面向設(shè)計(jì)意圖的STEP知識(shí)圖譜關(guān)鍵技術(shù)研究

簡(jiǎn)琤峰,林 崇,張立軍,張美玉

(浙江工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院 數(shù)字媒體技術(shù)研究所,杭州310023)

E-mail:jiancf@zjut.edu.cn

1 引 言

傳統(tǒng)的產(chǎn)品信息交換與共享一直以來(lái)側(cè)重于幾何數(shù)據(jù)的交換與共享,由于幾何數(shù)據(jù)中不包含設(shè)計(jì)者的設(shè)計(jì)歷史、設(shè)計(jì)約束和特征等高層語(yǔ)義信息,無(wú)法實(shí)現(xiàn)高層語(yǔ)義信息的交換與共享,因此在參數(shù)化特征建模已經(jīng)成為CAD標(biāo)準(zhǔn)建模方法的今天,無(wú)法支持對(duì)原設(shè)計(jì)進(jìn)行設(shè)計(jì)意圖的定位和重用[1-3].當(dāng)前主流的CAD系統(tǒng)主要通過(guò)特征、參數(shù)、約束和構(gòu)造歷史這種設(shè)計(jì)過(guò)程來(lái)推測(cè)表達(dá)產(chǎn)品的設(shè)計(jì)意圖.主要有以設(shè)計(jì)目的為主的設(shè)計(jì)意圖研究[4-6]和以設(shè)計(jì)過(guò)程知識(shí)為主的設(shè)計(jì)理性研究[7,8],均側(cè)重于設(shè)計(jì)意圖的理解、描述、推測(cè)及其工程應(yīng)用研究,對(duì)于設(shè)計(jì)意圖的語(yǔ)義交換研究較少,由于涉及到對(duì)設(shè)計(jì)意圖描述的統(tǒng)一性、通用性和標(biāo)準(zhǔn)化的問(wèn)題,因此脫離已有國(guó)際標(biāo)準(zhǔn)研究設(shè)計(jì)意圖的語(yǔ)義交換對(duì)于工程應(yīng)用而言作用是有限的.

STEP AP242不僅僅是將原有的三維幾何模型、三維PMI(產(chǎn)品制造信息)、自適應(yīng)制造生產(chǎn)集成在一起,而且將這三部分有關(guān)特征設(shè)計(jì)意圖描述具體應(yīng)用到了該應(yīng)用協(xié)議中,為基于特征的設(shè)計(jì)意圖信息(包括特征、參數(shù)、約束和構(gòu)造歷史)的表達(dá)和交換打下基礎(chǔ)[9-11].相對(duì)于傳統(tǒng)的幾何數(shù)據(jù)交換而言該類(lèi)型標(biāo)準(zhǔn)還存在很多問(wèn)題,首先設(shè)計(jì)意圖信息交換的實(shí)現(xiàn)仍然受傳統(tǒng)的幾何數(shù)據(jù)交換方法影響屬于語(yǔ)法層次的交換,在實(shí)踐應(yīng)用過(guò)程中該標(biāo)準(zhǔn)制定的設(shè)計(jì)意圖信息的描述準(zhǔn)確性還有待檢驗(yàn).其次雖然STEP AP242實(shí)現(xiàn)了三維幾何信息的尺寸語(yǔ)義表達(dá)(Representation)而非僅展現(xiàn)(Presentation),但它僅僅實(shí)現(xiàn)了基于幾何面的尺寸語(yǔ)義標(biāo)注關(guān)聯(lián),未能實(shí)現(xiàn)基于特征的語(yǔ)義標(biāo)注關(guān)聯(lián),實(shí)現(xiàn)三維尺寸語(yǔ)義標(biāo)注與幾何特征的語(yǔ)義關(guān)聯(lián)更有利于STEP設(shè)計(jì)意圖的獲取和交換.

傳統(tǒng)的STEP本體化方法[12-16]受限于傳統(tǒng)的語(yǔ)法轉(zhuǎn)換層次,語(yǔ)義推理依靠大量的本體規(guī)則定義,沒(méi)有充分挖掘STEP信息中隱藏的語(yǔ)義知識(shí).本文以基于模型定義的STEP AP242應(yīng)用協(xié)議為設(shè)計(jì)意圖語(yǔ)義交換的研究對(duì)象,引入知識(shí)圖譜[17,18]的理論方法,首先對(duì)其數(shù)據(jù)實(shí)例本體化為三元組語(yǔ)義元實(shí)例,對(duì)實(shí)例庫(kù)規(guī)則抽取,結(jié)合STEP應(yīng)用協(xié)議語(yǔ)義規(guī)則和語(yǔ)義標(biāo)注,實(shí)現(xiàn)基于語(yǔ)義元模型的多語(yǔ)義知識(shí)提取,構(gòu)建產(chǎn)品三維幾何信息與非幾何信息語(yǔ)義關(guān)聯(lián)的STEP知識(shí)圖譜.因此本文重點(diǎn)圍繞STEP知識(shí)圖譜語(yǔ)義模型構(gòu)建、基于語(yǔ)義元模型的多語(yǔ)義特征提取及基于增強(qiáng)學(xué)習(xí)的路徑推理及SWRL規(guī)則挖掘技術(shù)進(jìn)行闡述,最后結(jié)合減速器中的傳動(dòng)軸對(duì)多語(yǔ)義特征進(jìn)行推理.

2 面向產(chǎn)品設(shè)計(jì)意圖的知識(shí)圖譜建模

STEP AP242產(chǎn)品信息中除了傳統(tǒng)的幾何拓?fù)湫畔⑼膺€含有許多非幾何信息如裝配信息、PMI信息、功能信息以及隱含的設(shè)計(jì)意圖等語(yǔ)義信息.因此為了解決幾何信息和非幾何信息統(tǒng)一描述,實(shí)現(xiàn)幾何與非幾何信息的語(yǔ)義關(guān)聯(lián),本文以產(chǎn)品信息語(yǔ)義元[19]作為語(yǔ)義元模型的基本單位,以結(jié)構(gòu)化的形式表示產(chǎn)品的幾何信息和非幾何語(yǔ)義信息.

2.1 產(chǎn)品設(shè)計(jì)意圖定義

本文給出了產(chǎn)品設(shè)計(jì)意圖信息及其相關(guān)實(shí)體概念的具體定義,包括裝配體(Assembly)、產(chǎn)品零件(Part)、設(shè)計(jì)歷史(Construction History)等.

