基于知识图谱的零件工艺设计方法、系统、介质及设备技术方案

本发明专利技术涉及零件工艺设计技术领域，本发明专利技术公开了基于知识图谱的零件工艺设计方法、系统、介质及设备，包括：针对现有工艺方案应用构建了零件典型工艺学习模型、特征典型工艺学习模型，针对新工艺方案推理构建了零件工序序列学习模型、特征工步序列学习模型；并通过多源融合的零件工艺优化方法，对零件工序工艺与特征工步工艺，使用融合概率最大作为最优解的方法。实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。了生产效率。了生产效率。

【技术实现步骤摘要】
基于知识图谱的零件工艺设计方法、系统、介质及设备


[0001]本专利技术涉及零件工艺设计
，具体的说，是涉及基于知识图谱的零件工艺设计方法、系统、介质及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，知识图谱在一定程度上实现了基于知识图谱的数据结构化表达方式，但具体在特征级工艺数据的结构化组织、针对现有工艺数据的知识挖掘、利用现有工艺数据实现新零件的工艺设计方面尚存在不足。
[0004]现有研究在工艺数据的表达及应用方面存在诸多问题，工艺数据难以对工艺设计过程实现有效的支持，进而影响了制造企业对产品及生产过程的有效改进。知识图谱作为工艺数据表达及管理介质，如何利用知识图谱实现工艺数据的利用以及工艺知识的挖掘有着重要的研究意义，但在工艺领域，目前大量研究集中于工艺数据的获取方面，而在基于知识图谱的工艺数据利用方面，尤其是，融合知识图谱与深度学习技术来实现工艺设计过程的智能决策相关研究较少。
[0005]综上所述，目前在工艺数据结构化建模及表示方面以及针对现有工艺数据的知识挖掘与利用方法不够完善。因此，如何在有效实现工艺数据结构化、小粒度表示的同时，实现现有工艺数据的知识挖掘和学习，并以此支持工艺设计的进行成为本领域技术人员亟待解决的技术问题。

