一种非结构化加工数据工艺知识的映射方法及系统技术方案

本发明专利技术公开了一种非结构化加工数据工艺知识的映射方法及系统，根据企业工艺决策流程定义多层工艺知识模型，并定义工艺决策关键要素；根据当前企业实际生产情况选取每种关键要素应包含的内容构建高质量数据集；使用BIEOS标注法标注小样本数据集；将LERT模型微调，将企业生产过程中保存的非结构化数据输入微调后的LERT模型以及CRF模型，得到输入文本中的工艺实体；将实体按照提前预设好的关系框架存入Neo4J图数据库中。本发明专利技术实现了机械加工工艺非结构化数据到工艺知识的转化，能将企业长期存储的非结构化数据自动化的转化为知识，减轻工艺人员负担，此外，以知识图谱形式存储可以进一步实现工艺参数智能决策，提高工艺规划的效率和质量。的效率和质量。的效率和质量。

【技术实现步骤摘要】
一种非结构化加工数据工艺知识的映射方法及系统


[0001]本专利技术属于工艺设计
，具体涉及一种非结构化加工数据工艺知识的映射方法及系统。

技术介绍

[0002]近年来，航空航天、汽车零部件等行业的定制化产品的需求量飞速上升，其中多为结构复杂、加工质量要求高且使役环境严苛的复杂零件。此类零件具有小批量、定制化的特点，其日趋复杂的零件结构以及不断提高的加工质量要求对工艺规划提出了严峻的挑战。工艺规划是机械制造生产过程的技术准备工作中的一个重要内容，是产品设计与加工制造的纽带，是经验性很强且随环境变化的决策过程。然而，当前制造企业仍大都采用传统工艺规划方式，工艺方案制定主要依靠人工经验，通常需要通过反复试制、试切等验证手段，以牺牲效率和成本的方式保障复杂零件加工质量，导致零件加工效率低、加工周期无法控制等问题。同时，复杂零件加工过程与工艺设计之间缺乏有效协同，工艺方案迭代升级难度大周期长。因此，亟需革新工艺规划方式，实现工艺方案的科学决策。
[0003]自动或智能的工艺设计一直是计算机辅助工艺设计系统(CAPP)的目标。实现工艺设计的智能化，需要给工艺设计软件赋能，使之具有设计问题理解、设计结果生成、设计知识学习等能力。上述能力的核心是工艺设计知识，涉及知识如何获得、表达、更新以及在特定条件下触发应用。工艺知识库作为现代工艺智能决策系统的重要组成部分，也是现代制造业中连接产品设计和产品制造桥梁。它通过集成专家知识和经验，直接影响生产的组织效率、产品成本和企业的生产周期。在智能制造环境下，如何在较短的时间内构建高质量的工艺知识库，对于实现现代制造模式下复杂产品的短周期开发和工艺设计至关重要。而工艺知识的获取即工艺知识库构建一直是关键问题。
[0004]现有工艺知识库的构建方法多为人工构建，为了从不同来源获取支持信息，工程师花费大约40％的时间搜索和重组原始数据，在产品的准备阶段花费大量的时间来手动创建知识库，这大大增加了产品制造周期。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种非结构化加工数据工艺知识的映射方法及系统，用于解决当前工艺规划极大程度依赖人工经验，智能化程度低，缺乏支持工艺决策的知识库，且现有构建工艺知识库的方法多为人工构建，准备周期长，质量严重依赖领域专家经验的技术问题。
[0006]本专利技术采用以下技术方案：
[0007]一种非结构化加工数据工艺知识的映射方法，包括以下步骤：
[0008]S1、根据实际加工过程以及工艺方案决策过程设计多层工艺知识模型；
[0009]S2、根据步骤S1构建的多层工艺知识模型设计数据集所需内容框架，收集非结构化数据构建小样本数据集；
[0010]S3、使用BIEOS标注法对步骤S2构建的小样本数据集进行标注；
[0011]S4、根据任务目标将问题定义为命名实体识别任务，选取基于BERT的优化模型LERT，并使用步骤S3标注好的小样本数据集对预训练模型LERT进行下游子任务的微调；
[0012]S5、将企业生产过程中的非结构化数据处理，输入微调后的预训练模型LERT+CRF，CRF层通过转移分数矩阵，完成命名实体识别任务，实现非结构化数据
‑
工艺知识的转换；
[0013]S6、将步骤S5识别的实体进一步处理，按照设定好的知识架构自动化导入图数据库Neo4J中，完成工艺知识库的自动化构建及可视化显示。
[0014]具体的，多层工艺知识模型Process_model具体为：
[0015]Process_model＝{Design_layer,Process_layer,manufacturing_resource_layer}
[0016]其中，Design_layer为设计层，Process_layer为工艺层，manufacturing_resource_layer为制造资源层。
[0017]进一步的，设计层存储零件设计图的关键设计要求，包括零件类型Part_type，零件材料Part_material，加工特征Machining_characteristics，精度Accuracy，粗糙度Roughness；工艺层存储实际加工过程的工艺样例，包括切削参数Machine_parameter，加工工序Processing_procedure；制造资源层存储加工过程推荐使用设备，包括机床Machine_tool，切削液Cutting_fluid，夹具Fixture，刀具类型Tool_type，刀具材料Tool_material。
[0018]具体的，步骤S2中，小样本数据集包括：