定義2.產(chǎn)品設(shè)計(jì)意圖信息由一組實(shí)體概念和關(guān)系構(gòu)成,具體定義如式(1)所示:

DesignIntent={C,R}

(1)

其中C(Concept)表示產(chǎn)品模型的實(shí)體概念,本文定義了4個(gè)設(shè)計(jì)意圖的實(shí)體概念類(lèi)型,包括設(shè)計(jì)問(wèn)題(Issue)、解決方案(Solution)、裝配體(Assembly)、產(chǎn)品零件(Part).R(Relation)關(guān)聯(lián)關(guān)系主要分為兩種,第一種為實(shí)體概念之間的上下層級(jí)關(guān)系,類(lèi)似“裝配體”和“產(chǎn)品零件”具有包含關(guān)系,另一種為實(shí)體概念之間的語(yǔ)義關(guān)系,如“設(shè)計(jì)問(wèn)題”可以由多個(gè)“解決方案”來(lái)解決,一個(gè)“解決方案”可以實(shí)現(xiàn)一個(gè)“裝配體”或“零件”.

定義3.設(shè)計(jì)問(wèn)題(Issue)表示在產(chǎn)品設(shè)計(jì)過(guò)程中需要進(jìn)行商議、討論的設(shè)計(jì)疑惑和難點(diǎn),由各種類(lèi)型的問(wèn)題實(shí)體概念集合組成,具體定義如式(2)所示:

Issue={IFactual,IInquiring,IExplanatory,IInstrumental,IOther}

(2)

其中,集合中的元素代表了不同類(lèi)別的設(shè)計(jì)問(wèn)題集合,IFactual表示事實(shí)性問(wèn)題,IInquiring表示查詢(xún)性問(wèn)題,IExplanatory表示解釋性問(wèn)題,IInstrumental表示工具性問(wèn)題,IOther表示未在上述分類(lèi)中的設(shè)計(jì)問(wèn)題.

定義4.解決方案(Solution)表示針對(duì)設(shè)計(jì)問(wèn)題的方法或方案實(shí)體對(duì)象,是各種類(lèi)型的解決方案實(shí)體概念的集合,具體定義如式(3)所示:

Solution={SPhysical,SManufacture,SExperience,SRecycling,SOther}

(3)

其中,SPhysical表示物理層面的解決方案,包括結(jié)構(gòu)、材料、電控、液壓等改變產(chǎn)品的物理特性的解決方案;SManufacture表示制造工業(yè)層面上的解決方案,通過(guò)制造工藝的變化來(lái)解決相關(guān)的設(shè)計(jì)問(wèn)題;SExperience表示經(jīng)驗(yàn)層面的解決方案,利用設(shè)計(jì)者成熟的設(shè)計(jì)經(jīng)驗(yàn)來(lái)解決設(shè)計(jì)問(wèn)題;SRecycling表示回收和再制造解決方法;SOther表示其他類(lèi)型的解決方案.

定義5.裝配體(Assembly)表示裝配體產(chǎn)品實(shí)體概念,裝配體由零件實(shí)體以及裝配約束實(shí)體集合構(gòu)成,具體定義如式(4)所示:

Assembly={APart,AConstraint,AConstructionHistory}

(4)

其中,APart是構(gòu)成該裝配體的零件集合,AConstraint表示各零件之間形成的裝配約束集合,AConstructionHistory表示裝配體的設(shè)計(jì)歷史,主要包括零件的裝配順序等信息.產(chǎn)品裝配一般是將分散的零件通過(guò)特定的方式,形成一個(gè)復(fù)雜裝配體,采用何種方式、哪些零件之間有連接,連接操作的順序等都是成功裝配需要考慮的問(wèn)題,依據(jù)裝配約束信息和裝配體的設(shè)計(jì)歷史信息可以實(shí)現(xiàn)復(fù)雜產(chǎn)品的正確裝配.

定義6.零件(Part)表示不可拆分的零件實(shí)體概念,零件實(shí)體主要由設(shè)計(jì)歷史、參數(shù)、約束和特征實(shí)體概念集合組成,具體定義如式(5)所示:

Part={PConstructionHistory,PParameter,PConstraint,PFeature}

(5)

其中,PConstructionHistory表示零件的設(shè)計(jì)歷史實(shí)體概念集合,主要包含了零件的設(shè)計(jì)過(guò)程信息;PParameter表示產(chǎn)品的參數(shù)實(shí)體概念集合,主要包含一些控制產(chǎn)品或零件幾何形狀的參數(shù)數(shù)值;PConstraint表示產(chǎn)品的約束實(shí)體概念集合,是滿(mǎn)足設(shè)計(jì)意圖條件下對(duì)產(chǎn)品結(jié)構(gòu)的限定和約束;PFeature表示產(chǎn)品的特征實(shí)體概念集合,PFeature={f|f={ft,fm}},ft表示特征類(lèi)別,包括參考特征(如參考面、參考線(xiàn)、參考點(diǎn)等)、草圖特征(記錄在二維平面上繪制的草圖輪廓)、基于草圖的特征(如拉伸特征、旋轉(zhuǎn)特征)、局部特征(如圓角特征、倒角特征、切角特征、薄殼特征等)、組合特征(如鏡像特征、陣列特征等)這五種類(lèi)型的特征類(lèi)別,fm表示具體的特征描述信息.特征實(shí)體是零件實(shí)體最重要的子實(shí)體,一個(gè)零件實(shí)體可能包含多個(gè)特征實(shí)體集合,多個(gè)特征實(shí)體的組合形成了零件的主要結(jié)構(gòu).

2.2 設(shè)計(jì)意圖語(yǔ)義元模型DISM

STEP AP242 應(yīng)用協(xié)議的數(shù)據(jù)規(guī)范對(duì)產(chǎn)品的幾何信息和拓?fù)湫畔⒈硎窘o出了明確的定義,與此同時(shí),其還包含了豐富的語(yǔ)義信息,包括PMI制造信息、功能信息、設(shè)計(jì)意圖信息等.在前兩節(jié)提出的產(chǎn)品信息語(yǔ)義元的基礎(chǔ)上,結(jié)合STEP AP242應(yīng)用協(xié)議規(guī)范和產(chǎn)品設(shè)計(jì)意圖的描述,提出了設(shè)計(jì)意圖語(yǔ)義元模型(DesignIntent-based Sementic Model,DISM).

定義7.設(shè)計(jì)意圖語(yǔ)義元模型DISM由不同的5個(gè)元素集合組合而成.DISM語(yǔ)義集合五元組為DISM={B,L,P,D,O},集合元素具體含義如下:

1)B={b1,b2,…,bn}表示一個(gè)有窮非空語(yǔ)義元集合,集合中的元素為n個(gè)基于STEP AP242應(yīng)用協(xié)議的基礎(chǔ)語(yǔ)義元節(jié)點(diǎn),一般采用EXPRESS語(yǔ)言描述.

