的加工工艺问答系统，实现智能化工艺规划。