一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法
【專利摘要】本發(fā)明公開了一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法，涉及到數(shù)據(jù)挖掘、知識工程、沖壓工藝等技術(shù)，屬于多學(xué)科交叉領(lǐng)域。方法包括六個(gè)過程：過程一：建立支持本系統(tǒng)構(gòu)建的統(tǒng)一的特征信息模型，過程二：建立關(guān)聯(lián)性知識表達(dá)模型，過程三：構(gòu)建用于數(shù)據(jù)挖掘建模的推理系統(tǒng)，過程四：研究數(shù)據(jù)挖掘模型評價(jià)技術(shù)，過程五：局部過程的智能化集成，過程六：系統(tǒng)的總體集成、測試、完善。本發(fā)明主要用于改造提升傳統(tǒng)的沖壓工藝設(shè)計(jì)方法，提高沖壓工藝設(shè)計(jì)的準(zhǔn)確性和效率。
【專利說明】
一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法
技術(shù)領(lǐng)域
[0001] 本方法(技術(shù))涉及到數(shù)據(jù)挖掘、知識工程、沖壓工藝等技術(shù)，屬于多學(xué)科交叉領(lǐng) 域，主要用于改造提升傳統(tǒng)的沖壓工藝設(shè)計(jì)方法，提高沖壓工藝設(shè)計(jì)的準(zhǔn)確性和效率。
【背景技術(shù)】
[0002] 隨著信息技術(shù)的飛速發(fā)展，CAPP(Computer Aided Process Planning，計(jì)算機(jī)輔 助工藝規(guī)劃）在制造企業(yè)中的應(yīng)用越來越廣泛，越來越深入，新的知識技術(shù)例如K B E (Knowledge Based Engineering，基于知識的工程)技術(shù)、數(shù)據(jù)挖掘技術(shù)等和新的信息技術(shù) 例如本體技術(shù)、網(wǎng)絡(luò)技術(shù)等不斷涌現(xiàn)和迅猛發(fā)展。在全球經(jīng)濟(jì)一體化趨勢日益增強(qiáng)的背景 下，各行各業(yè)迫切要求不斷吸收利用新的知識技術(shù)、信息技術(shù)加快對傳統(tǒng)產(chǎn)業(yè)的改造提升， 實(shí)現(xiàn)傳統(tǒng)產(chǎn)業(yè)的知識化，信息化以及智能化，從而在劇烈的全球競爭下立于不敗之地。
[0003] 沖壓技術(shù)作為工業(yè)支柱產(chǎn)業(yè)一一制造業(yè)的一種重要產(chǎn)品加工方法，尤其迫切需要 利用知識技術(shù)、信息技術(shù)改造提升傳統(tǒng)手段與技術(shù)，實(shí)現(xiàn)高度智能化生產(chǎn)加工。即將專家的 經(jīng)驗(yàn)知識和專家人本身分開來，使其能夠獨(dú)立發(fā)揮決策作用，達(dá)到擺脫對工藝專家的依賴、 便于工藝知識的繼承和集成、擁有更強(qiáng)大解決問題能力的目標(biāo)。
[0004] 目前，數(shù)據(jù)挖掘技術(shù)已成為沖壓件智能工藝設(shè)計(jì)研究的熱點(diǎn)，國內(nèi)外已進(jìn)行大量 研究及應(yīng)用實(shí)踐，也出了不少成果，數(shù)據(jù)挖掘技術(shù)已充分展示出其獲取工藝知識的優(yōu)越性： 只要提供完備、準(zhǔn)確、可靠的數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)就可以獲取需要的知識，不但避免了對領(lǐng) 域?qū)＜业膰?yán)重依賴，而且獲得的知識比傳統(tǒng)的知識更優(yōu)質(zhì)，更容易和自動(dòng)化系統(tǒng)銜接。因?yàn)?這些知識是通過嚴(yán)格、科學(xué)的算法從數(shù)據(jù)（事物的現(xiàn)象）推理出的事物內(nèi)在聯(lián)系（知識本 質(zhì)），很精確，易于轉(zhuǎn)化成量化知識，從而作為控制知識實(shí)現(xiàn)基于知識驅(qū)動(dòng)的自動(dòng)化工藝CAD 設(shè)計(jì);但是這些研究和應(yīng)用實(shí)踐也顯示，數(shù)據(jù)挖掘技術(shù)在沖壓件工藝設(shè)計(jì)領(lǐng)域的應(yīng)用仍存 在嚴(yán)重不足:沖壓件工藝設(shè)計(jì)呈局部智能化狀態(tài)，整體智能化、自動(dòng)化程度仍然較低，導(dǎo)致 系統(tǒng)準(zhǔn)確性、效率以及解決問題的能力大大受限，距離學(xué)術(shù)界和工業(yè)所期待的目標(biāo)尚有很 大距離。具體表現(xiàn)在兩個(gè)方面：
[0005] 第一、當(dāng)前數(shù)據(jù)挖掘技術(shù)在沖壓件工藝設(shè)計(jì)中的應(yīng)用研究多是局部性應(yīng)用研究， 要么單獨(dú)地將數(shù)據(jù)挖掘技術(shù)用于工藝設(shè)計(jì)數(shù)據(jù)的挖掘以完成初始工藝設(shè)計(jì)，要么單獨(dú)地用 于處理仿真數(shù)據(jù)以獲取知識實(shí)現(xiàn)對初次設(shè)計(jì)的修正，沒有將兩個(gè)階段的數(shù)據(jù)挖掘集成起來 形成一個(gè)有機(jī)統(tǒng)一過程，從而造成系統(tǒng)智能化、自動(dòng)化程度受限，進(jìn)而影響二者有機(jī)協(xié)作， 妨礙了工藝設(shè)計(jì)的準(zhǔn)確性和效率的提高。
[0006] 第二、數(shù)據(jù)挖掘過程的進(jìn)行依然強(qiáng)烈依靠經(jīng)驗(yàn)豐富的專家的參與，不但妨礙了系 統(tǒng)的智能化、自動(dòng)化程度，而且嚴(yán)重削弱了系統(tǒng)解決問題的能力。

【發(fā)明內(nèi)容】

[0007] 針對沖壓件工藝設(shè)計(jì)領(lǐng)域智能化、自動(dòng)化程度較低，妨礙工藝設(shè)計(jì)的準(zhǔn)確性和效 率，同時(shí)削弱系統(tǒng)解決問題的能力等問題，本發(fā)明提出一種新的基于數(shù)據(jù)挖掘技術(shù)的智能 沖壓工藝設(shè)計(jì)方法。
[0008] 本發(fā)明采用的技術(shù)方案為：一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方 法，包括以下過程：