2)L={l1,l2,…,ln}表示語(yǔ)義連接邊的有窮非空集合,用于描述不同語(yǔ)義元之間的關(guān)聯(lián)關(guān)系,集合中的元素 表述連接邊類(lèi)型、具體數(shù)值參數(shù)等信息.

3)P={p1,p2,…,pn}表示基于產(chǎn)品PMI制造信息語(yǔ)義表述的語(yǔ)義元有窮集合,其中集合中的元素pi={tolerancei,dimensioni,otheri}為PMI語(yǔ)義元節(jié)點(diǎn),其中tolerancei、dimensioni、otheri分別是尺寸、公差及其他制造信息的語(yǔ)義元節(jié)點(diǎn).

4)D={d1,d2,…,dn}表示設(shè)計(jì)意圖的有窮語(yǔ)義元集合,基于上一節(jié)提出的設(shè)計(jì)意圖定義,設(shè)計(jì)意圖語(yǔ)義元的形式化表達(dá)如式(6)所示:

DesignIntentSC={Issue,Solution,Assembly,Part}

(6)

其中,DesignIntentSC為設(shè)計(jì)意圖語(yǔ)義元對(duì)象,Issue為設(shè)計(jì)問(wèn)題語(yǔ)義元,Solution為解決方案語(yǔ)義元,Assembly為裝配體語(yǔ)義元,Part為零件語(yǔ)義元.

5)O={o1,o2,…,on}表示其他產(chǎn)品信息語(yǔ)義集合,用于對(duì)缺失的產(chǎn)品信息的補(bǔ)充.

定義9.在設(shè)計(jì)意圖語(yǔ)義元模型中,若兩個(gè)非空的語(yǔ)義元集合SCi和SCj含語(yǔ)義連接邊集合L={l1,l2,…,lm},形成配對(duì)語(yǔ)義元集SCi,SCj,那么SCi和SCj分別為前置語(yǔ)義元集和后置語(yǔ)義元集,記作Pre(lk)和Back(lk),語(yǔ)義元集之間的配對(duì)SCi,SCj可記作

定義10.設(shè)計(jì)意圖語(yǔ)義元子模型DISMi={Bi,Li,Pi,Di,Oi},其中Bi?B,Li?L,Pi?P,Di?D,Oi?O.一個(gè)設(shè)計(jì)意圖語(yǔ)義元子模型是它所屬的設(shè)計(jì)意圖語(yǔ)義元模型的一個(gè)子集,那么其中的每個(gè)元素集合都是該語(yǔ)義元模型元素集合的子集.

設(shè)計(jì)意圖語(yǔ)義元模型DISM以產(chǎn)品語(yǔ)義元節(jié)點(diǎn)為基本單位,實(shí)現(xiàn)了產(chǎn)品的幾何拓?fù)湫畔⒑驼Z(yǔ)義信息的統(tǒng)一化描述,從基礎(chǔ)語(yǔ)義元、PMI語(yǔ)義元、設(shè)計(jì)意圖語(yǔ)義元以及其他語(yǔ)義元這四類(lèi)語(yǔ)義元出發(fā),建立了產(chǎn)品數(shù)據(jù)信息的層次化結(jié)構(gòu).以語(yǔ)義元節(jié)點(diǎn)和連接邊構(gòu)建結(jié)構(gòu)化的語(yǔ)義元模型,有利于后續(xù)基于設(shè)計(jì)意圖語(yǔ)義元模型的知識(shí)圖譜的構(gòu)建,并對(duì)隱藏的產(chǎn)品設(shè)計(jì)意圖信息進(jìn)行挖掘和分析.

2.3 知識(shí)圖譜的體系結(jié)構(gòu)

STEP知識(shí)圖譜結(jié)構(gòu)分兩大類(lèi)關(guān)系,一類(lèi)是應(yīng)用協(xié)議層語(yǔ)義關(guān)系,一類(lèi)是STEP實(shí)例層關(guān)系.知識(shí)圖譜的基本結(jié)構(gòu)由應(yīng)用協(xié)議層語(yǔ)義關(guān)系圖GM和STEP實(shí)例層關(guān)系圖GE組成,即KG=GM,GE.其中,應(yīng)用協(xié)議層語(yǔ)義關(guān)系圖表示應(yīng)用協(xié)議概念層級(jí)結(jié)構(gòu);STEP實(shí)例層關(guān)系圖表示STEP實(shí)例及其之間的關(guān)系.應(yīng)用協(xié)議層語(yǔ)義關(guān)系圖GM=CM,RM,其中CM表示圖中概念節(jié)點(diǎn),RM表示由多條邊連接的兩個(gè)概念之間的關(guān)系邊.STEP實(shí)例層關(guān)系圖表GE=EE,RE,其中EE表示圖中實(shí)體節(jié)點(diǎn),RE表示由多條邊連接的兩個(gè)實(shí)體之間的關(guān)系邊.

面向設(shè)計(jì)意圖知識(shí)圖譜是通過(guò)實(shí)體及其語(yǔ)義關(guān)系來(lái)表達(dá)產(chǎn)品幾何信息和設(shè)計(jì)意圖信息.圖結(jié)構(gòu)由語(yǔ)義元節(jié)點(diǎn)集合和邊集合構(gòu)成KG={SC,R}.其中,語(yǔ)義元節(jié)點(diǎn)集合表示了產(chǎn)品信息中的各種概念以及實(shí)體,邊代表概念、實(shí)體間的關(guān)聯(lián),用來(lái)連接兩個(gè)概念或者實(shí)體.具體表述如下:

面向設(shè)計(jì)意圖的知識(shí)圖譜體系結(jié)構(gòu)如圖1所示,主要由知識(shí)庫(kù)、規(guī)則庫(kù)和實(shí)例庫(kù)三個(gè)部分構(gòu)成.實(shí)例庫(kù)中存放了大量由STEP242實(shí)例文件轉(zhuǎn)化的以語(yǔ)義元節(jié)點(diǎn)為基礎(chǔ)的OWL文件,另外語(yǔ)義信息標(biāo)注可以補(bǔ)充轉(zhuǎn)化過(guò)程中丟失的語(yǔ)義信息;知識(shí)庫(kù)分為基本知識(shí)庫(kù)和擴(kuò)展知識(shí)庫(kù)兩部分,其中基本知識(shí)庫(kù)由應(yīng)用協(xié)議庫(kù)生成,擴(kuò)展知識(shí)庫(kù)通過(guò)對(duì)實(shí)例庫(kù)的知識(shí)抽取動(dòng)態(tài)生成;規(guī)則庫(kù)中包含了大量的規(guī)則信息用于設(shè)計(jì)意圖信息的推理.知識(shí)圖譜的構(gòu)建主要通過(guò)自頂而下和自底向上兩種方式來(lái)構(gòu)建,自頂向下指的是根據(jù)應(yīng)用協(xié)議庫(kù)定義好產(chǎn)品語(yǔ)義信息元結(jié)構(gòu)和幾何關(guān)系,再添加到基本知識(shí)庫(kù),自底向上指的是基于設(shè)計(jì)意圖表述提出的設(shè)計(jì)意圖實(shí)體信息的層次結(jié)構(gòu),構(gòu)建 STEP AP242應(yīng)用協(xié)議庫(kù)不包含的設(shè)計(jì)意圖語(yǔ)義元及語(yǔ)義元間的連接關(guān)系,并加入到知識(shí)庫(kù)從而實(shí)現(xiàn)知識(shí)庫(kù)的動(dòng)態(tài)擴(kuò)展.

