基于知識重用的刀具選配技術(shù)研究

中航工業(yè)沈陽黎明航空發(fā)動機(jī)（集團(tuán)）有限責(zé)任公司 李 新 徐 寧

作為制造資源的重要組成部分，刀具的合理選擇對產(chǎn)品的生產(chǎn)效率及加工成本等方面有著很大影響。隨著新刀具材料和新刀具結(jié)構(gòu)不斷涌現(xiàn)，刀具的種類不斷增多，給刀具選配帶來了很大的難度。傳統(tǒng)的依靠技術(shù)人員的知識和經(jīng)驗，并查閱相關(guān)手冊和規(guī)范來選擇刀具的選配方式已不能適應(yīng)企業(yè)信息化的需要，故開發(fā)出適應(yīng)現(xiàn)代企業(yè)發(fā)展要求的刀具選配系統(tǒng)成為機(jī)械加工企業(yè)的迫切要求。

刀具選配是一個利用以往知識和經(jīng)驗來解決新問題的過程，目前前人的經(jīng)驗不能很好地被推廣和保留。基于實例的推理（CBR）是一種類比推理方法，可以利用以往解決問題的成功經(jīng)驗來解決當(dāng)前的問題，實現(xiàn)了對已有知識的重用。實例庫比規(guī)則庫容易構(gòu)造、維護(hù)，而且推理速度快，有較強(qiáng)的學(xué)習(xí)能力，并且對于制造企業(yè)而言，實例比規(guī)則更容易獲得。

本文主要研究了基于知識重用的刀具選配技術(shù)，結(jié)合實例推理技術(shù)理論，直接使用以往的刀具選配方案來解決當(dāng)前的選配問題。提取了刀具選配實例的特征，給出了刀具選配實例的知識表示。對實例的檢索策略、相似度的計算等實例推理的關(guān)鍵技術(shù)進(jìn)行了研究。

1 刀具選配知識提取

1.1 刀具選配特征

根據(jù)刀具智能選配的實際需要，將選配的基礎(chǔ)信息劃分為3個部分：工件信息、加工方法和刀具信息。需要對這些基礎(chǔ)信息進(jìn)行分類、歸納、提取，轉(zhuǎn)化為刀具選配知識庫中的知識，用于與刀具選配歷史方案匹配，選出合適的加工刀具。

刀具選配過程需要的工件信息主要包含工件形狀、加工面類型、工件材料、加工精度和表面質(zhì)量。工件按形狀進(jìn)行分類可分為軸類、套筒類、活塞類、連桿類、齒輪類、箱體類等；將加工面可分為平面、曲面、端面、外圓、光孔、階梯孔、直槽、圓弧槽、倒直角、倒圓角、螺紋等類型；工件材料包含材料牌號、硬度范圍、熱處理方式等；加工精度采用公差等級來衡量，公差等級值越小，加工精度越高，反之，加工精度越差；表面粗糙度是目前表面質(zhì)量考核最常用的指標(biāo)。

在對工件信息進(jìn)行了分析之后，需要綜合考慮各種加工方法的優(yōu)缺點，選擇合適的加工方法。將基本的切削加工方法劃分為車削、銑削、鉆削、拉削、刨削、磨削等[1]。

刀具信息包括刀具材料和刀具幾何參數(shù)。根據(jù)不同刀具材料可將刀具分為工具鋼（包括碳素工具鋼、合金工具鋼）、高速鋼、硬質(zhì)合金、陶瓷和超硬材料（包括金剛石、立方氮化硼等）5大類[2]。刀具切削部分的材料確定以后，它的切削性能便由其幾何參數(shù)來決定。主要涉及的刀具幾何參數(shù)包括切削刃形狀、前角、后角、主偏角、副偏角、刃傾角、刀尖、刃區(qū)形式等。