[0009] 過程一:建立支持本系統(tǒng)構(gòu)建的統(tǒng)一的特征信息模型；
[0010]研究當(dāng)前基于數(shù)據(jù)挖掘的沖壓工藝設(shè)計(jì)專家系統(tǒng)特征信息表達(dá)模型的基礎(chǔ)上，研 究融入KBE技術(shù)、本體技術(shù)所新增的特征信息，建立整個(gè)工藝設(shè)計(jì)過程完整、統(tǒng)一的特征概 念定義。
[0011] 過程二:建立關(guān)聯(lián)性知識表達(dá)模型；
[0012] 在分析沖壓工藝設(shè)計(jì)中基于數(shù)據(jù)挖掘的CAD過程和基于數(shù)據(jù)挖掘的CAE過程所涉 及的功能、數(shù)據(jù)、特征參數(shù)設(shè)置(對成形質(zhì)量目標(biāo)函數(shù)有影響的參數(shù)）以及形狀特征和工藝 知識的因果關(guān)系的基礎(chǔ)上，采用基于本體語義的知識表示法建立兩個(gè)過程的關(guān)聯(lián)性知識表 達(dá)模型。
[0013] 過程三:構(gòu)建用于數(shù)據(jù)挖掘建模的推理系統(tǒng)；
[0014] 過程四：研究數(shù)據(jù)挖掘模型評價(jià)技術(shù)；
[0015] 研究數(shù)據(jù)挖掘模型的評價(jià)指標(biāo)，構(gòu)建準(zhǔn)確、完備的評價(jià)指標(biāo)體系;確定指標(biāo)權(quán)重的 計(jì)算方法以及指標(biāo)量化值的計(jì)算方法;建立綜合利用這些指標(biāo)定量度量數(shù)據(jù)挖掘模型性能 的方法。
[0016] 過程五:局部過程的智能化集成；
[0017] 此過程包含兩個(gè)方面:一是基于智能數(shù)據(jù)挖掘技術(shù)和關(guān)聯(lián)知識模型的初始設(shè)計(jì)過 程集成，二是基于智能數(shù)據(jù)挖掘技術(shù)和關(guān)聯(lián)知識模型的仿真反饋設(shè)計(jì)過程集成。
[0018] 過程六:系統(tǒng)的總體集成、測試、完善。
[0019] 系統(tǒng)分為四層:用戶界面層、功能模塊層、技術(shù)平臺層、數(shù)據(jù)層。
[0020] 進(jìn)一步，所述的過程一中的特征信息模型包括:零件特征信息模型、制造資源特征 信息模型、工藝規(guī)劃特征信息模型。
[0021] 進(jìn)一步，所述的過程三又分為三個(gè)步驟：
[0022] 步驟一:設(shè)計(jì)任務(wù)的分解技術(shù)及確定用于挖掘的相關(guān)數(shù)據(jù)集。利用KBE技術(shù)的RBR 實(shí)現(xiàn)形式完成將復(fù)雜任務(wù)分解成若干可執(zhí)行性子任務(wù)，并確定該子任務(wù)相關(guān)的數(shù)據(jù)集；
[0023] 步驟二:構(gòu)建面向沖壓工藝設(shè)計(jì)的基于本體語義的數(shù)據(jù)挖掘事例庫:首先，從領(lǐng)域 中收集豐富的詞匯、術(shù)語，并將業(yè)內(nèi)廣泛認(rèn)可的詞匯、術(shù)語作為本體的概念，同時(shí)將本體概 念分類為背景概念和結(jié)果概念;其次，分析領(lǐng)域內(nèi)概念之間的相互聯(lián)系，準(zhǔn)確獲取領(lǐng)域本體 的各種關(guān)系;最后，將本體的所有概念通過它們之間的關(guān)系進(jìn)行連接，形成一個(gè)樹狀網(wǎng)絡(luò)結(jié) 構(gòu)，即是本體事例知識庫的數(shù)據(jù)結(jié)構(gòu)；
[0024]步驟三：確定數(shù)據(jù)挖掘建模子系統(tǒng)的知識推理方案：首先，確定系統(tǒng)總體檢索方 案，本項(xiàng)目采用知識導(dǎo)引和最近鄰算法相結(jié)合的二級檢索方案;其次，確定事例的相似度算 法;最后，驗(yàn)證相似度算法的效果以及檢索方案的效果。
[0025] 進(jìn)一步，所述過程六中的功能模塊層包括6個(gè)基本的功能模塊:知識檢索模塊、數(shù) 據(jù)挖掘事例檢索模塊、數(shù)據(jù)挖掘事例修改模塊、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊、工藝知識學(xué)習(xí)模 塊和數(shù)據(jù)挖掘事例學(xué)習(xí)模塊。
[0026] 本發(fā)明的有益效果為:顯著提高沖壓工藝設(shè)計(jì)過程的智能化、自動(dòng)化程度，克服對 設(shè)計(jì)者經(jīng)驗(yàn)的依賴，大幅提高專家系統(tǒng)解決實(shí)際問題的能力以及設(shè)計(jì)質(zhì)量和效率，極大地 促進(jìn)我國制造工業(yè)特別是沖壓模具制造業(yè)的發(fā)展；另外，本發(fā)明大大降低數(shù)據(jù)挖掘技術(shù)的 應(yīng)用門檻，使數(shù)據(jù)挖掘技術(shù)更易于和具體應(yīng)用領(lǐng)域結(jié)合，從而促進(jìn)其在各個(gè)領(lǐng)域廣泛深入 應(yīng)用。
【附圖說明】
[0027]圖1 一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法流程圖；
[0028]圖2零件特征信息模型；
[0029]圖3制造資源特征信息模型；
[0030]圖4加工工藝特征信息模型；
[0031]圖5基于本體的數(shù)據(jù)挖掘事例庫；
[0032]圖6概念Ci'，Ci和leaves(C〇的關(guān)系；
[0033] 圖7數(shù)據(jù)挖掘模型性能評估指標(biāo)的本體結(jié)構(gòu)體系；
[0034] 圖8基于本體和CBR的數(shù)據(jù)挖掘模型評價(jià)過程偽代碼；
[0035]圖9系統(tǒng)總體架構(gòu)；
[0036]圖10知識檢索模塊；
[0037]圖11數(shù)據(jù)挖掘事例檢索模塊；
[0038]圖12數(shù)據(jù)挖掘事例修改模塊；
[0039]圖13數(shù)據(jù)挖掘模塊；
[0040]圖14工藝知識學(xué)習(xí)模塊；
[0041]圖15數(shù)據(jù)挖掘事例學(xué)習(xí)模塊。
【具體實(shí)施方式】
[0042]下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明。