圖1 知識(shí)圖譜體系結(jié)構(gòu)

3 面向知識(shí)圖譜構(gòu)建的STEP知識(shí)提取技術(shù)

STEP AP242中定義了產(chǎn)品的三維幾何形狀信息以及產(chǎn)品非幾何語(yǔ)義信息,結(jié)合幾何特征和尺寸公差相配合可以實(shí)現(xiàn)對(duì)隱含的設(shè)計(jì)意圖信息的知識(shí)提取.特征是設(shè)計(jì)意圖信息中的核心部分,產(chǎn)品中的不同特征反映出大量的設(shè)計(jì)意圖信息.目前STEP幾何特征提取方法主要有兩種:基于邊界的特征提取和基于鄰接圖的特征提取.

基于邊界的特征提取方法能夠?qū)Ξa(chǎn)品的一些基本特征,例如圓柱凸臺(tái)特征、凸臺(tái)特征、盲孔特征、通孔特征、槽特征、臺(tái)階特征等可有效識(shí)別提取并保留在知識(shí)圖譜語(yǔ)義模型中.但在處理一些復(fù)雜特征例如階梯槽、共面特征等以及裝配體特征識(shí)別的問(wèn)題上還存在局限性,尤其是含設(shè)計(jì)意圖的組合特征語(yǔ)義容易出錯(cuò).基于改進(jìn)NBA算法的鄰接圖的特征提取方法可以提高特征提取效率和精確度,但對(duì)于三維幾何信息完全一致,由于零件或特征加工制造要求的不同而導(dǎo)致其在整個(gè)產(chǎn)品生命周期中的作用存在較大差異,對(duì)于這樣的零件或特征僅從幾何拓?fù)浣Y(jié)構(gòu)分析的鄰接圖特征提取方法存在無(wú)法區(qū)分多語(yǔ)義特征的情況.

針對(duì)上述問(wèn)題,提出了基于語(yǔ)義元模型的多語(yǔ)義特征提取方法.首先在STEP知識(shí)圖譜語(yǔ)義元模型基礎(chǔ)上進(jìn)行邊界幾何特征提取;然后結(jié)合改進(jìn)的NBA算法實(shí)現(xiàn)AAG鄰接圖的特征提取,解決相交復(fù)合特征提取問(wèn)題,最后在二者基礎(chǔ)上,引入增強(qiáng)學(xué)習(xí)算法,提取STEP文件中的PMI信息,結(jié)合SWRL規(guī)則進(jìn)一步提取多語(yǔ)義特征.以下是多語(yǔ)義特征提取方法的具體步驟:

1)基于語(yǔ)義元模型的邊界幾何特征提取

該方法建立在傳統(tǒng)的BREP邊界表示法的基礎(chǔ)上充分利用STEP知識(shí)圖譜語(yǔ)義元模型,共定義了五種產(chǎn)品拓?fù)湔Z(yǔ)義元:VertexGeometry、EdgeGeometry、LoopGeometry、FaceGeometry和ShellGeometry,它們分別保存了點(diǎn)、邊、環(huán)、邊界、面和殼的相關(guān)邊界信息和關(guān)聯(lián)關(guān)系,通過(guò)遍歷這些集合中的集合元素,獲取點(diǎn)、邊、面的邊界特征描述分別與預(yù)定義的特征邊界描述相互匹配,從而確定實(shí)例零件的特征語(yǔ)義信息.

2)基于改進(jìn)NBA的AAG圖特征提取

產(chǎn)品三維模型可以看作是封閉的邊界表面圍成的有限空間,通過(guò)提取產(chǎn)品的STEP AP242數(shù)據(jù)信息,將模型描述為面邊鄰接圖,并將模型的幾何和拓?fù)鋵傩蕴砑拥较鄳?yīng)的弧和頂點(diǎn)上,從而形成屬性鄰接圖AAG(V,E).同傳統(tǒng)的AAG特征提取方法相比,從STEP知識(shí)圖譜構(gòu)建出發(fā),同時(shí)利用了面面間的凹凸性和面面間的邊的類(lèi)型兩種語(yǔ)義,能夠解決相交復(fù)合特征的提取問(wèn)題[20].利用改進(jìn)的NBA算法可以大大提高特征提取效率和精確度,可以較好的解決某些相交復(fù)雜特征識(shí)別混亂的問(wèn)題.

3)基于增強(qiáng)學(xué)習(xí)的多語(yǔ)義特征提取

使用AP242應(yīng)用協(xié)議的STEP文件一個(gè)顯著特點(diǎn)在于實(shí)現(xiàn)了對(duì)產(chǎn)品PMI語(yǔ)義信息的描述,PMI 制造加工信息描述了產(chǎn)品設(shè)計(jì)、制造中比較常用的屬性,比如零件的線(xiàn)性尺寸、徑向尺寸、形位公差以及表面粗糙度等.由設(shè)計(jì)意圖語(yǔ)義元模型組成的知識(shí)圖譜中包含STEP文件中的幾何信息和語(yǔ)義信息,這是使用增強(qiáng)學(xué)習(xí)對(duì)STEP文件中隱藏的PMI信息進(jìn)行提取的前提條件之一.通過(guò)PMI信息我們能獲得與零件加工相關(guān)的非幾何語(yǔ)義信息,結(jié)合PMI信息進(jìn)行特征提取有效克服了幾何特征缺乏的工程語(yǔ)義,能在現(xiàn)有特征提取方法的基礎(chǔ)上,進(jìn)一步解決多語(yǔ)義特征的問(wèn)題,算法步驟如下:

Step 1.對(duì)STEP AP242文件進(jìn)行知識(shí)抽取并與設(shè)計(jì)意圖語(yǔ)義元模型進(jìn)行相關(guān)映射后存入知識(shí)圖譜中;

Step 2.基于改進(jìn)NBA算法的鄰接圖方法提取STEP文件中的相關(guān)特征;

Step 3.PMI信息在EXPRESS語(yǔ)言中的相關(guān)描述并判斷知識(shí)圖譜中是否含有相關(guān)類(lèi)型的語(yǔ)義元,若無(wú)則跳轉(zhuǎn)至Step 4,若有則跳轉(zhuǎn)至Step 5;

Step 4.輸出范圍較大且含有多種可能性的特征提取結(jié)果;

Step 5.繼續(xù)判斷規(guī)則庫(kù)中是否有對(duì)應(yīng)PMI信息提取規(guī)則,若不存在則跳轉(zhuǎn)至Step 6,若存在則調(diào)整至Step 8;

Step 6.利用增強(qiáng)學(xué)習(xí)學(xué)習(xí)知識(shí)圖譜中隱藏的PMI提取規(guī)則;

Step 7.將PMI提取規(guī)則存入規(guī)則庫(kù)中;

Step 8.將PMI信息和規(guī)則結(jié)合得到更為精確的特征提取結(jié)果.

