基于ANN的特征制造行为序列构建方法技术

本发明专利技术涉及一种基于ANN的特征制造行为序列构建方法，主要是使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，在特征被识别出来后，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列，然后利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则对该产品的所有特征加工方法重新进行排序，并继续进行逆向推理处理，若是，则确定初始加工序列为特征制造行为序列。

【技术实现步骤摘要】

本专利技术涉及一种特征制造行为序列构建技术，尤指一种基于ANN(artificialneural network)的特征制造行为序列构建方法。
技术介绍
产品模型数据是指为在覆盖产品整个生命周期中的应用而全面定义的产品所有数据元素的集合，它包括为进行设计、分析、制造、测试、检验和产品支持而全面定义的零部件或构件所需的几何、拓扑、公差、关系、属性和性能等数据，另外，还可能包含一些和处理有关的数据。产品模型对于下达生产任务、直接质量控制、测试和进行产品支持功能可以提供全面的信息。早期多采用CAD构建产品模型，但是，随着特征识别技术的发展，已经逐步由CAD 产品模型转化为基于特征的产品模型，当前已提出了许多特征识别方法，其中有基于规则、基于图，还有基于几何解释、体积分解等方法，这些方法都是通过与特征库中已经定义的特征类型进行比较来识别特征。然，现实中存在着多种多样的复杂特征，特征库中不可能包含所有的特征类型，也不可能为特征库中所有的特征类型添加约束信息，利用上述方法不能识别特征库中没有定义的特征类型，有限的特征覆盖域并不具有学习能力，而且识别效率也低。因此，如何提出一种具有学习和反馈能力的特征制造行为序列构建方法，便成为目前业界急待克服的课题。
技术实现思路
鉴于上述现有技术的缺点，本专利技术目的在于提供一种具有学习和反馈能力的基于ANN的特征制造行为序列构建方法。本专利技术的另一目的在于提供一种具有闻识别效率的基于ANN的特征制造行为序列构建方法。为达到上述目的，本专利技术所提供的基于ANN的特征制造行为序列构建方法包括I)使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，以识别该产品的所有特征，每一个特征对应一个特征加工方法；2)依据加工序列约束规则，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列；3)利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若是，确定初始加工序列为特征制造行为序列，并结束该构建方法，若否，进至下一个步骤；以及4)对该产品的所有特征加工方法重新进行排序，并返回至上一步骤。上述步骤I)进一步包括基于顶点拓扑关系图的面积分矩阵训练BP神经网络，并据以识别以B-rep模型表示的产品。此外，该加工序列约束矩阵是以如下公式表示C = {fu}，其中，fu表示特征加工方法i与特征加工方法j的约束因子，i表示优先的特征加工方法，j表示i后面的特征加工方法，当两个特征加工方法有明确的先后顺序，则fu= I ;当两个特征加工方法没有明确的先后顺序，则fu = G = I ;当两个或更多个特征加工方法同时完成后,才进行下一个特征加工方法,此时,如果有n个特征加工合并，则所有的fu = 1/n ;当两个或更多个特征加工方法中的任何一个完成后，就可以进行下一个特征加工方法，此时，如果有n个特征加工方法平行，则所有的= I。而加工序列约束规则为加工序列约束矩阵中的元素体现纵向所列的特征加工方法对横向所列的特征加工方法的约束关系，具有以下的特点特点(I):当一个特征加工方法的横向和纵向全为零，则表示此特征加工方法为自由的，即可以插入到制造行为序列的任一位置；特点(2):当一个特征加工方法的横向有非零值，而纵向全为零，则表示该特征加工方法可以为第一个工步，但不包括特点(I)中所述的自由的特征加工方法；特点(3):当一个特征加工方法的横向全为零，而纵向有非零值，则表示该特征加工方法可以作为最后一个工步，但不包括特 点(I)中所述的自由的特征加工方法；以及特点(4):当一个特征加工方法的横向存在非零值和纵向均存在非零值，则表示该特征加工方法处于加工序列的中间位置。