[0043] 圖1為本發(fā)明設(shè)計(jì)方法流程圖，具體詳述如下：
[0044] (1)建立支持本系統(tǒng)構(gòu)建的統(tǒng)一的特征信息模型；
[0045] 研究當(dāng)前基于數(shù)據(jù)挖掘的沖壓工藝設(shè)計(jì)專家系統(tǒng)特征信息表達(dá)模型的基礎(chǔ)上，研 究融入KBE技術(shù)、本體技術(shù)所新增的特征信息，建立整個(gè)工藝設(shè)計(jì)過程完整、統(tǒng)一的特征概 念定義。
[0046] 根據(jù)特征建模思想，通過特征提取技術(shù)，建立支持本系統(tǒng)建構(gòu)的零件特征信息模 型，制造資源特征信息模型，工藝規(guī)劃特征信息模型。在每一個(gè)特征信息模型構(gòu)建過程中， 采用逐層分解策略將特征從抽象到具體逐級剖析表達(dá)。在零件特征信息模型中，比較抽象 的特征如形狀特征、精度特征、材料特征、性能特征等，這些抽象的特征可以具體分解成很 多子特征，以此類推，如圖2所示。同理，在制造資源特征信息模型中，比較抽象的特征是機(jī) 床、夾具、量具、刀具等，這些抽象的特征可以具體分解成很多子特征，以此類推，如圖3所 示;在工藝規(guī)劃特征信息模型中，比較抽象的特征是加工方法選擇、加工設(shè)備選擇、零件加 工順序、工步等，這些抽象的特征可以具體分解成很多子特征，以此類推，如圖4所示。
[0047] (2)建立關(guān)聯(lián)性知識表達(dá)模型；
[0048] 在分析沖壓工藝設(shè)計(jì)中基于數(shù)據(jù)挖掘的CAD過程和基于數(shù)據(jù)挖掘的CAE過程所涉 及的功能、數(shù)據(jù)、特征參數(shù)設(shè)置(對成形質(zhì)量目標(biāo)函數(shù)有影響的參數(shù)）以及形狀特征和工藝 知識的因果關(guān)系的基礎(chǔ)上，采用基于本體語義的知識表示法建立兩個(gè)過程的關(guān)聯(lián)性知識表 達(dá)模型。
[0049] (3)構(gòu)建用于數(shù)據(jù)挖掘建模的推理系統(tǒng);這一環(huán)節(jié)包括三步驟：
[0050]步驟一：設(shè)計(jì)任務(wù)的分解技術(shù)及確定用于挖掘的相關(guān)數(shù)據(jù)集。利用KBE技術(shù)的RBR 實(shí)現(xiàn)形式完成將復(fù)雜任務(wù)分解成若干可執(zhí)行性子任務(wù)，并確定該子任務(wù)相關(guān)的數(shù)據(jù)集。
[0051] 步驟二:構(gòu)建面向沖壓工藝設(shè)計(jì)的基于本體語義的數(shù)據(jù)挖掘事例庫：
[0052] 首先，從領(lǐng)域中收集豐富的詞匯、術(shù)語，并將業(yè)內(nèi)廣泛認(rèn)可的詞匯、術(shù)語作為本體 的概念，同時(shí)將本體概念分類為背景概念和結(jié)果概念；
[0053]其次，分析領(lǐng)域內(nèi)概念之間的相互聯(lián)系，準(zhǔn)確獲取領(lǐng)域本體的各種關(guān)系；
[0054] 最后，將本體的所有概念通過它們之間的關(guān)系進(jìn)行連接，形成一個(gè)樹狀網(wǎng)絡(luò)結(jié)構(gòu)， 即是本體事例知識庫的數(shù)據(jù)結(jié)構(gòu)，概念越抽象，其位置越在樹的頂端。樹的最頂端是最抽象 最籠統(tǒng)的概念"工藝規(guī)劃數(shù)據(jù)挖掘事例"，最底端即樹的末梢是最具體的概念例如材料 "PS"、"PPS"等，在本體樹形結(jié)構(gòu)中，樹葉部分(葉節(jié)點(diǎn)）的概念同時(shí)也是一個(gè)數(shù)據(jù)庫的標(biāo)簽， 里面可以存儲相應(yīng)概念的特征值。這些葉節(jié)點(diǎn)可以看做一個(gè)集合，而現(xiàn)實(shí)世界的每一個(gè)具 體事例，實(shí)際就是對這組葉節(jié)點(diǎn)進(jìn)行賦值，從而成為整個(gè)本體Case的一個(gè)實(shí)例，如圖5所示。 這樣，將大量現(xiàn)實(shí)世界的實(shí)例的具體特征值存入對應(yīng)的數(shù)據(jù)庫就構(gòu)成事例庫，儲存了領(lǐng)域 知識。
[0055] 步驟三:確定數(shù)據(jù)挖掘建模子系統(tǒng)的知識推理方案：
[0056] 首先，確定系統(tǒng)總體檢索方案，事例檢索是利用檢索彳目息從源事例庫中檢索并選 擇潛在可用的源事例，并對新事例與源事例之間的相似度做出合理評判，其核心技術(shù)包括 檢索策略和相似算法的設(shè)計(jì)與選擇。通常采用的策略是最近鄰法和知識導(dǎo)引法的結(jié)合。本 發(fā)明采用知識導(dǎo)引和最近鄰算法相結(jié)合的二級檢索方案，第一級檢索是基于本體的語義理 解檢索，其功能相當(dāng)于知識導(dǎo)引法，首先將問題的解縮小到一個(gè)適當(dāng)?shù)慕饪臻g；第二級是利 用最近鄰算法的數(shù)值計(jì)算，并通過設(shè)置一定的閡值控制所返回的結(jié)果事例個(gè)數(shù);如何訪問 本體事例庫和語義相似度的計(jì)算是基于本體語義理解檢索的兩個(gè)核心環(huán)節(jié)，它決定著檢索 的成敗與否。
[0057]其次，確定事例的相似度算法；
[0058]本發(fā)明構(gòu)建的語義相似度算法如下：
[0059]綜合考慮ND(Node Distance)和IC(Information Content)相似度，以恰當(dāng)?shù)姆绞?結(jié)合，能有效提高語義相似度計(jì)算準(zhǔn)確性。在這一理念的啟發(fā)下，本發(fā)明提出了新的ND-IC 相似度計(jì)算法即W-IC_ND(Weighted Information Content and Node Distance)。假定概 念簇 C =[(^，C2'，. . . ，. . .，&/ ]來自于用戶詢問，概念簇 C=[C1，C2, . . .，Ci，...， Cn]來自于匹配的本體詞匯庫。概念簇和C的總體相似度表示為SimlCH^KC/，C)。為計(jì)算 SimKH^KC/，C)，首先計(jì)算這兩組概念簇中每一個(gè)概念對(CV，Ci)的相似度 NDKV，Ci)。當(dāng)計(jì)算SimIC-NDKV，Ci)時(shí)，我們首先用1C相似度計(jì)算法計(jì)算，記為SimIC (CV，Ci)，再用ND法計(jì)算，記為SimND(CV，Ci)，最后再將二者加權(quán)求和。其詳細(xì)過程描述如 下：