4 基于知識(shí)圖譜的STEP知識(shí)推理技術(shù)

知識(shí)圖譜圖推理方法主要包括張量分解和路徑推理兩個(gè)方面.現(xiàn)有張量分解算法[21]更多考慮的是實(shí)體間直接相連關(guān)系,對(duì)于圖譜中多路徑未做考慮,從而推理深層次實(shí)體關(guān)系的能力受到限制.路徑排列算法(Path Ranking Algorithm,PRA),通過(guò)實(shí)體間關(guān)系,對(duì)知識(shí)圖譜的圖結(jié)構(gòu)進(jìn)行學(xué)習(xí),能更深層次的推理出實(shí)體和實(shí)體間的聯(lián)系.但是,路徑排序算法在多跳路徑的推理能力一般,且并未考慮路徑的可靠性和語(yǔ)義組合問(wèn)題.增強(qiáng)學(xué)習(xí)中的智能體具有和環(huán)境交互且優(yōu)化自身策略的能力,能有效學(xué)習(xí)多跳路徑間實(shí)體關(guān)系,并能結(jié)合SWRL規(guī)則推理出STEP文件中的設(shè)計(jì)意圖語(yǔ)義信息.

我們提出了基于增強(qiáng)學(xué)習(xí)的路徑推理及規(guī)則挖掘技術(shù).首先將STEP文件中的產(chǎn)品數(shù)據(jù)信息和增強(qiáng)學(xué)習(xí)模型進(jìn)行相關(guān)映射,然后在相關(guān)映射基礎(chǔ)上結(jié)合改進(jìn)Q-learning算法得到智能體序列化決策結(jié)果,最后依據(jù)序列化決策結(jié)果,語(yǔ)義元節(jié)點(diǎn)的類(lèi)型和語(yǔ)義元節(jié)點(diǎn)之間的關(guān)系抽象出相應(yīng)的SWRL語(yǔ)義規(guī)則.

1)STEP產(chǎn)品數(shù)據(jù)至增強(qiáng)學(xué)習(xí)的映射

增強(qiáng)學(xué)習(xí)(Reinforcement Learning)[22]的基本思想是通過(guò)智能體(agent)和環(huán)境不斷的交互信息已達(dá)到獎(jiǎng)勵(lì)最大化,從而學(xué)習(xí)到目標(biāo)的最優(yōu)策略.馬爾可夫決策過(guò)程(Markov Decision Process,MDP)[23]能很好的刻畫(huà)智能體序列化決策過(guò)程,因此常使用馬爾可夫決策過(guò)程來(lái)對(duì)增強(qiáng)學(xué)習(xí)問(wèn)題進(jìn)行建模.要使用增強(qiáng)學(xué)習(xí)學(xué)習(xí)規(guī)則并推理,需要將STEP文件中的產(chǎn)品數(shù)據(jù)信息和增強(qiáng)學(xué)習(xí)環(huán)境進(jìn)行關(guān)聯(lián)映射.產(chǎn)品信息語(yǔ)義元模型實(shí)現(xiàn)了STEP文件中三維幾何信息和設(shè)計(jì)意圖信息的融合,保證了產(chǎn)品數(shù)據(jù)內(nèi)容和數(shù)據(jù)間層次結(jié)構(gòu)的完整性,是實(shí)現(xiàn)STEP文件數(shù)據(jù)到增強(qiáng)學(xué)習(xí)映射的前提之一.

STEP產(chǎn)品數(shù)據(jù)至增強(qiáng)學(xué)習(xí)的映射由兩個(gè)步驟組成.首先提取STEP文件中的知識(shí)與產(chǎn)品信息語(yǔ)義元映射,再基于語(yǔ)義元節(jié)點(diǎn)構(gòu)成的圖結(jié)構(gòu)提取整合語(yǔ)義元中相關(guān)信息和馬爾可夫決策模型進(jìn)行映射,圖2為產(chǎn)品數(shù)據(jù)信息至增強(qiáng)學(xué)習(xí)映射的示意圖.

圖2 產(chǎn)品數(shù)據(jù)信息至增強(qiáng)學(xué)習(xí)映射示意圖

2)改進(jìn)Q-learning算法

Q-learning算法是增強(qiáng)學(xué)習(xí)中經(jīng)典的算法之一,具有簡(jiǎn)單易操作的特點(diǎn).該算法在序列化決策過(guò)程中,使用固定參數(shù)ε的?-greedy策略進(jìn)行動(dòng)作的選取,存在收斂效率低的問(wèn)題.依據(jù)馬爾可夫決策模型,智能體在探索初期應(yīng)采用更高的概率隨機(jī)和環(huán)境進(jìn)行交互,提高其找到目標(biāo)點(diǎn)的概率,隨著探索幾次的增加,應(yīng)該更傾向于利用經(jīng)驗(yàn),使節(jié)點(diǎn)的Q值盡快收斂,以提高整個(gè)增強(qiáng)學(xué)習(xí)的效率.本文從常數(shù),階躍函數(shù)和一次函數(shù)三個(gè)方面對(duì)參數(shù)ε進(jìn)行研究.當(dāng)參數(shù)ε為常數(shù)時(shí),其形式化表達(dá)如式(7)所示.

ε=C

(7)

其中,C為常數(shù).這樣的參數(shù)選擇使得智能體在探索的整個(gè)過(guò)程都以同樣的概率隨機(jī)選取動(dòng)作與環(huán)境交互.

使用階躍函數(shù)模擬參數(shù)ε的變化,其形式化表達(dá)如式(8)所示.

(8)

其中,a為常數(shù),一般取0.8,t表示智能體探索的次數(shù),tmax表示智能體最大的探索次數(shù).參數(shù)ε使用階躍函數(shù)模擬,使得智能體在探索周期的前半段以較大概率隨機(jī)選擇動(dòng)作,而探索的后期這重點(diǎn)在使Q值收斂.

