胡小光，張?zhí)A，楊 靜，謝永康

(1.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點實驗室，貴陽 550025；2.貴州師范大學(xué) 制造服務(wù)與知識工程技術(shù)工程中心，貴陽 550025)

0 引言

機械產(chǎn)品可制造性設(shè)計是一個典型的由制造知識支持的生產(chǎn)活動，由于其面對大批量的制造知識數(shù)據(jù)，使得產(chǎn)品設(shè)計知識獲取效率和準確率較低，因此，主動、及時、準確地向設(shè)計人員推送所需要的知識是研究的熱點和難點[1-2]。Sung R C W[3]等通過分析目前知識推送方法的成功案例，設(shè)計了一種自動實時記錄、捕獲、后處理設(shè)計數(shù)據(jù)的知識推送方法；王占松[4]建立了形式化的目標功能設(shè)計意圖模型，并給出了功能—行為—結(jié)構(gòu)知識匹配方法；董思洋[5]等建立了結(jié)構(gòu)件的知識推送原型系統(tǒng)和設(shè)計知識靶向推送算法。以上方法都從不同的角度提出了知識獲取機制，但是，這些算法都不能對產(chǎn)品三維模型的特征知識進行準確的推送服務(wù)。

由于在知識推送過程中，產(chǎn)品特征知識具有高度的自治性，與作為生命體支柱的由眾多器官、組織和細胞構(gòu)成的免疫系統(tǒng)(Immune System)高度自治系統(tǒng)[6]具有很大的相應(yīng)性。因此，本文基于知識主動推送過程和免疫過程的相似性，提出了一種基于人工免疫算法的特征知識匹配算法(Knowledge Matching based on Artificial Immune Algorithm，KMAIA)，并基于此構(gòu)建了NX平臺下的機械產(chǎn)品特征知識推送模型，該方法可以靈活地對知識進行準確的檢索和推送，更好地支持產(chǎn)品特征創(chuàng)新設(shè)計。

1 基于人工免疫原理的特征知識推送模型

針對NX平臺下基于人工免疫原理的知識推送模型，本文以特征知識為對象進行詳述，并對特征進行識別提取。機械產(chǎn)品三維模型的特征知識提取是一個逐步求精與細化的動態(tài)反饋與聯(lián)動過程，在機械產(chǎn)品設(shè)計中，針對所需不同結(jié)構(gòu)特征需要不同的特征知識支持。零件上某個具體結(jié)構(gòu)特征所需的加工特征的特征知識是零件加工設(shè)計的重要環(huán)節(jié)，需要進行頻繁的調(diào)用和反饋，特征知識本身的可重用性和調(diào)用的靈活性直接影響著零件設(shè)計的可制造性和效率。

為實現(xiàn)機械產(chǎn)品特征知識的主動推送，首先需要考慮幾個問題：機械設(shè)計意圖模型以及進行統(tǒng)一的規(guī)范化描述；知識需求與特征知識匹配模型的構(gòu)建；知識需求的分析、獲取與表達；特征知識推送選項決策。

圖1所示為機械產(chǎn)品特征知識推送模型，對象為普通機械類產(chǎn)品設(shè)計，方法為基于免疫原理的知識推送過程(即為AP)。該模型包括知識需求模塊(Knowledge Demand Module，KDM)、知識推送免疫過程模塊(Immune Process of Knowledge Push Module，IPKPM)、知識庫模塊(Knowledge Base Module，KBM)，其中知識庫模塊包括知識輸入模塊(Knowledge Input Module，KIM)和特征知識的免疫細胞化表達模塊(Immune Cells Express of Characteristic Knowledge Module，ICECKM)。以集合形式可表示為AP={KDM，IPKPM，KBM}(其中KBM={KIM，ICECKM})。

針對圖1的總體設(shè)計方案，將每一個子模塊詳細設(shè)計并分析，剖析子模塊應(yīng)用中可能遇到的關(guān)鍵問題并提出相應(yīng)的解決方案。

