本發(fā)明涉及計(jì)算機(jī)輔助工藝設(shè)計(jì)技術(shù)領(lǐng)域，具體涉及機(jī)床零件加工中的典型工藝路線的提取。

背景技術(shù)：

典型工藝路線是指企業(yè)為了生產(chǎn)典型零件而制定的較為普遍的工藝路線，只需要對(duì)典型工藝路線進(jìn)行部分修改，就能夠生產(chǎn)與典型零件相近的零件，從而提高企業(yè)的生產(chǎn)效率，但實(shí)際生產(chǎn)中卻存在著工藝路線過多和典型工藝路線提取不夠精確的問題。

目前對(duì)典型工藝路線提取的研究主要關(guān)注的是相似度的計(jì)算以及不同的聚類算法。雖然提出了許多能夠提高聚類結(jié)果準(zhǔn)確性的方法，但仍然存在著一些問題，比如相似度計(jì)算結(jié)果與實(shí)際情況存在一定偏差、聚類結(jié)果的分析和工作人員的經(jīng)驗(yàn)有很大關(guān)系。

因此研究一種聚類分析的方法，可以更為科學(xué)的提取工藝過程中的典型路線，與典型零件相近的零件也只需要通過對(duì)典型工藝路線稍加修改就可以進(jìn)行加工，這樣可以簡化工藝生產(chǎn)過程并且提高生產(chǎn)效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的問題是，提供一種基于相似度計(jì)算然后利用鴿群聚類算法提取機(jī)床零件加工中典型工藝路線的方法，提高了相似度計(jì)算方法的精確性并且優(yōu)化了聚類的結(jié)果，最終達(dá)到提高生產(chǎn)效率的目的。

按照本發(fā)明所采用的技術(shù)方案，所述基于鴿群聚類算法的典型工藝路線提取方法包括如下步驟：

步驟1、建立數(shù)據(jù)矩陣，數(shù)據(jù)矩陣是一個(gè)n×p的矩陣，n表示模型中工藝路線總數(shù)量，p表示工藝路線中工序個(gè)數(shù)的最大值，也即數(shù)據(jù)矩陣的每一行都表示一條工藝路線，每一行中的元素依次表示一條工藝路線中的工序編號(hào)，矩陣元素xak表示第a條工藝路線的第k個(gè)工序，a＝1，2，...，n，k＝1，2，...，p，如果一條工藝路線中的工序個(gè)數(shù)小于p個(gè)，則該行超出工序個(gè)數(shù)的元素用零表示；

步驟2、通過計(jì)算工序以及工藝路線之間的距離來建立相異度矩陣，用于隨后的聚類分析；

步驟3、對(duì)相異度矩陣進(jìn)行降噪處理，刪去冗余數(shù)據(jù)；

步驟4、將降噪處理后的相異度矩陣轉(zhuǎn)化為二維編碼，每一個(gè)二維編碼就是一個(gè)聚類結(jié)果；

步驟5、基于鴿群優(yōu)化算法進(jìn)行聚類分析，得到最優(yōu)聚類結(jié)果；

步驟6、利用均值公式從聚類的結(jié)果中提取典型工藝路線。

具體的，步驟2所述的建立相異度矩陣，通過計(jì)算工序之間的距離d1(xik，xjk)從而計(jì)算出兩條工藝路線之間的距離d2(xi，xj)；其中工序之間的距離d1(xik，xjk)和兩條工藝路線之間的距離d2(xi，xj)分別表示為：

式中，l表示工序的數(shù)字編碼位數(shù)，cm表示相似度影響系數(shù)，p表示工藝路線中工序個(gè)數(shù)的最大值，xi和xj分別表示第i條和第j條工藝路線，xik和xjk分別表示第i條工藝路線中的第k個(gè)工序和第j條工藝路線中的第k個(gè)工序，xikm和xjkm分別表示工藝路線i和工藝路線j中的第k個(gè)工序的數(shù)字編碼的前m個(gè)數(shù)字，為有效地衡量不同工序之間的相似性，參照機(jī)械行業(yè)標(biāo)準(zhǔn)jb/t5992.1對(duì)工序進(jìn)行編碼，工序編碼包括大類、中類、小類和細(xì)分類四個(gè)層次共五位編碼，為簡化計(jì)算，選取前三個(gè)層次以構(gòu)建三位編碼，xikm^xjkm表示xikm和xjkm之間的異或運(yùn)算。