使用一次函數(shù)模擬參數(shù)ε的變化,其形式化表達(dá)如式(9)所示.

(9)

其中,-k為斜率表示ε變化的快慢,x為自變量,智能體每找到一次目標(biāo)點(diǎn),自變量x自增1,b為常數(shù),取1.例如取k=0.02,在探索的初期,智能體并沒(méi)有找到目標(biāo)點(diǎn),自變量x=0,這時(shí)參數(shù)ε取到最大值1,即智能體以1的概率隨機(jī)選擇動(dòng)作與環(huán)境交互,最大限度的提高了智能體發(fā)現(xiàn)目標(biāo)點(diǎn)的概率,而隨著發(fā)現(xiàn)目標(biāo)點(diǎn)次數(shù)的增加,智能體隨機(jī)選擇動(dòng)作的概率逐漸降低,最后智能體會(huì)傾向于快速收斂Q值完成學(xué)習(xí).

圖3 多函數(shù)模擬實(shí)驗(yàn)結(jié)果

本文在相同的環(huán)境下對(duì)常數(shù),階躍函數(shù)和一次函數(shù)模擬參數(shù)ε變化進(jìn)行多跳模擬實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖3所示.由實(shí)驗(yàn)結(jié)果可以看出,隨著推理路徑長(zhǎng)度的增加,階躍函數(shù)和一次函數(shù)擬參數(shù)ε變化收斂的效果較好.本文在后續(xù)的推理中采用效果較好的一次函數(shù)動(dòng)態(tài)模擬參數(shù)ε變化有效解決經(jīng)典?-greedy策略收斂慢的問(wèn)題.

增強(qiáng)學(xué)習(xí)的目的是讓智能體學(xué)習(xí)到目標(biāo)點(diǎn)的最優(yōu)策略,而回報(bào)R的設(shè)置能對(duì)智能體找到優(yōu)質(zhì)的路徑產(chǎn)生影響.為鼓勵(lì)智能體找到最優(yōu)路徑,針對(duì)由語(yǔ)義元節(jié)點(diǎn)組成的環(huán)境中,智能體能采取的動(dòng)作集較大,有更多的可能是產(chǎn)生不正確的決策序列,且錯(cuò)誤的決策序列數(shù)量會(huì)隨著路徑長(zhǎng)度增加呈指數(shù)增長(zhǎng)的問(wèn)題.本章設(shè)置了全局獎(jiǎng)勵(lì)回報(bào)rg作為增強(qiáng)學(xué)習(xí)模型的一種獎(jiǎng)勵(lì),其函數(shù)定義如式(10)所示.

(10)

當(dāng)智能體在一系列決策中找到所需要的目標(biāo)點(diǎn)時(shí),會(huì)給予智能體正向的全局獎(jiǎng)勵(lì),在達(dá)到最大探索步數(shù)后仍未找到目標(biāo)點(diǎn),則給與智能體負(fù)反饋.

為了在智能體使用增強(qiáng)學(xué)習(xí)算法尋找目標(biāo)點(diǎn)優(yōu)化策略的過(guò)程中提取節(jié)點(diǎn)間關(guān)系,作為自動(dòng)生成部分SWRL規(guī)則的基礎(chǔ).在推理規(guī)則的編寫(xiě)過(guò)程中,短規(guī)則往往優(yōu)于長(zhǎng)規(guī)則,因此設(shè)置了路徑獎(jiǎng)勵(lì)回報(bào)re,該回報(bào)通過(guò)限制智能體與環(huán)境交互作用的長(zhǎng)度,來(lái)提高推理效率,使得智能體更傾向于使用短路徑達(dá)到目標(biāo)點(diǎn),式(11)為路徑獎(jiǎng)勵(lì)回報(bào)的函數(shù)定義.

(11)

其中,length(p)表示智能體決策序列的長(zhǎng)度.

綜合上述兩次獎(jiǎng)勵(lì),智能體在找到目標(biāo)點(diǎn)時(shí),能獲得總獎(jiǎng)勵(lì)rtotal的形式化表達(dá)如式(12)所示.

rtotal=λ1rg+λ2re

(12)

其中,λ1和λ2為權(quán)重系數(shù),用于調(diào)整全局獎(jiǎng)勵(lì)回報(bào)和路徑獎(jiǎng)勵(lì)回報(bào)在總回報(bào)中的影響比例,本實(shí)驗(yàn)中取λ1的值為0.6,取λ2的值為0.4.

依據(jù)一次函數(shù)動(dòng)態(tài)模擬參數(shù)ε變化,結(jié)合全局獎(jiǎng)勵(lì)回報(bào)rg和路徑獎(jiǎng)勵(lì)回報(bào)re兩種獎(jiǎng)勵(lì)的總獎(jiǎng)勵(lì)rtotal,改進(jìn)Q-learning的偽代碼算法如表1所示.

表1 改進(jìn)Q-learning偽代碼算法

Table 1 Algorithm of improved Q-learning

Input:The state of starting and ending pointOutput:The learned Path1. Initialize Q(s,a) arbitrarily,for all s∈S,a∈A(s)2. Repeat(for each episode):3. E(s,a)=0,for all s∈S,a∈A(s)4. Initialize S,A5. Repeat(for each step of episode):6. Choose action a from s using ?-greedy policy7. Take action a,observe r′,s′8. Choose maximum Q(s′,a′) form s′ update Q-value9. Q(s,a)←Q(s,a)+α[r′+γQmax(s′,a′)-Q(s,a)]10. s←s′,a←a′11. If steps reach the maximum length12. Then break13. If success14. Then rtotal←λ1rg+λ2re15. Until run out the episodes

算法的輸出為增強(qiáng)學(xué)習(xí)序列化決策的路徑結(jié)果,輸入為起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的空間狀態(tài),形式化表示如式(13)所示.

Input

(13)

其中,si表示起始節(jié)點(diǎn)的空間狀態(tài),se表示目標(biāo)節(jié)點(diǎn)的空間狀態(tài).

3)基于增強(qiáng)學(xué)習(xí)的自動(dòng)化SWRL規(guī)則提取

使用SWRL規(guī)則對(duì)STEP文件中的語(yǔ)義信息進(jìn)行推理是經(jīng)典的做法,傳統(tǒng)的SWRL規(guī)則采用人工書(shū)寫(xiě)的方式產(chǎn)生,這樣的規(guī)則產(chǎn)生方式存在兩方面的不足,一方面是用于推理STEP語(yǔ)義信息的規(guī)則往往較為繁瑣和復(fù)雜,這使得人工書(shū)寫(xiě)規(guī)則存在冗余和差錯(cuò)問(wèn)題.另一方面,繁瑣的SWRL語(yǔ)義推理規(guī)則,使得對(duì)規(guī)則的維護(hù)和更新較為困難,同時(shí)存在不利于工程人員之間交流的問(wèn)題.

