[發明專利]基于ANN的特征制造行為序列構建方法

有效

• 申請號: 201110141453.2
• 申請日: 2011-05-27
• 公開（公告）號: CN102799700A
• 公開（公告）日: 2012-11-28
• 發明（設計）人: 郝泳濤;樓狄明;王力生
• 申請（專利權）人: 同濟大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/02
• 代理公司: 上海光華專利事務所 31219
• 代理人: 葉琦玲

技術領域

本發明涉及一種特征制造行為序列構建技術，尤指一種基于ANN(artificial?neural?network)的特征制造行為序列構建方法。

背景技術

產品模型數據是指為在覆蓋產品整個生命周期中的應用而全面定義的產品所有數據元素的集合，它包括為進行設計、分析、制造、測試、檢驗和產品支持而全面定義的零部件或構件所需的幾何、拓撲、公差、關系、屬性和性能等數據，另外，還可能包含一些和處理有關的數據。產品模型對于下達生產任務、直接質量控制、測試和進行產品支持功能可以提供全面的信息。

早期多采用CAD構建產品模型，但是，隨著特征識別技術的發展，已經逐步由CAD產品模型轉化為基于特征的產品模型，當前已提出了許多特征識別方法，其中有基于規則、基于圖，還有基于幾何解釋、體積分解等方法，這些方法都是通過與特征庫中已經定義的特征類型進行比較來識別特征。

然，現實中存在著多種多樣的復雜特征，特征庫中不可能包含所有的特征類型，也不可能為特征庫中所有的特征類型添加約束信息，利用上述方法不能識別特征庫中沒有定義的特征類型，有限的特征覆蓋域并不具有學習能力，而且識別效率也低。

因此，如何提出一種具有學習和反饋能力的特征制造行為序列構建方法，便成為目前業界急待克服的課題。

發明內容

鑒于上述現有技術的缺點，本發明目的在于提供一種具有學習和反饋能力的基于ANN的特征制造行為序列構建方法。

本發明的另一目的在于提供一種具有高識別效率的基于ANN的特征制造行為序列構建方法。

為達到上述目的，本發明所提供的基于ANN的特征制造行為序列構建方法包括：1)使用預先訓練好的BP神經網絡來識別以B-rep模型表示的產品，以識別該產品的所有特征，每一個特征對應一個特征加工方法；2)依據加工序列約束規則，建立針對所述所有特征的加工序列約束矩陣，并依據預存的工序樣例庫，對該產品的所有特征加工方法進行排序處理，以得到初始加工序列；3)利用約束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列約束矩陣，若是，確定初始加工序列為特征制造行為序列，并結束該構建方法，若否，進至下一個步驟；以及4)對該產品的所有特征加工方法重新進行排序，并返回至上一步驟。

上述步驟1)進一步包括：基于頂點拓撲關系圖的面積分矩陣訓練BP神經網絡，并據以識別以B-rep模型表示的產品。

此外，該加工序列約束矩陣是以如下公式表示：

C＝{f_ij}，其中，f_ij表示特征加工方法i與特征加工方法j的約束因子，i表示優先的特征加工方法，j表示i后面的特征加工方法，當兩個特征加工方法有明確的先后順序，則f_ij＝1；當兩個特征加工方法沒有明確的先后順序，則f_ij＝f_ji＝1；當兩個或更多個特征加工方法同時完成后，才進行下一個特征加工方法，此時，如果有n個特征加工合并，則所有的f_ij＝1/n；當兩個或更多個特征加工方法中的任何一個完成后，就可以進行下一個特征加工方法，此時，如果有n個特征加工方法平行，則所有的f_ij＝1。而加工序列約束規則為加工序列約束矩陣中的元素體現縱向所列的特征加工方法對橫向所列的特征加工方法的約束關系，具有以下的特點：特點(1)：當一個特征加工方法的橫向和縱向全為零，則表示此特征加工方法為自由的，即可以插入到制造行為序列的任一位置；特點(2)：當一個特征加工方法的橫向有非零值，而縱向全為零，則表示該特征加工方法可以為第一個工步，但不包括特點(1)中所述的自由的特征加工方法；特點(3)：當一個特征加工方法的橫向全為零，而縱向有非零值，則表示該特征加工方法可以作為最后一個工步，但不包括特點(1)中所述的自由的特征加工方法；以及特點(4)：當一個特征加工方法的橫向存在非零值和縱向均存在非零值，則表示該特征加工方法處于加工序列的中間位置。

上述步驟3)進一步包括：

3-1)針對該產品的所有特征加工方法中，按所述特點(1)找出自由的特征加工方法，在以下每個步驟中，如是檢查到是自由的特征加工方法，將初始加工序列鏈后退一步后，再按照以下步驟3-2)至步驟3-7)進行，否則，直接按照以下步驟3-2)至步驟3-7)進行；

3-2)從初始加工序列逆向一步一步匹配，首先檢查最后一個工步是否滿足特點(3)，若否，則進至步驟4)，若是，則進至步驟3-3)；