圖1 基于免疫原理機械產(chǎn)品特征知識主動推送模型

2 特征知識主動推送模型的構(gòu)建

2.1 知識需求模塊分析

產(chǎn)品設(shè)計意圖與需求意圖，是知識主動推送過程需要解決的問題和目標，利用模型特征的概念來簡化知識需求的獲取，針對現(xiàn)階段的零件三維模型設(shè)計知識需求模型，利用NX/Open API程序集合實現(xiàn)特征提取直接從提取特征信息，采用可擴展標記語言(Extensible Markup Language，XML)將特征信息存儲并傳入后續(xù)模塊，如圖2所示。

在圖2中，針對具體產(chǎn)品特征建模的實際問題，采用NX的特征建模技術(shù)和相關(guān)插件特征識別功能，對具體三維零件圖進行識別，并利用XML格式進行存儲如圖3所示。

在免疫應(yīng)答反應(yīng)過程中，抗原X(包括細菌、病毒、花粉等)是誘導(dǎo)免疫反應(yīng)的主要因素，同理，知識推送也是系統(tǒng)中接收到知識需求后做出的推送響應(yīng)。抗原刺激機體后，產(chǎn)生可與抗原結(jié)合的抗體，其表面的抗原決定簇決定了特異性。

以下各類參數(shù)決定了知識需求的特異性，知識需求模型表示為KDM，需求類型表示為DC(Demand Category)，知識適用條件表示為AC(Application Condition)，知識具體屬性表示為DP(Detail Parameters)。于是得知識需求模型可表示為：KDM={DC，AC，DP}。以固定鄂板加工特征為例，如圖3對零件圖進行特征識別，對XML特征文件進行解析，獲得知識需求，進行特征分析與需求模型構(gòu)建。圖2中孔特征加工分析如表1所示。

圖2 固定鄂板三維模型

圖3 固定鄂板XML文件

需求內(nèi)容DC適用條件AC具體參數(shù)DP孔加工加工特征:孔類型:鉆頭材料:合金鋼加工方法:鉆—擴—鏜孔直徑:33孔深度:2孔加工精度:IT9～IT11

2.2 知識庫模塊

KIM模塊作為知識推送系統(tǒng)實現(xiàn)的基礎(chǔ)，負責知識的錄入、識別、存儲和維護，作為一個獨立的模塊需要具備基本的增刪改查功能。該知識庫主要由設(shè)計原理庫、設(shè)計規(guī)則庫、用戶日志庫等組成[4]。主要任務(wù)是標準化管理知識并進行存儲，并將知識庫的創(chuàng)建和使用分離，使之快速響應(yīng)后續(xù)識別得到的零件特征需求。知識輸入模塊可以分為以下幾個子模塊：①零件設(shè)計知識結(jié)構(gòu)化；②結(jié)構(gòu)化知識的分類與存儲；③知識映射表的形成；④知識庫知識提取與應(yīng)用。

免疫反應(yīng)是一個高度并行、分布、自組織的過程，其中包含各種不同的免疫細胞，但是都來自相同的DNA，各種不同的細胞僅是因為基因信息選擇性表達。與此類似，產(chǎn)品可制造性設(shè)計中的加工工藝、制造資源知識等都涉及各種各樣條件，但均可以理解為相同的知識映射表根據(jù)不同使用條件分化的結(jié)果。因此，可利用免疫細胞化表達機械產(chǎn)品的知識類型、具體知識信息、獨立參數(shù)及規(guī)則。

產(chǎn)品設(shè)計特征知識免疫細胞表達模型。將所有知識均視為一個映射表，知識庫中知識與需求匹配并選擇性表達。將各種特征知識進行封裝記為免疫細胞模型(Knowledge Immune Cells Module，KICM)。其知識具體表現(xiàn)形式為(Concrete Forms，CF)，令CF={CFKT，CFSI，CFKA}，根據(jù)輸入知識需求的不同依據(jù)知識映射表進行表達。其中CFKT為知識類(Knowledge Type)，CFSI是知識信息(Specific Information)，CFKA表示知識屬性(Knowledge Attribute)。以孔為例詳細介紹特征知識的免疫細胞化表達模型，如圖4所示。