上述步骤3)进一步包括3-1)针对该产品的所有特征加工方法中，按所述特点(I)找出自由的特征加工方法，在以下每个步骤中，如是检查到是自由的特征加工方法，将初始加工序列链后退一步后，再按照以下步骤3-2)至步骤3-7)进行，否则，直接按照以下步骤3-2)至步骤3-7)进行；3-2)从初始加工序列逆向一步一步匹配，首先检查最后一个工步是否满足特点(3)，若否，则进至步骤4)，若是，则进至步骤3-3)；3-3)检查该非零值是I还是1/n，若是1，进至步骤3-4)，若是1/n，则进至步骤3-5)；3-4)判断非零值所对应的横向特征加工方法是否为该非零值所对应的纵向特征加工方法的前一个特征加工方法，若是，则进至步骤3-6)，若否，则进至步骤4)；3-5)判断非零值所对应的n个横向特征加工方法是否都存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，若是，则对于此n个特征加工方法的每一个特征加工方法，依次进至步骤3-6)，直到满足特点(2)为止，若n个横向特征加工方法均不存在于该非零值所对应的纵向特征加工方法的前n-1个特征加工方法集合中，则进至步骤4)；3-6)在初始加工序列链上再后退一步，判断此特征加工方法是否满足特点(4)，若是，则进至步骤到3-3)，若否，则进一步判断是否满足特点(2)，若是，则进至步骤3-7)；以及3-7)确定初始加工序列为特征制造行为序列，并结束该构建方法。以下结合上述技术方案，说明本专利技术的有益技术效果。相比于现有技术，本专利技术主要是使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，在特征被识别出来后，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列，然后利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若否，则对该产品的所有特征加工方法重新进行排序，并继续进行逆向推理处理，若是，则确定初始加工序列为可指导零件加工的特征制造行为序列。由于本专利技术是基于神经网络执行特征识别，可识别特征库中没有定义的特征类型，具有学习和反馈能力，容许输入误差，并且神经网络只需要通过数学计算而不需要进行推理来获得特征识别的结果，所以它具有更高的识别效率。附图说明图I为本专利技术的基于ANN的特征制造行为序列构建方法的操作流程示意图。图2为应用本专利技术的基于ANN的特征制造行为序列构建方法所建立的一实施例的加工序列约束矩阵的示意图。图3为应用本专利技术的基于ANN的特征制造行为序列构建方法所识别的另一实施例的特征列表以及所建立的加工序列约束矩阵的示意图。图4为应用本专利技术的基于ANN的特征制造行为序列构建方法所构建的特征制造行 为序列示意图。主要元件符号说明SlO S14步骤具体实施例方式以下通过特定的具体实例说明本专利技术的实施方式，所属领域的普通技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其他优点与功效。本专利技术亦可通过其他不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本专利技术的精神下进行各种修饰与变更。请参阅图1，其为显示本专利技术的基于ANN的特征制造行为序列构建方法的操作流程示意图。以下即配合图2至详细说明本专利技术的基于ANN的特征制造行为序列构建方法的具体操作步骤。如图I所示，首先执行步骤S10，使用预先训练好的BP神经网络来识别以B-rep模型表示的产品，以识别该产品的所有特征，每一个特征本文档来自技高网...

【技术保护点】
一种基于ANN的特征制造行为序列构建方法，其特征在于，所述构建方法包括：1)使用预先训练好的BP神经网络来识别以B？rep模型表示的产品，以识别该产品的所有特征，每一个特征对应一个特征加工方法；2)依据加工序列约束规则，建立针对所述所有特征的加工序列约束矩阵，并依据预存的工序样例库，对该产品的所有特征加工方法进行排序处理，以得到初始加工序列；3)利用约束匹配算法，逆向推理所得到的初始加工序列是否符合所建立的加工序列约束矩阵，若是，确定初始加工序列为特征制造行为序列，并结束该构建方法，若否，进至下一个步骤；以及4)对该产品的所有特征加工方法重新进行排序，并返回至上一步骤。

【技术特征摘要】

【专利技术属性】
技术研发人员：郝泳涛，楼狄明，王力生，
申请(专利权)人：同济大学，
类型：发明
国别省市：