基于增強(qiáng)學(xué)習(xí)的自動(dòng)化SWRL規(guī)則產(chǎn)生方法能有效避免傳統(tǒng)規(guī)則產(chǎn)生方式的不足.在使用設(shè)置了路徑獎(jiǎng)勵(lì)回報(bào)的改進(jìn)Q-learning算法的增強(qiáng)學(xué)習(xí),智能體通過(guò)和環(huán)境的交互不僅能學(xué)習(xí)到兩個(gè)實(shí)體節(jié)點(diǎn)間的可達(dá)路徑,還能學(xué)習(xí)出兩個(gè)實(shí)體節(jié)點(diǎn)間的最短路徑.由映射關(guān)系可知,智能體序列化決策學(xué)習(xí)到的最短路徑中蘊(yùn)藏著兩個(gè)實(shí)體節(jié)點(diǎn)間存在的關(guān)系和規(guī)則.基于增強(qiáng)學(xué)習(xí)的SWRL規(guī)則產(chǎn)生方法具體算法步驟如下:

Step 1.依據(jù)需要推理的結(jié)果,查閱STEP數(shù)據(jù)在EXPRESS語(yǔ)言中的相關(guān)描述;

Step 2.根據(jù)EXPRESS語(yǔ)言的描述獲取知識(shí)圖譜中對(duì)應(yīng)語(yǔ)義元的集合;

Step 3.根據(jù)語(yǔ)義元集合設(shè)置增強(qiáng)學(xué)習(xí)的起始點(diǎn)和目標(biāo)點(diǎn);

Step 4.根據(jù)改進(jìn)Q-learning算法得到智能體序列化決策結(jié)果;

Step 5.基于STEP文件數(shù)據(jù)到增強(qiáng)學(xué)習(xí)的關(guān)系映射,得到相信的SWRL規(guī)則.

5 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)以減速器的STEP文件為基礎(chǔ)構(gòu)建知識(shí)圖譜,以減速器中的傳動(dòng)軸為例如圖4所示,首先將減速器STEP文件中的產(chǎn)品數(shù)據(jù)信息與面向產(chǎn)品設(shè)計(jì)意圖的語(yǔ)義元模型進(jìn)行映射,其次基于AAG圖初步提取傳動(dòng)軸中相關(guān)特征,然后結(jié)合增強(qiáng)學(xué)習(xí)算法學(xué)習(xí)PMI信息提取規(guī)則,最后使用SWRL規(guī)則分析傳動(dòng)軸的多語(yǔ)義特征.

圖4 傳動(dòng)軸三維模型

基于AP242應(yīng)用協(xié)議的STEP文件由EXPRESS語(yǔ)言描述,每一條EXPRESS語(yǔ)句由實(shí)體標(biāo)識(shí)、實(shí)體名稱(chēng)和實(shí)體屬性三部分組成.我們從傳動(dòng)軸的STEP文件中任取一條EXPRESS語(yǔ)句,其描述形式如公式(14)所示.

#971=ADVANCED_FACE(″,(#891),#942,.T.);

(14)

其中#971為實(shí)體標(biāo)識(shí),ADVANCED_FACE為實(shí)體名稱(chēng),也意味著該實(shí)體的種類(lèi),(″,(#891),#942,.T.)括號(hào)中的則為該實(shí)體的屬性.該EXPRESS語(yǔ)義與語(yǔ)義元模型的映射結(jié)果如表2所示.

表2 實(shí)體至語(yǔ)義元模型映射

Table 2 Mapping of entity to SC

實(shí)體相關(guān)屬性語(yǔ)義元屬性#971ADVANCED_FACE(″,(#891),#942,.T.)

將STEP文件中的實(shí)體逐一映射成面向設(shè)計(jì)意圖的語(yǔ)義元并存入數(shù)據(jù)庫(kù)中,使用AAG特征提取方法對(duì)傳動(dòng)軸的特征提取結(jié)果如表3所示.

表3 AAG特征提取結(jié)果

Table 3 Result of AAG finds features

分析對(duì)象分析結(jié)果不規(guī)則槽特征 傳動(dòng)軸不規(guī)則開(kāi)槽特征圓柱凸臺(tái)特征

從識(shí)別結(jié)果可以看出,由于鍵槽中包含兩個(gè)半圓柱面,AAG特征提取方法將其識(shí)別為不規(guī)則特征,同樣傳動(dòng)軸的開(kāi)槽中也存在半圓柱面從而識(shí)別成不規(guī)則開(kāi)槽特征,且識(shí)別出軸中圓柱凸臺(tái)特征,識(shí)別出正確的結(jié)果.傳動(dòng)軸的實(shí)體表面由多個(gè)圓柱面組成,雖然從幾何角度的描述一致,但圓柱面和圓柱面之間加工要求和所承載的功能屬性各不相同,可大致分為兩類(lèi),一類(lèi)是定位圓柱面,這類(lèi)圓柱面主要功能在于使軸上零件能處于正確位置,一般這類(lèi)圓柱面對(duì)加工要求較低.另一類(lèi)是裝配圓柱面,這類(lèi)圓柱面和軸上零件直接接觸且和零件之間具有裝配關(guān)系,一般這類(lèi)圓柱面對(duì)加工的要求較高.對(duì)于幾何特征相同的圓柱面,其設(shè)計(jì)意圖語(yǔ)義信息卻大不一樣,將其都識(shí)別為相同的特征,會(huì)造成產(chǎn)品數(shù)據(jù)交換信息的缺失.因此有必要提取PMI信息,結(jié)合規(guī)則進(jìn)一步分析多語(yǔ)義的特征.