圖4 特征知識免疫細胞化表達

2.3 知識推送的免疫過程

知識推送問題可以用類似的免疫過程描述為：當抗原類物質(zhì)侵入免疫系統(tǒng)，系統(tǒng)進行緊急處理分析，得到所需的免疫細胞群。按照以上的知識主動推送系統(tǒng)結(jié)構(gòu)可以實現(xiàn)知識需求的自主結(jié)合和匹配，并實現(xiàn)知識的主動推送。該系統(tǒng)包含以下類似免疫系統(tǒng)的步驟[7]：

(1)抗原提取。監(jiān)視單元對免疫系統(tǒng)進行監(jiān)視，當抗原進入系統(tǒng)，吞噬細胞攝取處理抗原(知識需求)，承擔監(jiān)視作用，并將其呈遞給T細胞，然后交給后續(xù)識別過程。

(2)抗原識別。在發(fā)現(xiàn)抗原后，抗原提成細胞迅速識別抗原各種決定簇，即完成對DC，AC，DP的判斷和獲取。

(3)增值分化。系統(tǒng)內(nèi)T細胞已經(jīng)完全識別抗原決定簇結(jié)構(gòu)，并進行快速反應(yīng)，選擇解決方案。效應(yīng)細胞和記憶細胞大量增值分化，產(chǎn)生抗體并完成二次免疫。

(4)抗原—抗體特異性結(jié)合。效應(yīng)T細胞和效益B細胞分別作用，釋放抗原和產(chǎn)生抗體，并將二者結(jié)合，特征知識獲取成功推送給用戶，達到機體免疫過程的實現(xiàn)。免疫系統(tǒng)和免疫算法概念匹配關(guān)系如表2。

表2 生物學(xué)概念和知識工程概念對比

3 基于免疫過程的知識主動推送方法

3.1 特征知識推送匹配策略

針對知識推送的相關(guān)問題，若要實現(xiàn)機械產(chǎn)品設(shè)計特征知識的推送需要解決以下三個問題：①針對機械產(chǎn)品的結(jié)構(gòu)特征知識、加工類特征知識以及相關(guān)制造資源知識的搜集整理與知識庫構(gòu)建；②機械產(chǎn)品需求提取與分析；③知識需求模型的構(gòu)建和推送模型的構(gòu)建。

令X={x1,x2,…,xn}表示具有n個抗原的集合，其中xa(1≤a≤n)是侵入機體的抗原，xa={xaDC,xaAC,xaSP}，其中xaDC是抗原的DC決定簇，即指知識需求類型；xaAC是抗原的AC決定簇，即指知識需求中適用條件；xaSP是抗原的SP決定簇，即指只是需求中知識的具體屬性。

令Y={y1,y2,…,yk}表示具有k個免疫細胞的集合，yb={yb1,yb2,…,ybm}(0≤b≤k)是與之匹配的特征知識具體表現(xiàn)形式。知識需求決定簇的抗原接受位與類知識的KT，SI，KA相對應(yīng)。實現(xiàn)知識類型與知識需求的類型的匹配，最終應(yīng)當在使用條件、知識的具體信息中搜尋M個差異性最小的可行解空間。

3.2 匹配算法模型

若針對某個抗原選擇類似的免疫細胞的集合與之匹配，以實現(xiàn)免疫過程。所以根據(jù)知識推送系統(tǒng)中的知識需求選擇與之匹配的N個知識的數(shù)學(xué)表達模型為：

(1)

約束條件：

(2)

M=1,2,…,且M>N;

1≤b≤k

(3)

3.3 匹配算法的定義

定義1：抗原識別。針對機械產(chǎn)品知識的特點，給出一個抗原xa，若滿足下文公式下能夠得到y(tǒng)b，并滿足條件成立，則稱抗原xa可以很好的與yb匹配。