[0060] 1)計(jì)算SimKXCi'，Ci)的值
[0061]兩個(gè)概念的1C相似度值指其擁有共同信息的程度。假定概念cr是概念CV和Ci的 最近共同祖先。在本體結(jié)構(gòu)中，所有來自概念cr的概念和分類(包括概念cn定義為概念 0；[~的葉，記作163￥68(0；0。概念0；[ /，0；[，0；[~和163￥68(0；0的關(guān)系如圖6所示。
[0062] 顯然，一個(gè)概念的葉比單純的一個(gè)概念包含更豐富和全面的語義內(nèi)容，更能區(qū)分 出它和別的概念的不同。這樣，在一個(gè)領(lǐng)域本體內(nèi)，一個(gè)概念葉更能精確定義一個(gè)概念。于 是本發(fā)明用概念葉作為定義1C相似度的唯一指標(biāo)。
[0063]目前，1C相似度的值通過估計(jì)概念在文獻(xiàn)集中出現(xiàn)的頻率獲得，根據(jù)信息理論中 的理念，概念C的1C值能通過公式來計(jì)算這樣，我們用概念葉來計(jì)算1C相似度的話，公式相 應(yīng)地表示為，
(1 )
[0065] 其中P(leaVeS(Cn)是概念葉中任何一個(gè)實(shí)例出現(xiàn)的幾率。
[0066]于是，相似度SimKXCV，Ci)的值計(jì)算公式為：
[0068]最后，標(biāo)準(zhǔn)化1C相似度的值，如公式(3)所示。
(3)
[0070] 2)計(jì)算SimNDKV，Ci)的值
[0071] 定義1在本體層次結(jié)構(gòu)中，若有兩個(gè)概念節(jié)點(diǎn)CV，，Ci，記ler^CV，，Ci)為CV，Ci 之間的最短路徑。
[0072]定義2在本體層次結(jié)構(gòu)中，若有一節(jié)點(diǎn)Ci，記其深度為depth(Ci) = len(root，Ci)， 其中r 〇〇 t為結(jié)構(gòu)中的根節(jié)點(diǎn)。
[0073]那么，在本體層次結(jié)構(gòu)中，對任意兩個(gè)節(jié)點(diǎn)CV，，Ci，則定義其ND相似度為：
(4)
[0075]當(dāng)利用公式(4)計(jì)算出所有的概念對的ND相似度后，利用公式(5)進(jìn)行標(biāo)準(zhǔn)化。
(5)
[0077] 3)計(jì)算SimlC-NDKi'，Ci)和SimIC-NDW，C)的值
[0078] 當(dāng)SimIC(CV，Ci)和SimND(CV，Ci)的值求出并標(biāo)準(zhǔn)化后，通過公式（6)求出 SimIC-NDKV，Ci)，通過公式(7)求出SimIC-NDK'，C)的值。
[0079] Sim,, } - k^Simjc(C',Ci) + ) (6)
[0080] Sim^iC^C) - J： u)SimlL_,L,{(：；,C,) (7) fel.
[0081] 最后，驗(yàn)證相似度算法的效果以及檢索方案的效果。
[0082] (4)研究數(shù)據(jù)挖掘模型評價(jià)技術(shù)
[0083] 首先，研究數(shù)據(jù)挖掘模型的評價(jià)指標(biāo)，構(gòu)建準(zhǔn)確、完備的評價(jià)指標(biāo)體系。
[0084] 數(shù)據(jù)挖掘模型指標(biāo)僅僅是從不同角度量化了挖掘模型的特征，而如何明確這些指 標(biāo)對于模型的影響程度，即怎樣綜合處理各項(xiàng)特征，獲得能夠體現(xiàn)模型優(yōu)點(diǎn)與缺點(diǎn)的度量， 需要模型的綜合評價(jià)體系。根據(jù)數(shù)據(jù)挖掘模型性能評價(jià)的具體分析以及建立評估指標(biāo)體系 所遵循的原則和過程，本發(fā)明建立了挖掘模型性能評估指標(biāo)的本體結(jié)構(gòu)體系，如圖7所示。
[0085] 本發(fā)明的本體編碼采用0WL語言。0WL適用于這樣的應(yīng)用:在這些應(yīng)用中，不僅僅需 要提供給用戶可讀的文檔內(nèi)容，而且希望處理文檔內(nèi)容信息。0WL能夠被用于清晰地表達(dá)詞 匯表中的詞條(term)的含義以及這些詞條之間的關(guān)系。而這種對詞條和它們之間的關(guān)系的 表達(dá)就稱作本體。0WL相對XML、RDF和RDFSchema擁有更多的機(jī)制來表達(dá)語義，從而0WL超越 了 XML、RDF和RDFSchema僅僅能夠表達(dá)網(wǎng)上機(jī)器可讀的文檔內(nèi)容的能力。本體開發(fā)工具采用 Stanford的protege2000〇
[0086] 數(shù)據(jù)挖掘模型評價(jià)本體的每個(gè)概念類包括9個(gè)主要屬性描述:ClassName，Weight， HaschiId，Value Type,Effect Type，EvaluateMethod，EstimateFunction，NodeValue， Unit。
[0087] ClassName為該概念類的名稱，以概念名稱為唯一標(biāo)志，各評價(jià)因子之間不允許有 重名。
[0088] Weight是評價(jià)因子的權(quán)值，同時(shí)評價(jià)本體上節(jié)點(diǎn)的權(quán)重有以下約束條件：
[0089]根節(jié)點(diǎn)的權(quán)重為1;
[0090] 任意一個(gè)評價(jià)因子節(jié)點(diǎn)的權(quán)重是它的所有子節(jié)點(diǎn)權(quán)重的總和；
[0091] Haschild標(biāo)明是否有子節(jié)點(diǎn)，若有子節(jié)點(diǎn)則其本身沒有獨(dú)立的指標(biāo)值，由其子指 標(biāo)共同表征。
[0092] Value Type代表取值類型(數(shù)值型、區(qū)間型、語言型、布爾型等）。
[0093] Effect Type代表因子的質(zhì)量影響，其中效益型因子如可用性，標(biāo)明指標(biāo)值越大越 好，而成本型因子如價(jià)格，指標(biāo)值越小越好。
[0094] EvaluateMethod標(biāo)明指標(biāo)取值方法（固定型、統(tǒng)計(jì)型、計(jì)算型、設(shè)定型）。
[0095] EstimateFunction為計(jì)算性指標(biāo)的估算函數(shù)。