若所建立的知識(shí)圖譜規(guī)則庫(kù)中不存在提取PMI信息的規(guī)則,則需要人工編寫(xiě)規(guī)則或利用增強(qiáng)學(xué)習(xí)提取規(guī)則,本次實(shí)驗(yàn)采用基于增強(qiáng)學(xué)習(xí)的自動(dòng)化SWRL規(guī)則提取方法.依據(jù)想要提取規(guī)則的結(jié)果查詢(xún)STEP數(shù)據(jù)在EXPRESS語(yǔ)言中的描述.PMI的線(xiàn)程尺寸和徑向尺寸在EXPRESS語(yǔ)言以DIMENSIONAL_CHARACTERISTIC_REPRESENTATION的實(shí)體名稱(chēng)進(jìn)行描述,零件幾何面的集合用實(shí)體名稱(chēng)CLOSED_SHELL進(jìn)行描述.在傳動(dòng)軸的STEP文件中實(shí)體名稱(chēng)CLOSED_SHELL對(duì)應(yīng)的實(shí)體標(biāo)識(shí)為#1002,實(shí)體名稱(chēng)為DIMENSIONAL_CHARACTERISTIC_REPRESENTATION對(duì)應(yīng)的實(shí)體標(biāo)識(shí)為一個(gè)集合.由于我們是為了提取抽象的SWRL規(guī)則,這里不妨取#1002和#47作為增強(qiáng)學(xué)習(xí)的起點(diǎn)和終點(diǎn).以改進(jìn)Q-learning算法為基礎(chǔ),通過(guò)智能體和環(huán)境交互學(xué)習(xí)到的結(jié)果如圖5所示:

從學(xué)習(xí)結(jié)果可以看出,從實(shí)體標(biāo)識(shí)為#47的語(yǔ)義元節(jié)點(diǎn)到實(shí)體標(biāo)識(shí)為#1002的語(yǔ)義元節(jié)點(diǎn)存在兩條長(zhǎng)度一樣可達(dá)的路徑,以實(shí)體標(biāo)識(shí)形式提取增強(qiáng)學(xué)習(xí)智能體序列化決策結(jié)果如表4所示.

圖5 增強(qiáng)學(xué)習(xí)最優(yōu)路徑結(jié)果

在以實(shí)體標(biāo)識(shí)形式得到的序列化決策結(jié)果中,兩個(gè)實(shí)體標(biāo)識(shí)對(duì)應(yīng)的語(yǔ)義元間存在著連接邊,STEP文件產(chǎn)品數(shù)據(jù)中包含實(shí)體層級(jí)結(jié)構(gòu)關(guān)系映射得到語(yǔ)義元節(jié)點(diǎn)間的連接邊.基于STEP產(chǎn)品數(shù)據(jù)至語(yǔ)義元模型和增強(qiáng)學(xué)習(xí)的映射關(guān)系,結(jié)合智能體序列化決策結(jié)果可以抽象出語(yǔ)義元節(jié)點(diǎn)的類(lèi)型和語(yǔ)義元節(jié)點(diǎn)之間的關(guān)系作為SWRL語(yǔ)義規(guī)則的前提條件.表4中序列化決策結(jié)果生成的SWRL規(guī)則如表5所示.

表4 增強(qiáng)學(xué)習(xí)序列化決策結(jié)果

Table 4 Result of serialization decision

序列化決策結(jié)果1#47→#19→#221→#167→#979→#1002序列化決策結(jié)果2#47→#19→#220→#166→#981→#1002

由于兩個(gè)序列化決策結(jié)果所生成的規(guī)則一致,則可以取其中任意一條規(guī)則作為零件具有PMI信息的SWRL語(yǔ)義規(guī)則,并存入知識(shí)圖譜的規(guī)則庫(kù)中,利用相同算法步驟,我們可以提取零件表面粗糙度的SWRL規(guī)則等相關(guān)語(yǔ)義規(guī)則.將增強(qiáng)學(xué)習(xí)提取規(guī)則和人工編寫(xiě)規(guī)則相結(jié)合,分析推理軸的多語(yǔ)義特征結(jié)果如表6所示.

表5 序列化決策結(jié)果生成對(duì)應(yīng)SWRL規(guī)則

Table 5 SWRL rules generated from serialization decision

序列化決策結(jié)果SWRL規(guī)則#47→#19→#221→#167→#979→#1002DIMENSIONAL_CHARACTERISTIC_REPRESENTATION_contains_DIMENSIONAL_LOCATION(?d,?l)∧DIMENSIONAL_LOCATION__contains_SHAPE_ASPECT(?l,?s)∧SHAPE_ASPECT_contains-1_GEOMETRIC_ITEM_SPECIFIC_USAGE(?s,?g)∧GEOMETRIC_ITEM_SPECIFIC_USAGE_contains_ADVANCED_FACE(?g,?a)∧ADVANCED_FACE_contains-1_CLOSED_SHELL(?a,?c)→CLOSED_SHELL_has_PMI(?c)

#47→#19→#220→#166→#981→#1002DIMENSIONAL_CHARACTERISTIC_REPRESENTATION_contains_DIMENSIONAL_LOCATION(?d,?l)∧DIMENSIONAL_LOCATION__contains_SHAPE_ASPECT(?l,?s)∧SHAPE_ASPECT_contains-1_GEOMETRIC_ITEM_SPECIFIC_USAGE(?s,?g)∧GEOMETRIC_ITEM_SPECIFIC_USAGE_contains_ADVANCED_FACE(?g,?a)∧ADVANCED_FACE_contains-1_CLOSED_SHELL(?a,?c)→CLOSED_SHELL_has_PMI(?c)

表6 多語(yǔ)義特征推理結(jié)果

Table 6 Result of multi-semantic feature

相關(guān)圓柱面推理結(jié)果#984ADVANCED_FACE_has_Assembly_function(?#984)#976ADVANCED_FACE_has_Position_function(?#976)

表中結(jié)果顯示實(shí)體標(biāo)識(shí)為#984的圓柱面(表面粗糙度為1.6的圓柱面)所在的圓柱凸臺(tái)特征具有裝配功能,而#976的圓柱面(表面粗糙度為3.2的圓柱面)所在的圓柱凸臺(tái)特征具有過(guò)渡功能.

6 結(jié) 論

本文以STEP AP242協(xié)議為基礎(chǔ),引入了知識(shí)圖譜體系結(jié)構(gòu),提出了以產(chǎn)品信息語(yǔ)義元為基本單位的設(shè)計(jì)意圖語(yǔ)義元模型DISM,構(gòu)建了面向設(shè)計(jì)意圖的STEP產(chǎn)品信息知識(shí)圖譜;針對(duì)基于邊界特征提取和基于鄰接圖特征提取存在的不足,提出了基于語(yǔ)義元模型的多語(yǔ)義特征提取方法;在模型映射的基礎(chǔ)上,結(jié)合增強(qiáng)學(xué)習(xí)算法,提出了基于增強(qiáng)學(xué)習(xí)的路徑推理及SWRL規(guī)則挖掘技術(shù)以實(shí)現(xiàn)隱藏的設(shè)計(jì)意圖信息的知識(shí)推理,大大彌補(bǔ)傳統(tǒng)人工定義本體規(guī)則的缺陷.以傳動(dòng)軸為例結(jié)合設(shè)計(jì)意圖語(yǔ)義元模型DISM,知識(shí)提取和知識(shí)推理技術(shù),對(duì)其多語(yǔ)義特征進(jìn)行推理.