抗體與抗原的AC決定簇：

xaSP∈yb,yb∈M,1≤b≤k;

(4)

f(xaSP,yb)=min{f(xaAC,y1),f(xaAC,y2),…,
f(xaAC,yk)},yk∈M,1≤b≤k;

(5)

‖xaAC-f(xaAC,yb)‖≤α,yk∈M,1≤b≤k

(6)

抗體與抗原的SP決定簇：

f(xaSP,yb)=min{f(xaSP,y1),f(xaSP,y2),…,
f(xaSP,yk)},yk∈M,1≤b≤k;

(7)

‖xaSP-f(xaSP,yb)‖≤β,yk∈M,1≤b≤k

(8)

式中，f(x，y)表示抗體與抗原的AC決定簇和SP決定簇匹配時的閾值，匹配時的和力小于該值則認為匹配成功。式中α和β的匹配過程不完全精確，從而有效的確保免疫細胞識別抗原的差異性，特點的知識需求會選擇相匹配的特征知識。

定義2：抗體與抗原親和力?？贵w與某個特定的抗原所具有的關(guān)聯(lián)特性定義為親和力。

單一的用歐拉距離公式來描述親和力較為片面，這里采用熵值法的親和力計算方法來定義親和力，具體計算過程如下[7]：

若兩個知識需求的親和力具有確定的閾值，表明了知識需求之間的相似性，為了獲得多樣性的知識，就必須抑制相似度較高的知識，因此可以通過濃度的調(diào)控來實現(xiàn)對知識的調(diào)控。

定義3：免疫細胞相似性。在機體免疫細胞群中，具有特定的免疫細胞u，計算與任意免疫細胞v的接近程度表示為|u,v|；而且計算u和v針對特定抗原x的親和力，分別記作Axu和Axv。若存在常數(shù)使它們同時成立，則u,v為相似免疫細胞。

‖u,v‖≤j

(9)

|Axu-Axv|≤k

(10)

其中常數(shù)為j>0，k>0。

相似免疫細胞濃度記為Cu，計算如下：

(11)

(12)

4 特征知識推送系統(tǒng)

就上述的NX平臺下基于免疫原理的知識主動推送模型，采用基于免疫原理的方法來實現(xiàn)知識主動推送，實現(xiàn)常見特征知識主動推送。針對特征知識主動推送的過程特點以及免疫算法的具體過程[8]，流程圖如圖5所示。具體步驟如下：

輸入：抗原集合規(guī)模為N，免疫細胞為集合規(guī)模為M，終止條件為最大匹配數(shù)[9]。

步驟1：抗原識別。對進入免疫系統(tǒng)的抗原進行識別，得到所需的知識需求模型，作為初始的可行解空間，轉(zhuǎn)化成待求解數(shù)學(xué)模型。

步驟2：算法初始化。針對知識需求，確定最初的抗原種群，然后初始化。并設(shè)定M，Pc，Pm，ka，kc等。

步驟3：與知識庫匹配，搜尋相類似問題求解。若存在，可獲得問題答案，進入步驟7，否則繼續(xù)運行流程。

步驟4：利用以上公式得到親和度數(shù)值并排序。

步驟5：知識多樣性的保證。剔除知識種群中親和度小于閾值的知識，并選擇小于閾值的知識進入下一輪循環(huán)。

步驟6：新知識的產(chǎn)生。針對步驟5提供的知識種群，按照交叉和變異，更新知識，跳轉(zhuǎn)至步驟4。

步驟7：判斷終止條件。進行計算與條件進行匹配，若滿足知識種群與知識需求的要求或達到最大進化代數(shù)，則停止搜索，并將解決方案推送至用戶界面，且存入知識記憶庫中。

步驟8：終止。

圖5 特征知識推送流程圖

以某制造企業(yè)實際生產(chǎn)數(shù)據(jù)為例，并以NX為平臺搭建基于免疫過程的特征知識主動推送模型結(jié)構(gòu)，實現(xiàn)特征知識的主動推送和原理的檢驗，進一步完成產(chǎn)品零件的三維模型知識重用。