[0096] NodeValue為評價(jià)因子的取值。
[0097] Unit為指標(biāo)取值的單位。
[0098]利用0WL語言實(shí)現(xiàn)本文的數(shù)據(jù)挖掘性能指標(biāo)評價(jià)體系，部分代碼顯示如下： <qwI: Class rdf: ID ^ ^weight5^ <rdf's: Propcrlyot> <o\vj:(:h:issrd!':]D-'A'al:」c'rypc"> <owl: Glass rdf: Correlation ^ ";NodeWue,,> <rdfs: ObjCctPropcrtyot> <o\vl: Object rdf: function "iiLStinuUcrunctlorr'^ </rdfs; ObjcciPropcrtyof> </rdls: Pix>pcrtv〇t>
[0099] ' <rdts: Proportyofi> <ovvl: Constraliu. rdf: Object - "HascMId,5> <o\vi: (.'onsiralnt rdf: C^orrclaiion - "liiiicct Jypc^> <fdfe： OtyeGtPropertyofi> <o'vvl: Object rdf: function …"EstimateFunetion"〉 </rdfs: ()bjcctPropcriyoi> </rdfs: Propertyof> </o\v 1; Constraint> <owi: Constraint rdf': SD …''.NodeVaiue"> <rd ts; Propoilyo I> <owi: Constraint rdf^ Object - ^E￥aluateMethod,?> <rdfs: ObjeclPropcrty〇[> <owl: Object rdf; fisnction ~ ""Unit''>
[0100] ' </rdfs; C)bjcct[^r0pcrtyof> </rd fs; Properiyof> </0vvI: Constra\ni>
[0101] 然后，確定指標(biāo)權(quán)重的計(jì)算方法以及指標(biāo)量化值的計(jì)算方法。
[0102] 求權(quán)重是綜合評價(jià)的關(guān)鍵。數(shù)據(jù)挖掘技術(shù)是面向應(yīng)用領(lǐng)域的，在同一應(yīng)用領(lǐng)域，不 同的評價(jià)因子對數(shù)據(jù)挖掘模型性能的影響程度也不相同；對于同一評價(jià)指標(biāo)來說，應(yīng)用的 挖掘業(yè)務(wù)不同，可能關(guān)注的程度也會有所差異。這樣，指標(biāo)權(quán)重需要根據(jù)應(yīng)用業(yè)務(wù)及評價(jià)因 子本身的特點(diǎn)來獲得，需要考慮客觀及主觀兩個(gè)方面。因此，本發(fā)明采用主客觀綜合集成賦 權(quán)法將本體結(jié)構(gòu)計(jì)算權(quán)重法和AHP法結(jié)合起來。
[0103] 結(jié)合評價(jià)體系的應(yīng)用特點(diǎn)，選用層次分析(Analytic Hierarchy Process，AHP)法 作為補(bǔ)充。層次分析法(Analytic Hierarchy Process，AHP)，是從定性分析到定量分析綜 合集成的一種典型的系統(tǒng)工程方法，它將復(fù)雜系統(tǒng)的思維過程數(shù)學(xué)化，將主觀判斷為主的 定性分析進(jìn)行定量化，將各種判斷要素之間的差異數(shù)值化，從而，保持思維過程的一致性， 適用于復(fù)雜的模糊綜合評價(jià)應(yīng)用。這樣，附加上層次分析法，我們能把外在的專家對評價(jià)指 標(biāo)重要性的主觀評價(jià)來作為對權(quán)重的一個(gè)重要調(diào)整因素，從而大大提高了結(jié)果的準(zhǔn)確性。 [0104]本發(fā)明提出的0s_Ahp(0ntology Structure-Analytic hierarchy process)法， 即加權(quán)本體結(jié)構(gòu)法和層次分析法過程如下:首先利用本體結(jié)構(gòu)法計(jì)算出各個(gè)數(shù)據(jù)挖掘評價(jià) 指標(biāo)的權(quán)重，再利用層次分析法(Analytic Hierarchy Process-AHP)計(jì)算出各個(gè)指標(biāo)的權(quán) 重，最后加權(quán)求出最終的指標(biāo)權(quán)重。這樣，從客觀因素方面來講，即從本體的內(nèi)在結(jié)構(gòu)來確 定數(shù)據(jù)挖掘評價(jià)指標(biāo)的權(quán)重;從主觀因素方面來講，即通過外在的專家對評價(jià)指標(biāo)重要性 的主觀評價(jià)來確定其權(quán)重。
[0105] 詳細(xì)過程如下：
[0106] 1)利用本體結(jié)構(gòu)法確定指標(biāo)權(quán)重
[0107] 設(shè)本體結(jié)構(gòu)法確定的權(quán)重記作Wo,其分為兩部分即W〇 = Wm+Ws;Wm表示主要部分 (Main part)，Ws表不次要部分（Secondary part)。
[0108] Wm的計(jì)算方法：
[0109] 法則1:如果父概念A(yù)的權(quán)重為a，且有n個(gè)子概念，則每個(gè)子概念權(quán)重的主要部分Wm = a/m。定義本體根節(jié)點(diǎn)權(quán)重為I即W(root) = 1 [0110] Ws的計(jì)算方法:Wm = 0Sim( ?，?）；
[0111] Sim( .，.）表示該概念與其父概念的相似度，其計(jì)算方法見本文第三章兩概念相似 度求法;0表示調(diào)整系數(shù)，目前主要是經(jīng)驗(yàn)確定。
[0112] 2)利用AHP法求權(quán)重
[0113]層次分析法確定權(quán)重的做法如下:①建立多層次的遞階結(jié)構(gòu)。按目標(biāo)的不同、實(shí)現(xiàn) 功能的差異，將系統(tǒng)分為遞階層次結(jié)構(gòu)體系。②構(gòu)造判斷矩陣。在建立多層次遞階結(jié)構(gòu)體系 后，通過各層中元素兩兩比較，構(gòu)造比較判斷矩陣，確定下一層對于上一層次某因素的相對 重要性，并賦予一定分值。通常采用的標(biāo)度準(zhǔn)則為T ? L ? Saaty教授提出的標(biāo)度表，如表1所 不。