具體的，步驟3所述的對(duì)相異度矩陣進(jìn)行對(duì)降噪處理，過程如下：

計(jì)算模型中的每一條工藝路線與其他工藝路線之間的距離，如果滿足條件1或者條件2就將這條工藝路線刪除；所述的條件1和條件2分別表示為：

nmin/n＞λmin

nmax/n＞λmax

式中，nmin表示某一條工藝路線與其他工藝路線之間的距離小于設(shè)定的工藝路線間的最小距離d2min的數(shù)量，nmax表示某一條工藝路線與其他工藝路線之間的距離大于設(shè)定的工藝路線間的最大距離d2max的數(shù)量，n表示模型中工藝路線的總數(shù)量，λmin表示小相似度比例，λmax表示大相似度比例。

具體的，步驟4所述的二維編碼，是記模型中工藝路線的總數(shù)量是n，對(duì)該模型中的工藝路線按順序依次編碼是p1，p2，…，pn；如果有r個(gè)聚類簇，則二維編碼是一個(gè)r×n的矩陣，矩陣中的元素非0即1，1表示該列所對(duì)應(yīng)的工藝路線屬于所在行的聚類簇，否則值為0。

具體的，步驟5基于鴿群優(yōu)化算法進(jìn)行聚類分析，包括如下過程：

(1)種群初始化，在初始化時(shí)，首先將每一條工藝路線都隨機(jī)分配到一個(gè)聚類簇中，作為最初始的聚類劃分，然后對(duì)初始化的工藝路線進(jìn)行二維編碼，將其作為初始位置，將以上過程反復(fù)進(jìn)行n次，就可以生成包括n只“鴿子”初始種群，其中每一只“鴿子”代表一個(gè)二維編碼也即一種聚類結(jié)果，其中20≤n≤100；

(2)種群優(yōu)化，針對(duì)種群中的所有元素也即所有工藝路線，首先計(jì)算其與該“鴿子”中所有聚類簇的競標(biāo)值，然后按照競標(biāo)值的大小，將元素劃分到競標(biāo)值小的聚類簇中，以獲得聚類劃分的結(jié)果，最后更新二維編碼；

所述的競標(biāo)值函數(shù)表示為：

式中，c表示聚類簇編號(hào)，v表示所選元素編號(hào)，u表示聚類簇c中的元素編號(hào)，∑d2(xu，xv)表示所選元素v與聚類簇c中的所有元素的相似度的總量，nc表示聚類簇c中元素的數(shù)量，λd表示相似度權(quán)重指數(shù)，λb表示聚類簇權(quán)重指數(shù)，bc(v)表示元素v對(duì)于聚類簇c的競標(biāo)值；

(3)更新“鴿子”的位置和速度，在鴿群優(yōu)化算法pio中，每一只“鴿子”的位置都代表了一個(gè)解，“鴿子”會(huì)不斷改變自己的位置和速度來尋求最優(yōu)解；由二維編碼可知，每只“鴿子”的位置和速度都是r×n的矩陣；“鴿子”的位置和速度更新包括兩個(gè)階段，分別是地圖及指南針階段和地標(biāo)階段；首先進(jìn)入地圖及指南針階段，更新位置和速度的公式可以表示為：

vi(t)＝vi(t-1)e^-r×t+rand·[xbest-xi(t-1)]

xi(t)＝xi(t-1)+vi(t)

式中，t表示目前迭代次數(shù)，r表示地圖和指南針因數(shù)，e表示自然常數(shù)，rand表示0到1之間的隨機(jī)數(shù)字，xbest表示在t-1次迭代過程中，通過比較得到的全局最優(yōu)位置，vi(t)表示第t次迭代時(shí)的速度，xi(t)表示第t次迭代時(shí)的位置；