為驗證KMAIA的有效性，以摩托車制造企業(yè)中鏈輪產(chǎn)品10182條實際生產(chǎn)數(shù)據(jù)為例進行分析，并以Windows 7和Visual Studio 2008為開發(fā)環(huán)境，采用Java語言進行開發(fā)，并使用SQL Server 2008作為數(shù)據(jù)存儲平臺進行系統(tǒng)開發(fā)[10]。

如圖6所示，該零件屬于鏈輪，應(yīng)用于摩托車驅(qū)動輪上，具有槽、孔等典型結(jié)構(gòu)，且形狀較為復(fù)雜，檢驗知識推送模型具有一定的典型性。選擇鏈輪作為輸入知識需求，獲得該推送過程的詳細信息和算法的比較，得到測試結(jié)果。

圖6 IA和KMAIA特征知識推送對比

KMAIA算法是IA的改進算法，對此可進行特征知識的推送作用展開對比。該系統(tǒng)在產(chǎn)品零件設(shè)計、零件特征修改、底角和轉(zhuǎn)角檢驗、粗糙度檢查等方面可實現(xiàn)自動檢測。系統(tǒng)針對不同的測試問題，給出了具有啟發(fā)性的提示，并給出一定的建設(shè)性方案，記錄在備注中，供參考和改進設(shè)計。

5 結(jié)論

文中針對產(chǎn)品設(shè)計過程知識推送問題設(shè)計了NX平臺基于人工免疫原理的知識推送模型。該模型類似于機體免疫系統(tǒng)，通過知識需求模塊、知識庫模塊、知識推送模塊之間的協(xié)調(diào)合作與反饋補償，極大的提高了系統(tǒng)知識獲取的效率，并得到KMAIA算法，實現(xiàn)了機械產(chǎn)品設(shè)計知識的匹配求解，并保證知識獲取的及時準確，獲得較為滿意的效果。

[1] 曹立志, 馬新宇, 劉桂鏜,等. 云環(huán)境下產(chǎn)品設(shè)計知識推送機制研究[J]. 組合機床與自動化加工技術(shù), 2015(7):157-160.

[2] 董思洋, 許建新, 王克勤,等. CAD平臺下基于免疫過程的知識主動推送模型[J]. 計算機集成制造系統(tǒng), 2013, 19(7):1520-1531.

[3] Sung R C W, Ritchie J M, Lim T, et al. Automated generation of engineering rationale, knowledge and intent representations during the product life cycle[J]. Virtual Reality, 2012, 6(1) :69-85.

[4] 王占松, 田凌, 段文睿. 基于設(shè)計意圖建模的知識推送技術(shù)[J]. 計算機集成制造系統(tǒng), 2015, 21(3):606-617.

[5] 董思洋. 支持設(shè)計的制造知識類免疫推送技術(shù)研究[D]. 西安:西北工業(yè)大學(xué), 2014.

[6] 陳倩, 楊育, 張雪峰,等. 客戶協(xié)同產(chǎn)品開發(fā)模糊前端階段創(chuàng)意知識獲取[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2017,29(1):145-154.

[7] 柳林. “風電齒輪箱”軸類產(chǎn)品設(shè)計工藝知識推送模型研究[D].重慶:重慶大學(xué), 2015.

[8] 周明建, 廖強. 基于屬性相似度的知識推送[J]. 計算機工程與應(yīng)用, 2011, 47(32):135-137.

[9] Chandrasegaran S K, Ramani K, Sriram R D, et al. The evolution, challenges, and future of knowledge representation in product design systems[J]. Computer-Aided Design, 2013, 45(2):204-228.

[10] Xu Y, Yin G, Nie Y, et al. Research on an active knowledge push service based on collaborative intent capture[J]. Journal of Network & Computer pplications, 2013, 36(6):1418-1430.