1.2 刀具選配知識表示

知識表示是一種用來在專家系統(tǒng)的知識庫中對知識編碼的方法[3]，目前對知識表示方法的研究已經(jīng)比較深入，常用的知識表示方法主要有語義網(wǎng)絡(luò)表示法、產(chǎn)生式表示法、框架表示法、面向?qū)ο蟊硎痉?、謂詞邏輯表示法、基于本體的知識表示法等[3-5]。經(jīng)過對常見知識表示方法的綜合比較，產(chǎn)生式表示法便于知識的獲取和知識庫的維護(hù)，本文采用產(chǎn)生式表示法作為知識表示的基礎(chǔ)，同時結(jié)合粗糙集理論對實例庫進(jìn)行優(yōu)化，提升刀具智能選配系統(tǒng)的檢索匹配效率。

產(chǎn)生式表示法很適合于表示因果關(guān)系的知識，在語義上它可以表示成“如果P，則Q”的因果或推理關(guān)系。其一般形式為：

#IFXThenY或X=＞Y，含義為“如果前提X成立則有結(jié)論Y”。其中#為實例編號，X為刀具選配實例的前提條件，Y為刀具選配結(jié)果。刀具選配實例的前提主要包括加工工藝、工件材料、加工面類型、加工尺寸、加工精度、表面粗糙度等加工信息，選配結(jié)果中主要包含刀具編號、刀具的材料、類型、幾何參數(shù)等信息。前提X是多個子前提的集合，如：X＝X1∧X2∧（X3∨X4）∧…∧Xn，同樣，結(jié)論Y也是多個子結(jié)論的集合。以車削加工為例：

a1：加工工藝；a2：工件材料；a3：加工面類型；a4：工件直徑；a5：表面粗糙度；d：刀具編號。

刀具選配實例1～4的產(chǎn)生式表示為：

IFa1=車削 ANDa2=碳鋼 ANDa3=外圓 ANDa4=20 ANDa5=1.6 THENd=#1；

IFa1=車削 ANDa2=碳鋼 ANDa3=端面 ANDa4=20 ANDa5=3.2 THENd=#2；

IFa1=車削 ANDa2=鋁合金 ANDa3=外圓 ANDa4=20 ANDa5=6.3 THENd=#2；

IFa1=車削 ANDa2=碳鋼 ANDa3=端面 ANDa4=18 ANDa5=3.2 THENd=#1。

隨著實例庫中刀具選配歷史實例的不斷擴(kuò)充，實例的數(shù)量將會變得非常龐大，從中檢索出合適刀具選配方案的效率將明顯降低，需要對刀具選配實例庫進(jìn)行優(yōu)化。本文采用粗糙集理論對刀具選配實例庫進(jìn)行優(yōu)化，主要思想是在保持分辨能力不變的前提下，通過知識約簡，導(dǎo)出問題的決策或分類規(guī)則[6-7]。首先應(yīng)對實例庫進(jìn)行數(shù)據(jù)預(yù)處理，主要包括決策表的補(bǔ)齊和離散化；然后經(jīng)過屬性約簡和值約簡，刀具選配決策表信息量得到很大程度的精簡，并盡可能地保持了原有的分辨能力，明顯提升了刀具選配效率。

2 刀具選配推理機(jī)制

2.1 刀具選配推理流程

綜合考慮刀具選配的特點和各推理集策略的優(yōu)缺點，本文選用實例推理的方式進(jìn)行刀具智能選配[8-9]?；趯嵗评淼膶＜蚁到y(tǒng)主要涉及實例的知識表示、索引、檢索、修改和學(xué)習(xí)等模塊，推理過程一般由檢索、復(fù)用、修正和保留這4個主要過程組成[10]，如圖1所示。