(4)反復(fù)進(jìn)行步驟(3)的迭代過程，直至迭代次數(shù)t大于設(shè)定的最大迭代次數(shù)t1，則進(jìn)入地標(biāo)階段；在地標(biāo)階段，每次迭代后“鴿子”的數(shù)目就會(huì)減少一半，那些遠(yuǎn)離目標(biāo)的“鴿子”不再具備分辨路徑的能力，因此必須舍去，所以最終可以得到最優(yōu)解；更新位置公式表示為：

xi＝xi(t-1)+rand·[xcenter(t-1)-xi(t-1)]

式中，n(t-1)表示t-1次迭代時(shí)的“鴿子”數(shù)目，xi(t-1)表示t-1次迭代時(shí)的“鴿子”的位置，f(x)表示目標(biāo)函數(shù)，a、b、c、d表示權(quán)重因子，rf、vf、θf、φf分別表示“鴿子”與目標(biāo)地點(diǎn)之間的徑向距離、“鴿子”的速度、“鴿子”所在的經(jīng)度、“鴿子”所在的緯度，rf^*、vf^*、θf^*、φf^*分別表示目標(biāo)“鴿子”與目標(biāo)地點(diǎn)之間的徑向距離，目標(biāo)“鴿子”的速度、目標(biāo)“鴿子”所在的經(jīng)度、目標(biāo)“鴿子”所在的緯度，jmin表示目標(biāo)函數(shù)的最小值，j0表示一個(gè)常數(shù)，取決于具體要求，xcenter(t-1)表示剩余“鴿子”的中心位置；反復(fù)進(jìn)行步驟(4)的迭代過程，直至迭代次數(shù)t大于設(shè)定的最大迭代次數(shù)t2；

(5)當(dāng)?shù)螖?shù)達(dá)到設(shè)定的最大值時(shí)，結(jié)束并且輸出“鴿子”的最好位置；將輸出的最好位置的二維編碼，也即最優(yōu)聚類結(jié)果轉(zhuǎn)化為相異度矩陣。

具體的，步驟6中采用如下均值公式得到每個(gè)聚類簇中的典型工藝路線；

式中，c表示聚類簇編號(hào)，v表示所選元素編號(hào)，u表示聚類簇c中的元素編號(hào)，∑d2(xu，xv)表示所選元素v與聚類簇c中的所有元素的相似度的總量，nc表示聚類簇c中的元素?cái)?shù)量，sc(v)表示所選元素v對(duì)聚類簇c的均值；在提取典型工藝路線時(shí)，計(jì)算每一個(gè)聚類簇中的每一個(gè)元素相對(duì)于該聚類簇的均值，選取均值最小的作為該聚類簇的典型工藝路線。

本發(fā)明的優(yōu)點(diǎn)是：本發(fā)明將鴿群算法應(yīng)用在聚類分析之中，提高了相似度計(jì)算方法的精確性并且優(yōu)化了聚類的結(jié)果，使聚類的結(jié)果更加精確科學(xué)，更符合生產(chǎn)實(shí)際。通過智能聚類算法得到了典型工藝路線后，只需要對(duì)典型工藝路線稍加修改，就能夠生產(chǎn)與典型零件相近的零件，這樣可以大大簡化生產(chǎn)過程，提高生產(chǎn)效率。

附圖說明

圖1是本發(fā)明典型工藝路線提取流程圖。

圖2是鴿群聚類算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的基于鴿群聚類算法的典型工藝路線提取做出詳細(xì)說明。

如圖1所示，本發(fā)明的基于聚類分析的典型工業(yè)路線提取方法，包括如下步驟：

1)建立數(shù)據(jù)矩陣，數(shù)據(jù)矩陣是一個(gè)n×p的矩陣，n表示模型中工藝路線總數(shù)量，p表示工藝路線中工序個(gè)數(shù)的最大值，也即數(shù)據(jù)矩陣的每一行都表示一條工藝路線，每一行中的元素依次表示一條工藝路線中的工序編號(hào)，矩陣元素xak表示第a條工藝路線的第k個(gè)工序，如果一條工藝路線中的工序個(gè)數(shù)小于p個(gè)，則該行超出工序個(gè)數(shù)的元素用零表示。