技术实现思路

[0006]本专利技术为了解决上述问题，本专利技术提供基于知识图谱的零件工艺设计方法、系统、介质及设备，实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。
[0007]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供基于知识图谱的零件工艺设计方法，其包括：获取零件的特征；基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工
序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
[0008]进一步地，还包括：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。
[0009]进一步地，所述融合概率的计算步骤包括:计算零件的第一种零件工序序列方案与每个特征的每种特征工步序列方案的顺序包含数，基于所述顺序包含数，计算相容性概率；基于零件工序序列方案的条件概率和特征工步序列方案的条件概率，计算推理概率；基于所述相容性概率和推理概率，计算得到融合概率。
[0010]进一步地，所述零件典型工艺学习模型将零件的所有特征，通过双向长短期记忆网络层，映射为定长向量后，通过注意力机制给予定长向量权重，并得到零件的整体描述向量后，通过全连接层以及归一化指数函数，预测零件属于各零件工艺的概率。
[0011]进一步地，所述特征典型工艺学习模型通过双层长短期记忆递归神经网络层，对零件的每个特征进行双向的访问，得到特征工艺语义信息后，通过全连接层以及归一化指数函数，预测每个特征属于各特征工艺的概率。
[0012]进一步地，所述零件工序序列学习模型通过基于双向长短期记忆网络的编码器，对零件的所有特征进行处理，得到零件特征属性向量后，使用基于注意力机制的长短期记忆网络，并按照顺序逐一估计零件工序的条件概率分布。
[0013]本专利技术的第二个方面提供基于知识图谱的零件工艺设计系统，其包括：数据获取模块，其被配置为：获取零件的特征；推理模块，其被配置为：基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；概率计算模块，其被配置为：针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；融合模块，其被配置为：基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。
[0014]本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的基于知识图谱的零件工艺设计方法中的步骤。
[0015]本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于知识图谱的零件工艺设计方法中的步骤。
[0016]与现有技术相比，本专利技术的有益效果为：本专利技术提供了基于知识图谱的零件工艺设计方法，其基于深度学习的零件及特征工艺生成模型，针对现有工艺方案应用构建了零件典型工艺学习模型、特征典型工艺学习模型，针对新工艺方案推理构建了零件工序序列学习模型、特征工步序列学习模型；并通过多源融合的零件工艺优化方法，对零件工序工艺与特征工步工艺，使用融合概率最大作为最优解的方法，实现了工艺数据特征级结构化建模、表达，并通过对结构化工艺数据的知识挖掘和学习来支撑工艺设计，保证了工艺设计产品的质量、提高了生产效率。
附图说明
[0017]构成本专利技术的一部分说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的限定。
[0018]图1为本专利技术的实施例一的基于知识图谱的零件工艺设计方法的流程图；图2为本专利技术的实施例一的特征建模与零件建模示意图；图3为本专利技术的实施例一的工艺知识图谱示意图；图4为本专利技术的实施例一的零件典型工艺学习模型的结构图；图5为本专利技术的实施例一的特征典型工艺学习模型的结构图；图6为本专利技术的实施例一的零件工序序列学习模型的结构图；图7为本专利技术的实施例一的相容概率计算示例图；图8为本专利技术的实施例一的原型系统架构图；图9为本专利技术的实施例一的轴销示意图。
具体实施方式
[0019]下面结合附图与实施例对本专利技术作进一步说明。
[0020]实施例一本实施例一的目的是提供基于知识图谱的零件工艺设计方法。
[0021本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识图谱的零件工艺设计方法，其特征在于，包括：获取零件的特征；基于零件的所有特征，通过零件典型工艺学习模型，推理得到若干种零件工艺，一种零件工艺对应一种零件工序序列方案；并通过零件工序序列学习模型，推理得到若干种零件工序方案；对于零件的每个特征，通过特征典型工艺学习模型，推理得到若干种特征工艺，一种特征工艺对应一种特征工步序列方案；并通过特征工步序列学习模型，推理得到若干种特征工步序列方案；针对每一种零件工序序列方案，计算与各特征的每种特征工步序列方案的融合概率后，基于融合概率，确定每种特征的备选融合工步方案，并计算选用概率；基于选用概率，选择一种零件工序序列方案作为融合工序方案，并将融合零件工序序列方案对应的备选融合工步方案，作为融合工步方案；将融合工序方案与融合工步方案，按工序及工步之间的包容关系以及顺序，进行融合，得到零件加工工序方案。2.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，还包括：根据零件加工过程的经验顺序，对所述零件加工工序方案中每个零件加工工序中的工步进行约束。3.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述融合概率的计算步骤包括:计算零件的第一种零件工序序列方案与每个特征的每种特征工步序列方案的顺序包含数，基于所述顺序包含数，计算相容性概率；基于零件工序序列方案的条件概率和特征工步序列方案的条件概率，计算推理概率；基于所述相容性概率和推理概率，计算得到融合概率。4.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述零件典型工艺学习模型将零件的所有特征，通过双向长短期记忆网络层，映射为定长向量后，通过注意力机制给予定长向量权重，并得到零件的整体描述向量后，通过全连接层以及归一化指数函数，预测零件属于各零件工艺的概率。5.如权利要求1所述的基于知识图谱的零件工艺设计方法，其特征在于，所述特征典型工艺学习模型通过双层长短期记忆递归神经网络层，对零件的每个特征进行双向的访问，得到特征工艺语义信息后，通过全连接层以及归一化指数函数，预测每个特征属于各特征...

【专利技术属性】
技术研发人员：屈亚宁，李建勋，马春娜，邱慧慧，李龙传，齐浩杰，孙成，闫廷腾，邵梅，于度财，
申请(专利权)人：山东山大华天软件有限公司，
类型：发明
国别省市：