當(dāng)進(jìn)行新問題求解時，實例推理系統(tǒng)通過搜索和相似度計算，從實例庫中找出與新問題相似的舊實例。將檢索出來的最相似實例的解決方案應(yīng)用于新問題的解答，給出新問題的建議解。當(dāng)復(fù)用的結(jié)果不理想時，需要進(jìn)行修正處理，給出新問題的修正解。將修正后的新實例添加到實例庫中，并建立有效的實例索引，供以后使用，實現(xiàn)了對實例庫的不斷更新。

圖1 實例推理（CBR）的流程Fig.1 Work processes of CBR

刀具智能選配系統(tǒng)進(jìn)行選配時，需要輸入加工工件信息，作為刀具選配實例推理的檢索條件，檢索出與之最相似的歷史選配方案，將相似選配實例的相似度與給定的閾值進(jìn)行比較，閾值的大小由專家設(shè)定，當(dāng)相似度大于給定閾值時，直接將相似選配實例的解決方案復(fù)用到新問題中，即當(dāng)前加工工件與相似選配實例選用同一型號刀具，新的選配實例不必添加至選配實例庫，以免數(shù)據(jù)冗余。當(dāng)相似度小于給定閾值時，說明實例庫中沒有與新問題相匹配的實例，這時需要技術(shù)人員根據(jù)相似實例進(jìn)行實例修改，對經(jīng)修改后的刀具選配實例可以添加至刀具選配實例庫，增加刀具選配實例庫的知識覆蓋面。刀具智能選配系統(tǒng)的推理流程如圖2所示。

圖2 刀具智能選配系統(tǒng)推理流程Fig.2 Inference processes of tool selection system

2.2 刀具選配實例檢索策略

實例檢索是刀具選配實例推理的一個重要的環(huán)節(jié)，是刀具選配實例推理技術(shù)的核心，通過一定的檢索算法，快速的檢索出與問題相似的選配實例。本文采用最近鄰法進(jìn)行刀具選配實例檢索。刀具選配實例檢索過程實質(zhì)上是求解相似度的問題，即新問題與實例庫中實例的整體相似度。不同的特征屬性對匹配檢索的作用是不同的，首先定義實例每個屬性特征的權(quán)；再計算新問題與實例每個特征的相似度；最后計算出新問題與實例的整體相似度，給出相似度最高的實例，具體過程如下：

（1）定義屬性權(quán)重。

設(shè)C是一實例庫，其中包含n個實例，有一新問題為C0，以新問題C0作為檢索條件可檢索到m個與之相關(guān)的實例，可表示為C′=Ci|0＜i≤m≤n}，其中任一實例C i包含t個特征，可表示為{aj|1≤j≤t}，特征與權(quán)重存在一一對應(yīng)，每個特征對應(yīng)的權(quán)重為ωj，可表示為{ωj|1≤j≤t}，而且

實例推理系統(tǒng)中實例特征權(quán)重一般可由用戶設(shè)定，或者取系統(tǒng)默認(rèn)值，要設(shè)置合理的權(quán)重離不開專家的意見，本文特征權(quán)重通過專家進(jìn)行賦值。

（2）計算特征相似度。

要計算實例特征的相似度，必須對特征進(jìn)行分類處理，根據(jù)不同類別的計算規(guī)則進(jìn)行計算，主要分為定性的特征和定量的特征兩類。

·定性的相似度

實例C i第j個特征的值為語義型離散型時，精確匹配為1，否則為0。

·定量的相似度

實例C i第j個特征的值為實數(shù)型時，相似度計算公式為：

simj(C0,Ci)=1-Δdij/Δrj

其中，Δdij表示新問題C0與實例C i第j個特征對應(yīng)值的差值的絕對值，Δrj表示為該特征定義的相似范圍，取值范圍在0～1之間，小于0時，相似度取0。