2)建立相異度矩陣以便隨后的聚類分析，所述的建立相異度矩陣，是通過計(jì)算工序之間的距離d1(xik，xjk)，從而計(jì)算出兩條工藝路線之間的距離d2(xi，xj)也即相似度，最終得到一個(gè)n×n的相異度矩陣，矩陣中的元素表示該元素所在行和列的工藝路線之間的距離。其中工序之間的距離d1(xik，xjk)和兩條工藝路線之間的距離d2(xi，xi)表示為：

式中，1表示工序的數(shù)字編碼位數(shù)，cm表示相似度影響系數(shù)，p表示工藝路線中工序個(gè)數(shù)的最大值，xi和xj分別表示第i條和第j條工藝路線，xik和xjk分別表示第i條工藝路線中的第k個(gè)工序和第j條工藝路線中的第k個(gè)工序，xikm和xjkm分別表示工藝路線i和工藝路線j中的第k個(gè)工序的數(shù)字編碼的前m個(gè)數(shù)字，參考機(jī)械行業(yè)標(biāo)準(zhǔn)jb/t5992.1對(duì)工序進(jìn)行編碼，工序編碼包括大類、中類、小類和細(xì)分類四個(gè)層次共五位編碼，為簡化計(jì)算，本專利選取前三個(gè)層次構(gòu)建三位編碼，例如銑削的工序編碼是312，其中一位碼3表示切削加工類，二位碼31表示刃具切削類，三位碼312表示銑削類，xikm^xjkm表示xikm和xjkm之間的異或運(yùn)算。

3)對(duì)相異度矩陣進(jìn)行降噪處理來降低聚類分析的復(fù)雜度并且可以防止“噪聲”對(duì)聚類結(jié)果的過分干擾，其中所述的降噪處理就是計(jì)算每一條工藝路線與其他工藝路線之間的距離，如果滿足條件1或者條件2就將這條工藝路線刪除。

所述的條件1和條件2分別表示為：

nmin/n＞λmin

nmax/n＞λmax

式中，nmin表示某一條工藝路線與其他工藝路線之間的距離小于d2min的數(shù)量，nmax表示某一條工藝路線與其他工藝路線之間的距離大于d2max的數(shù)量，n表示模型中工藝路線的總數(shù)量，d2min表示設(shè)定的最小相似度，d2max表示設(shè)定的最大相似度，λmin表示小相似度比例，λmax表示大相似度比例。

4)將降噪處理后的相異度矩陣轉(zhuǎn)化為二維編碼，每一個(gè)二維編碼就是一個(gè)聚類結(jié)果。

所述的二維編碼，是記模型中工藝路線的總數(shù)量是n，工藝路線按順序依次編碼是p1，p2，…，pn，如果聚類數(shù)是r，則二維編碼是r×n的矩陣，其中的元素非0即1，1表示該列所對(duì)應(yīng)的工藝路線屬于所在行的聚類簇，否則值為0。

5)基于鴿群優(yōu)化算法進(jìn)行聚類分析，得到最優(yōu)聚類結(jié)果。

基于鴿群優(yōu)化算法進(jìn)行聚類，如圖2所示，包括如下過程：

(5.1)種群初始化，首先將每一條工藝路線都隨機(jī)的分配到某一個(gè)聚類簇中，作為起始的聚類劃分，然后將初始化的工藝路線進(jìn)行二維編碼處理，將其作為初始位置，并且將以上步驟重復(fù)進(jìn)行n(優(yōu)選20≤n≤100)次，就可以生成n個(gè)二維編碼也即生成包括n只“鴿子”的種群。

