[發明專利]一種基于PLM數據庫面向DPIPP工藝信息的挖掘算法

有效

• 申請號: 201610173409.2
• 申請日: 2016-03-24
• 公開（公告）號: CN105787113B
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 雷金;彭衛平;竇俊豪;張秋華;蔣瑞;胡向陽;雷佻鈺
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/903
• 分類號: G06F16/903;G06F17/16
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

1.一種基于PLM數據庫面向DPIPP工藝信息的挖掘方法，其特征在于，包括：

步驟1，數據進行預處理的步驟：對數據進行規范化處理；數據規范化是將原始數據的格式進行統一，并將源數據轉化到同一個度量單位上，這樣做可以消除原始數據對計算結果的影響；本發明采取的規范化方法如下：對于結構屬性，它表示產品或零件的結構參數，為數值型數據且大小不一；因此需要將這些數據轉換到同一個度量單位上，然后將這些數據映射到同一區間，最后將所有數據保留相同的有效位；為便于后續的計算將結構參數映射到[0.00,1.00]之間，并統一保留小數點后兩位有效數字；經過轉化之后，每個結構參數將變為取值范圍統一的無度量值；

步驟2，對產品進行聚類分析的步驟：具體方法是：首先設置聚類參數：K、C、α、a，其中，K代表聚類的個數，C為聚類代表點數，α為聚類收縮因子，a為閾值；對于一個由p個組件構成的產品模塊，每個組件的某個屬性(結構、功能或工藝)有n個參數，建立其屬性參數矩陣如下：

首先從源數據中抽取一個隨機樣本S，將樣本S分割為一組劃分；然后對每個劃分進行局部聚類，聚類時首先將每個對象看作一個類，計算出所有類之間的距離，取距離最近的兩個類進行合并，合并后的類被當作一個新的類；然后按照收縮因子α從合并后的類中選出C個代表點，這些代表點將代表該類繼續與其他的類進行聚類，直到類的數量達到預先設定的值K；在聚類過程中，如果一個類增長地太慢，就將該類去掉；根據上面的過程可以知道，聚類前需要確定的參數有：需要聚類的個數K，聚類代表點數C和聚類收縮因子α；其中K依據聚類需求進行確定；C依據數據規模進行選取，大規模數據就取較大的值，小規模數據就取較小的值；α取值在0.2～0.7之間聚類結果較好；

步驟3，進行局部聚類的步驟：在準備好聚類數據后需要對選出的樣本用基于歐式距,離公式改進算法進行局部聚類，用聚類算法挖掘出產品模塊工藝之間的相似性，得出產品模塊工藝等價模型，具體是：

聚類時將距離最近的兩個類進行合并，類X和類Y之間的距離用函數d(X,Y)來表示；定義由p個組件構成的產品模塊Mp和由q個組件構成的產品模塊Mq的參數矩陣分別如下：

它們之間距離計算公式如下：

該公式首先計算兩個模塊間產品間的距離，然后將所有距離求和，最后將和值標準化，使距離d(Mp，Mq)∈[0，1]；該距離公式可以計算維度不相等的兩個模塊間的距離，并滿足一般距離公式的要求，即：d(A,B)＝d(B,A)；d(A,A)＝0；

最后基于類間合并方法控制相似度μ進行距離合并：首先令相似度μ＝1-d，由d的取值范圍可知μ∈[0.00，1.00]；然后選取一個聚類相似度閾值a，該閾值根據企業自身需求選取，可選取以下方法作為參考：選取多組明顯相似的產品數據，按照本方法進行相似度計算，取各組計算相似度值的平均值為閾值a；在計算出所有類間的相似度μ后，取μ≥a的類，也就是選取出相似度為a以上的類。

2.根據權利要求1所述的一種基于PLM數據庫面向DPIPP工藝信息的挖掘方法，其特征在于，在完成一次聚類后，按照CURE算法的流程，需要從合并后的類中取出代表點參與后續的聚類；CURE算法中，類的代表點通過如下方式產生：首先計算類的中心點，第一個點為該類中離中心點最遠的點，第二個點為離第一個點最遠的點，依次類推，直到取出最多C個點，然后將這些點按照收縮因子α向中心點收縮，經過收縮后的點就是該類的代表點；這樣取出的代表點可以真實地反映出該類的形狀；在對產品模塊聚類分析時，由于每個模塊的屬性參數是一個矩陣，因此先將每個參數矩陣看做一個點，然后按照中心點計算公式計算出中心矩陣，再根據收縮因子α計算出代表矩陣；定義類Lp和類Lq合并為一個新的類Lp,q，以|Lp|和|Lq|分別表示這兩個類所含產品模塊的個數，以Lp.mean和Lq.mean分別表示這兩個類的中心矩陣，以Lp,q.mean表示合并后的類的中心矩陣，以Lp,q.rep1,Lp,q.rep2，……，Lp,q.repC表示合并后的類的代表矩陣，那么代表矩陣的計算過程是這樣的：

首先按照下列公式計算出中心矩陣

然后按照收縮因子α計算出代表矩陣

Lp，q·repi＝Li+α*(Lp，q·mean-Li)

取出代表矩陣后由代表矩陣代表合并后的類參與后續的聚類，依次進行下去，聚類時剔除掉過小的類和增長過慢的類，直到所有類停止增長或者達到所需要的聚類數k；在使用本發明提出的類間合并方法后，后續聚類時需要將所有代表矩陣間的相似度計算出來，然后同樣通過控制相似度μ完成類間合并；由于采用了控制相似度閾值a的方法，合并時需要進行一次重復性篩選，剔除重復的類；需要說明的是不像最小距離聚類，每次聚類無論怎樣都會有兩個類被合并，在采用控制相似度閾值a的方法后，聚類時可能會出現所有類不再增長的現象，這是因為現有的所有的類的相似度達不到相似度閾值a，因此在所有類不再增長時會停止聚類。