（3）計算整體相似度。

新問題C0與實例C i的整體相似度計算采用最近鄰法，整體相似度計算公式為：

3 應(yīng)用實例分析

以新問題C0={車削、碳鋼、外圓、24、3.2}為例進(jìn)行整體相似度的求解計算。對備選刀具選配實例進(jìn)行優(yōu)化，實例庫在優(yōu)化處理時剔除了冗余屬性，只與核屬性進(jìn)行匹配，只需考慮核屬性的屬性權(quán)重，核屬性a2、a3、a4、a5的對應(yīng)的權(quán)重ω1、ω2、ω3、ω4分別 0.375、0.35、0.15、0.125。從實例庫中選取一些刀具選配實例，剔除了冗余屬性后的實例集如表1。

其次，計算新問題與決策表中實例對應(yīng)特征的相似度。屬性a2、a3為定性屬性，屬性a4、a5為定量屬性，其相似范圍一般由專家給定，或者由系統(tǒng)默認(rèn)設(shè)置。新問題C0的屬性a2的值為碳鋼，屬于材料集合中非不銹鋼范疇，如果實例中特征值為不銹鋼，則相似度為0，否則為1；屬性a4、a5的值為24、3.2，按定量的相似度計算公式進(jìn)行計算。經(jīng)計算，得出新問題C0與實例集中每個實例的特征相似度，如表2所示。

表1 車刀選配實例集

表2 特征相似度求解結(jié)果

最后，計算整體相似度。將權(quán)重、特征相似度代入整體相似度計算公式，可得整體相似度依次為0.465、0.94、0.5、0.215、0.375，實例（2，3，5，6）為最佳相似實例，如果大于給定閾值，直接將此實例的解決方案復(fù)用為新問題的解，則新問題C0選用的刀具為2號刀具。

4 結(jié)束語

基于知識重用的刀具選配利用以往的成功選配案例解決新的選配問題，解決傳統(tǒng)刀具選配模式存在的問題。對刀具選配涉及的基礎(chǔ)信息進(jìn)行分類歸納，抽取轉(zhuǎn)換為選配知識。本文采用了實例推理技術(shù)，對刀具選配實例的知識表示進(jìn)行了研究。提出了基于實例推理的刀具選配流程，研究了檢索匹配策略，并定義了相似度計算公式。利用計算機(jī)輔助完成刀具的選配，將原先以工藝卡片記錄的刀具選配結(jié)果以實例形式存儲于實例庫中，便于歷史經(jīng)驗的積累，使得大量歷史信息得以重用，提升了企業(yè)的信息化程度。

[1] 陳云,杜齊明,董萬福. 現(xiàn)代金屬切削刀具實用技術(shù).北京:化學(xué)工業(yè)出版社,2008.

[2] 鄧建新,趙軍. 數(shù)控刀具材料選用手冊. 北京:機(jī)械工業(yè)出版社,2005.

[3] 蔡自興,約翰·德爾金,龔濤. 高級專家系統(tǒng)：原理、設(shè)計及應(yīng)用. 北京:科學(xué)出版社,2005.

[4] 胡運(yùn)發(fā). 數(shù)據(jù)與知識工程導(dǎo)論. 北京:清華大學(xué)出版社,2003.

[5] 高濟(jì),何欽明. 人工智能基礎(chǔ)2版. 北京:高等教育出版社,2008.

[6] 王國胤. Rough集理論與知識獲取. 西安:西安交通大學(xué)出版社,2001.

[7] 張文修,吳偉志,梁吉業(yè),等. 粗糙集理論與方法. 北京:科學(xué)出版社,2001.

[8] 車海鶯,甘仞初. 信息系統(tǒng)總體設(shè)計中案例推理與規(guī)則推理集成方法的研究. 計算機(jī)應(yīng)用研究,2004,21(3):81-84.

[9] 曹立軍,王興貴,秦俊奇,等. 融合案例與規(guī)則推理的故障預(yù)測專家系統(tǒng). 計算機(jī)工程,2006,32(1):208-210.

[10] 李鋒剛. 基于優(yōu)化案例推理的智能決策技術(shù)研究. 合肥:合肥工業(yè)大學(xué),2007.