[0114] 指標(biāo)判斷矩陣的比較標(biāo)度表及其含義
[0115] 表1指標(biāo)判斷矩陣的比較標(biāo)度表及其含義
[0117]倒數(shù)：因素 ui與uj比較得判斷ui j，則ui與uj比較得判斷uji = lAii j，根據(jù)標(biāo)度表 可構(gòu)造判斷矩陣T:
[0118] rt;；f |
[0119] ③計(jì)算指標(biāo)權(quán)重。根據(jù)判別矩陣T，利用線性代數(shù)知識，可以精確地求出其最大特 征根及對應(yīng)的特征向量。將特征向量歸一化處理即得到該層次評價(jià)因素對父因素影響程度 的大小。最大向量的求解有多種方法例如和積法，方根近似法等，由于方根近似法更為常 用，故本文采用方根近似法進(jìn)行求解，步驟如下：
[0120] Step 1計(jì)算判斷矩陣每一行元素的乘積Mi，
[0121 ] Mi = Iluij，（i，j = 1，2，*"m)
[0122] Step 2計(jì)算Mi的m次方根
[0123]
[0124] Step 3對向量# =(W1，W2, ? ? ?，Wm)歸一化處理。 f m -
[0125] W rWj \ / L fei _
[0126] WA=(wl，w2,. . .，wm)即為所求指標(biāo)的權(quán)重
[0127] Step 4-致性檢驗(yàn)
[0128] 求出權(quán)重后，需要對判別矩陣進(jìn)行一致性檢驗(yàn)，公式如下：
[0129] CR = CI/RI
[0130] CR為判斷矩陣的隨機(jī)一致性比率，CI為判斷矩陣一致性指標(biāo)，計(jì)算公式如下：
[0131] CI = (Amax-m)/(m-1)
[0132] RI的值可以根據(jù)Saaty標(biāo)度結(jié)果和CI的值計(jì)算得出。
[0133] 式中，Amax為判斷矩陣的最大特征根。
[0134] 二者加權(quán)求和即得到最終權(quán)重W
[0135] ff=klffo+k2WA
[0136] (kl，k2 為二者權(quán)重，且 kl+k2 = l)
[0137] 最后，建立綜合利用這些指標(biāo)定量度量數(shù)據(jù)挖掘模型性能的方法。
[0138] 具體步驟如下：
[0139] Step 1建立挖掘模型評估指標(biāo)集
[0140] 建立合理的數(shù)據(jù)挖掘模型指標(biāo)評估體系，是挖掘模型性能有效評估的基礎(chǔ)，也是 最關(guān)鍵的問題。沒有科學(xué)的評估指標(biāo)體系，評估工作就無法正確進(jìn)行。DMME-0AF指標(biāo)評價(jià)體 系的設(shè)計(jì)遵循以下基本原則：
[0141] (1)全面性原則，在模型性能評價(jià)研究中，全面考慮模型的各類指標(biāo)，綜合精確度、 效益、運(yùn)行效率等各個(gè)方面，盡可能全面地評價(jià)挖掘模型工作性能。
[0142] (2)平衡性原則，在挖掘模型性能評價(jià)因素的考察中，需要考察能夠反映模型能力 的正確性因素，也需要考慮模型的資源消耗因素。即需要關(guān)注挖掘模型的業(yè)務(wù)能力，也不能 忽略模型各個(gè)方面的代價(jià)。
[0143] (3)實(shí)用性原則，挖掘模型的設(shè)計(jì)最終的目標(biāo)是為應(yīng)用服務(wù)，而不僅僅正確性上比 較哪個(gè)模型的建模方法深?yuàn)W或者復(fù)雜，挖掘模型的評價(jià)同樣需要考察能夠?yàn)橥诰驑I(yè)務(wù)帶來 的效益，因此，評價(jià)體系需要綜合價(jià)值方面的因素。
[0144] 本發(fā)明在建立挖掘模型性能指標(biāo)評估體系結(jié)構(gòu)的基礎(chǔ)上實(shí)現(xiàn)了DMME-0AF的數(shù)據(jù) 挖掘評價(jià)模型設(shè)計(jì)。應(yīng)用時(shí)有兩點(diǎn)說明：
[0145] (1)層次的指標(biāo)可以擴(kuò)展，當(dāng)需要考慮更多方面的因素，根據(jù)實(shí)際需要可以擴(kuò)展評 估指標(biāo)。
[0146] (2)最終用來作為決策的指標(biāo)集是該指標(biāo)體系的一個(gè)子集，可以根據(jù)實(shí)際況選擇 不同的指標(biāo)集。例如：
[0147] 可以將U={提升度效益覆蓋度契合度命中率運(yùn)行時(shí)間復(fù)雜度H乍為決策指 標(biāo)集，也可以將指標(biāo)"契合度"換成它的子集{簡潔性確定性實(shí)用性感興趣度新穎性可 解釋性可視化}，即IT ={提升度效益覆蓋度簡潔性確定性實(shí)用性感興趣度新穎性 可解釋性可視化命中率運(yùn)行時(shí)間復(fù)雜度}。
[0148] 當(dāng)測試情況允許時(shí)，可以將指標(biāo)分得更細(xì)化，這樣結(jié)果更準(zhǔn)確，當(dāng)測試條件不充分 的話，可以用較籠統(tǒng)的指標(biāo)粗略評價(jià)。本文采用1/作為評價(jià)指標(biāo)集。
[0149] Step 2設(shè)計(jì)挖掘模型性能評語集
[0150]在所有的評價(jià)指標(biāo)中，不是所有的指標(biāo)都可以定量計(jì)算，部分指標(biāo)是定性描述，SP 通過專家評價(jià)獲得評語，作為模糊語言值。評語集是對評價(jià)對象可能做出的評價(jià)結(jié)果所組 成的集合，表示為V= {>1，￥2，￥3，一，￥11}?？紤]評價(jià)等級的合理密度，在挖掘模型評價(jià)體系中 采用五級評語集，即
[0151] V={很好，較好，中，較差，很差}。
[0152] Step 3求解挖掘模型各個(gè)評價(jià)因素的評語
[0153] 對于挖掘模型的各個(gè)評價(jià)因素，系統(tǒng)給出具體量化。當(dāng)所有的定性指標(biāo)給出定性 評價(jià)后，需要將定性評價(jià)量化，并建立隸屬度函數(shù)。定性評價(jià)量化賦值按表2進(jìn)行。
[0154] 表2定性評價(jià)量化賦值
[0156]相應(yīng)的隸屬度函數(shù)式如下：
[0158] 其中a表示矩陣元素 Xlj的上限閡值;b矩陣元素 Xlj的下限閡值。 1 通過評語的量化和隸屬度函數(shù)，能得出評價(jià)指標(biāo)矩陣(隸屬度矩陣)R: % …：Fm r , ry hi %2 ??? t:2n.