[0019]零件类型：轴类零件、套类零件、盘类零件、板类零件、圆柱齿轮类零件、箱体类零件；
[0020]零件材料：铸铁、模具钢、高锰钢、不锈钢、钛合金、高温合金、铜合金；
[0021]加工特征：孔、键槽、外圆柱面、环槽、圆锥、内圆柱面、平面、曲面、螺纹、花键、圆角；
[0022]刀具材料：高速钢、硬质合金、陶瓷、金刚石和立方氮化硼；
[0023]切削液：干切削、水溶液、乳化液、极压乳化液、防锈乳化液、矿物油、动植物油、复合油、机油、煤油、水基切削液、油基切削液；
[0024]精度和粗糙度用固定符号IT和Ra表示；
[0025]加工工序：车削、铣削、钻孔、扩孔、铰孔、热处理；
[0026]切削参数：加工工序的切削参数。
[0027]具体的，步骤S3中，对每条数据集样本进行BIOES标注，B表示一个实体的开始，I表示实体内部，O表示外部，E表示实体的结尾，S表示单个字符的实体。
[0028]具体的，步骤S5具体为：
[0029]S501、将输入的文本处理进行嵌入表示并加上位置编码，形成向量序列，输入进LERT后，首先通过多头注意力机制抽取不同的信息，然后进行归一化操作并连接残差网络，进一步输入全连接层，然后进行归一化操作并连接残差网络，并多次重复上述步骤，最终得到输出向量；
[0030]S502、将步骤S501得到的向量序列输入优化模型LERT，通过多头自注意力机制对输入序列进行特征提取，并输出蕴含上下文信息的向量序列；
[0031]S503、将优化模型LERT的输出向量输入全连接层，计算每个词元的标签概率得到
一个状态分数，再将状态分数输入CRF层，将状态分数作为状态特征，通过转移分数矩阵得到最优路线。
[0032]进一步的，步骤S502中，通过多头注意力学习到多种关注方式，每个头学习不同的关注权重，计算过程如下：
[0033]q∈R
q
为输入的查询向量，k、v为m个键值对，(k1,v1),...,(k
m
,v
m
)，k∈R
k
,v∈R
v
，注意力汇聚函数表示为：
[0034][0035]通过注意力评分函数a将两个向量映射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非结构化加工数据工艺知识的映射方法，其特征在于，包括以下步骤：S1、根据实际加工过程以及工艺方案决策过程设计多层工艺知识模型；S2、根据步骤S1构建的多层工艺知识模型设计数据集所需内容框架，收集非结构化数据构建小样本数据集；S3、使用BIEOS标注法对步骤S2构建的小样本数据集进行标注；S4、根据任务目标将问题定义为命名实体识别任务，选取基于BERT的优化模型LERT，并使用步骤S3标注好的小样本数据集对预训练模型LERT进行下游子任务的微调；S5、将企业生产过程中的非结构化数据处理，输入微调后的预训练模型LERT+CRF，CRF层通过转移分数矩阵，完成命名实体识别任务，实现非结构化数据
‑
工艺知识的转换；S6、将步骤S5识别的实体进一步处理，按照设定好的知识架构自动化导入图数据库Neo4J中，完成工艺知识库的自动化构建及可视化显示。2.根据权利要求1所述的非结构化加工数据工艺知识的映射方法，其特征在于，多层工艺知识模型Process_model具体为：Process_model＝{Design_layer,Process_layer,manufacturing_resource_layer}其中，Design_layer为设计层，Process_layer为工艺层，manufacturing_resource_layer为制造资源层。3.根据权利要求2所述的非结构化加工数据工艺知识的映射方法，其特征在于，设计层存储零件设计图的关键设计要求，包括零件类型Part_type，零件材料Part_material，加工特征Machining_characteristics，精度Accuracy，粗糙度Roughness；工艺层存储实际加工过程的工艺样例，包括切削参数Machine_parameter，加工工序Processing_procedure；制造资源层存储加工过程推荐使用设备，包括机床Machine_tool，切削液Cutting_fluid，夹具Fixture，刀具类型Tool_type，刀具材料Tool_material。4.根据权利要求1所述的非结构化加工数据工艺知识的映射方法，其特征在于，步骤S2中，小样本数据集包括：零件类型：轴类零件、套类零件、盘类零件、板类零件、圆柱齿轮类零件、箱体类零件；零件材料：铸铁、模具钢、高锰钢、不锈钢、钛合金、高温合金、铜合金；加工特征：孔、键槽、外圆柱面、环槽、圆锥、内圆柱面、平面、曲面、螺纹、花键、圆角；刀具材料：高速钢、硬质合金、陶瓷、金刚石和立方氮化硼；切削液：干切削、水溶液、乳化液、极压乳化液、防锈乳化液、矿物油、动植物油、复合油、机油、煤油、水基切削液、油基切削液；精度和粗糙度用固定符号IT和Ra表示；加工工序：车削、铣削、钻孔、扩孔、铰孔、热处理；切削参数：加工工序的切削参数。5.根据权利要求1所述的非结构化加工数据工艺知识的映射方法，其特征在于，步骤S3中，对每条数据集样本进行BIOES标注，B表示一个实体的开始，I表示实体内部，O表示外部，E表示实体的结尾，S表示单个字符的实体。6.根...

【专利技术属性】
技术研发人员：周光辉，李嘉诚，张超，马东旭，李晶晶，韩冲，徐青峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：