[0160] R二 ； . . .* .? ? ? ? .? F T T -ml 9ml " ? mn
[0161] 令
[0163] 將各因素進(jìn)行歸一化處理，得到RQ為： ~ 0 0: 0 ~ % ；12 …fin
[0164] If= ^ i i ?.-? & 9' r0r0r0 ini f m2 …1 mn …
[0165] Step 4利用上面的求權(quán)重的方法求出權(quán)重集W [0166] Step 5計(jì)算評判結(jié)果矩陣B
[0167] 將權(quán)重矩陣W與歸一化處理后的評判矩陣Rq相乘，即可得評判結(jié)果矩陣BB=W ? Rq。 根據(jù)最大隸屬度原則，選出最優(yōu)方案。
[0168] 整個(gè)基于本體和CBR建模的數(shù)據(jù)挖掘模型評價(jià)過程偽代碼如圖8所示。
[0169] (5)局部過程的智能化集成
[0170] 此過程包含兩個(gè)方面:一是基于智能數(shù)據(jù)挖掘技術(shù)和關(guān)聯(lián)知識模型的初始設(shè)計(jì)過 程集成，二是基于智能數(shù)據(jù)挖掘技術(shù)和關(guān)聯(lián)知識模型的仿真反饋設(shè)計(jì)過程集成，有利于系 統(tǒng)最終的集成和完善。
[0171] (6)系統(tǒng)的總體集成、測試、完善
[0172] 本發(fā)明系統(tǒng)的總體架構(gòu)如圖9所示，可以看出，系統(tǒng)分四層:用戶界面層、功能模塊 層、技術(shù)平臺層、數(shù)據(jù)層。
[0173] 用戶界面層:用戶界面層也叫事務(wù)層，是用戶和計(jì)算機(jī)進(jìn)行交流的窗口，包括信息 輸入和信息輸出。信息輸入的方式主要有以下三種：產(chǎn)品CAD三維視圖直接加載;人工交互 (界面向?qū)崾荆?；基于UDF特征信息識別與提取。
[0174] 技術(shù)平臺層:這一層主要說明了實(shí)現(xiàn)本系統(tǒng)的結(jié)構(gòu)和功能所用的各種主要技術(shù)及 平臺例如本體實(shí)現(xiàn)所用的0WL語言，存儲數(shù)據(jù)所用的數(shù)據(jù)庫Access，存儲數(shù)據(jù)所用的接口技 術(shù) ADO .Net 等。
[0175] 數(shù)據(jù)層：以數(shù)據(jù)和文檔形式保存各種信息，包含有五個(gè)數(shù)據(jù)庫：零件信息庫、制造 資源庫、工藝規(guī)劃知識庫、數(shù)據(jù)挖掘事例庫。
[0176] 功能模塊層:本發(fā)明系統(tǒng)中定義了 6個(gè)基本功能模塊，分別是:知識檢索模塊、數(shù)據(jù) 挖掘事例檢索模塊、數(shù)據(jù)挖掘事例修改模塊、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊、工藝知識學(xué)習(xí)模塊 和數(shù)據(jù)挖掘事例學(xué)習(xí)模塊(即知識存儲模塊）。
[0177] (D知識檢索模塊
[0178] 知識檢索模塊即工藝規(guī)劃知識查詢模塊，其界面如圖10所示。當(dāng)利用系統(tǒng)進(jìn)行工 藝規(guī)劃時(shí)，首先根據(jù)設(shè)計(jì)任務(wù)進(jìn)行工藝知識的查詢，如果能直接獲得相應(yīng)的知識，則系統(tǒng)運(yùn) 行至此為止，如果不能查詢到滿意的知識，則進(jìn)入數(shù)據(jù)挖掘模塊，通過數(shù)據(jù)挖掘獲取想要的 知識。
[0179] (2)數(shù)據(jù)挖掘事例檢索模塊
[0180] 當(dāng)在知識檢索模塊中不能直接獲得滿意的知識時(shí)，就不得不通過數(shù)據(jù)挖掘技術(shù)來 獲取所需的知識，這時(shí)可以由界面向?qū)?dǎo)入數(shù)據(jù)挖掘事例檢索模塊，如圖11所示。
[0181] 在這個(gè)模塊，根據(jù)界面向?qū)崾据斎胂嚓P(guān)信息，進(jìn)行相似事例的檢索。數(shù)據(jù)挖掘事 例的檢索和知識檢索是不相同的。知識的檢索是具體實(shí)例信息的匹配，精確度要求較高（閡 值a>0.9500);數(shù)據(jù)挖掘事例的檢索是概念層次上的抽象匹配，精確度要求比知識檢索的 要低(閡值a<0.9500)。通過數(shù)據(jù)挖掘事例檢索返回通常是一組事例，這就要求通過數(shù)據(jù)挖 掘評價(jià)機(jī)制進(jìn)行評價(jià)以獲得最佳事例。如果由檢索評價(jià)獲得的事例達(dá)不到最低閡值(閡值a =0.9000 )，這時(shí)，不得不進(jìn)入事例修改模塊，通過事例修改，以獲得滿意的數(shù)據(jù)挖掘事例。
[0182] (3)數(shù)據(jù)挖掘事例修改模塊
[0183] 數(shù)據(jù)挖掘事例修改模塊如圖12所示。目前，在數(shù)據(jù)挖掘事例修改模塊，主要通過修 改相關(guān)概念的權(quán)重，以及加減概念特征來調(diào)節(jié)的。每次修改完畢，都要通過模塊的事例評估 功能來進(jìn)行評估，如果達(dá)不到閡值(a = 0.9000)以上，則根據(jù)評估提示繼續(xù)調(diào)整，直到檢索 相似度的值達(dá)到0.9000以上為止，然后進(jìn)入下一個(gè)模塊即數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊。
[0184] (4)數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊
[0185] 當(dāng)已經(jīng)獲得一個(gè)滿意的數(shù)據(jù)挖掘事例時(shí)，也即意味著建立了一個(gè)滿意的數(shù)據(jù)挖掘 模型，可以進(jìn)行數(shù)據(jù)挖掘和知識發(fā)現(xiàn)了。數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊如圖13所示，直接點(diǎn)擊 "執(zhí)行數(shù)據(jù)挖掘"按鈕，即可以獲得滿足設(shè)計(jì)任務(wù)所需要的知識。為了更精確起見，在這個(gè)模 塊設(shè)置了知識評價(jià)功能，可以對獲取的知識進(jìn)行評價(jià)，然后再應(yīng)用。如果評價(jià)結(jié)果是"Yes" 還可以從這個(gè)界面進(jìn)入知識學(xué)習(xí)模塊和事例學(xué)習(xí)模塊。如果評價(jià)結(jié)果是"No"，則要重新返 回?cái)?shù)據(jù)挖掘事例檢索模塊，一個(gè)新的循環(huán)過程重新開始，直到評價(jià)結(jié)果是"Yes"為止。
[0186] (5)工藝知識學(xué)習(xí)模塊
[0187] 在數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊中，當(dāng)最后挖掘出的工藝知識經(jīng)評價(jià)是滿意即顯示 "Yes"字樣時(shí)，說明了數(shù)據(jù)挖掘出的工藝知識是準(zhǔn)確的，那么這個(gè)知識就可以存入知識庫， 以供下次檢索使用。于是，由工藝知識學(xué)習(xí)界面如圖14所示，將知識存入知識庫。
[0188] (6)數(shù)據(jù)挖掘事例學(xué)習(xí)模塊
[0189] 在數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊中，當(dāng)知識評價(jià)為"Yes"時(shí)，不但證明了挖掘所獲的知 識是準(zhǔn)確的，同時(shí)也證明了數(shù)據(jù)挖掘建模是恰當(dāng)?shù)模虼?，這個(gè)成功的事例應(yīng)該被存入數(shù)據(jù) 挖掘事例庫，完成事例的學(xué)習(xí)。于是，由數(shù)據(jù)挖掘事例學(xué)習(xí)界面如圖15所示，將事例存入事 例庫。
【主權(quán)項(xiàng)】
1. 一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法，其特征在于，包括以下過程： 步驟一:建立支持本系統(tǒng)構(gòu)建的統(tǒng)一的特征信息模型；研究當(dāng)前基于數(shù)據(jù)挖掘的沖壓 工藝設(shè)計(jì)專家系統(tǒng)特征信息表達(dá)模型的基礎(chǔ)上，研究融入KBE技術(shù)、本體技術(shù)所新增的特征 信息，建立整個(gè)工藝設(shè)計(jì)過程完整、統(tǒng)一的特征概念定義； 步驟二:建立關(guān)聯(lián)性知識表達(dá)模型;在分析沖壓工藝設(shè)計(jì)中基于數(shù)據(jù)挖掘的CAD過程和 基于數(shù)據(jù)挖掘的CAE過程所涉及的功能、數(shù)據(jù)、特征參數(shù)設(shè)置以及形狀特征和工藝知識的因 果關(guān)系的基礎(chǔ)上，采用基于本體語義的知識表示法建立兩個(gè)過程的關(guān)聯(lián)性知識表達(dá)模型； 步驟三:構(gòu)建用于數(shù)據(jù)挖掘建模的推理系統(tǒng)； 步驟四：研究數(shù)據(jù)挖掘模型評價(jià)技術(shù);研究數(shù)據(jù)挖掘模型的評價(jià)指標(biāo)，構(gòu)建準(zhǔn)確、完備 的評價(jià)指標(biāo)體系；確定指標(biāo)權(quán)重的計(jì)算方法以及指標(biāo)量化值的計(jì)算方法;建立綜合利用這 些指標(biāo)定量度量數(shù)據(jù)挖掘模型性能的方法； 步驟五:局部過程的智能化集成;此過程包含兩個(gè)方面:一是基于智能數(shù)據(jù)挖掘技術(shù)和 關(guān)聯(lián)知識模型的初始設(shè)計(jì)過程集成，二是基于智能數(shù)據(jù)挖掘技術(shù)和關(guān)聯(lián)知識模型的仿真反 饋設(shè)計(jì)過程集成； 步驟六:系統(tǒng)的總體集成、測試、完善;該系統(tǒng)分為四層:用戶界面層、功能模塊層、技術(shù) 平臺層、數(shù)據(jù)層。2. 根據(jù)權(quán)利要求1所述的一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法，其特 征在于:所述的步驟一中的特征信息模型包括:零件特征信息模型、制造資源特征信息模 型、工藝規(guī)劃特征信息模型。3. 根據(jù)權(quán)利要求1所述的一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法，其特 征在于:所述的步驟三包括以下步驟： 步驟3.1:設(shè)計(jì)任務(wù)的分解技術(shù)及確定用于挖掘的相關(guān)數(shù)據(jù)集;利用KBE技術(shù)的RBR實(shí)現(xiàn) 形式完成將復(fù)雜任務(wù)分解成若干可執(zhí)行性子任務(wù)，并確定該子任務(wù)相關(guān)的數(shù)據(jù)集； 步驟3.2:構(gòu)建面向沖壓工藝設(shè)計(jì)的基于本體語義的數(shù)據(jù)挖掘事例庫：首先，從領(lǐng)域中 收集豐富的詞匯、術(shù)語，并將業(yè)內(nèi)廣泛認(rèn)可的詞匯、術(shù)語作為本體的概念，同時(shí)將本體概念 分類為背景概念和結(jié)果概念;其次，分析領(lǐng)域內(nèi)概念之間的相互聯(lián)系，準(zhǔn)確獲取領(lǐng)域本體的 各種關(guān)系；最后，將本體的所有概念通過它們之間的關(guān)系進(jìn)行連接，形成一個(gè)樹狀網(wǎng)絡(luò)結(jié) 構(gòu)，即是本體事例知識庫的數(shù)據(jù)結(jié)構(gòu)； 步驟3.3:確定數(shù)據(jù)挖掘建模子系統(tǒng)的知識推理方案:首先，確定系統(tǒng)總體檢索方案，本 項(xiàng)目米用知識導(dǎo)引和最近鄰算法相結(jié)合的二級檢索方案;其次，確定事例的相似度算法;最 后，驗(yàn)證相似度算法的效果以及檢索方案的效果。4. 根據(jù)權(quán)利要求1所述的一種新的基于數(shù)據(jù)挖掘技術(shù)的智能沖壓工藝設(shè)計(jì)方法，其特 征在于:所述步驟六中的功能模塊層包括6個(gè)基本的功能模塊:知識檢索模塊、數(shù)據(jù)挖掘事 例檢索模塊、數(shù)據(jù)挖掘事例修改模塊、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)模塊、工藝知識學(xué)習(xí)模塊和數(shù)據(jù) 挖掘事例學(xué)習(xí)模塊。
【文檔編號】G06F17/50GK105912773SQ201610218800
【公開日】2016年8月31日
【申請日】2016年4月8日
【發(fā)明人】郭淵, 蔣志遠(yuǎn), 王勻, 陳煒, 朱英霞
【申請人】江蘇大學(xué)