(5.2)種群優(yōu)化，針對(duì)種群中的所有元素也即所有工藝路線，首先計(jì)算其與該只“鴿子”中所有聚類簇的競標(biāo)值，然后按照競標(biāo)值的大小，將元素劃分到競標(biāo)值小的的聚類簇中，從而可以獲得聚類劃分的結(jié)果，最后更新“鴿子”的二維編碼。在優(yōu)化種群時(shí)，如果出現(xiàn)了空的聚類簇，就從某個(gè)非空聚類簇中找一個(gè)對(duì)該元素所處的聚類簇的競標(biāo)值最大的元素，將該元素放入空聚類簇中，重復(fù)此過程，直到劃分中沒有空聚類簇為止。

式中，c表示聚類簇編號(hào)，v表示所選元素編號(hào)，u表示聚類簇c中的元素編號(hào)，∑d2(xu，xv)表示所選元素v與聚類簇c中的所有元素的相似度的總量，nc表示聚類簇c中元素的數(shù)量，λd表示相似度權(quán)重指數(shù)，λb表示聚類簇權(quán)重指數(shù)，bc(v)表示元素v對(duì)于聚類簇c的競標(biāo)值。

(5.3)更新“鴿子”的位置和速度，在pio(鴿群優(yōu)化算法)中，每一只“鴿子”的位置都代表了一個(gè)解，“鴿子”會(huì)不斷改變自己的位置和速度來尋求最優(yōu)解。由r×n的二維編碼可知，每只“鴿子”的位置和速度都是r×n的矩陣?！傍澴印钡奈恢煤退俣雀掳▋蓚€(gè)階段，分別是地圖及指南針階段和地標(biāo)階段。首先進(jìn)入地圖及指南針階段，更新位置和速度的公式可以表示為：

vi(t)＝vi(t-1)e^-r×t+rand·[xbest-xi(t-1)]

xi(t)＝xi(t-1)+vi(t)

式中，t表示目前迭代次數(shù)，r表示地圖和指南針因數(shù)，e表示自然常數(shù)，rand表示0到1之間的隨機(jī)數(shù)字，xbest表示在t-1次迭代過程中，通過比較得到的全局最優(yōu)位置，vi(t)表示第t次迭代時(shí)的速度，xi(t)表示第t次迭代時(shí)的位置。

(5.4)反復(fù)進(jìn)行步驟(3)的迭代過程，直至迭代次數(shù)t大于設(shè)定的最大迭代次數(shù)t1，則進(jìn)入地標(biāo)階段。在地標(biāo)階段，每次迭代后“鴿子”的數(shù)目就會(huì)減少一半，那些遠(yuǎn)離目標(biāo)的“鴿子”不再具備分辨路徑的能力，也不再是所要得到最優(yōu)解，因此必須舍去。更新位置公式可以表示為：

xi＝xi(t-1)+rand·[xcenter(t-1)-xi(t-1)]

式中，n(t-1)表示t-1次迭代時(shí)的“鴿子”數(shù)目，xi(t-1)表示t-1次迭代時(shí)的“鴿子”的位置，f(x)表示目標(biāo)函數(shù)，rf、vf、θf、φf分別表示“鴿子”與目標(biāo)地點(diǎn)之間的徑向距離、“鴿子”的速度、“鴿子”所在的經(jīng)度、“鴿子”所在的緯度，rf^*、vf^*、θf^*、φf^*分別表示目標(biāo)“鴿子”與目標(biāo)地點(diǎn)之間的徑向距離，目標(biāo)“鴿子”的速度、目標(biāo)“鴿子”所在的經(jīng)度、目標(biāo)“鴿子”所在的緯度，jmin表示目標(biāo)函數(shù)的最小值，j0表示一個(gè)常數(shù)，取決于具體要求，xcenter(t-1)表示剩余“鴿子”的中心位置。反復(fù)進(jìn)行步驟(4)的迭代過程，直至迭代次數(shù)t大于設(shè)定的最大迭代次數(shù)t2。

(5.5)當(dāng)滿足迭代條件(迭代次數(shù)達(dá)到最大值)時(shí)，則結(jié)束并且輸出“鴿子”的最好位置。

6)利用均值公式從聚類的結(jié)果中提取典型工藝路線。

將輸出的最好位置的二維編碼也即最優(yōu)聚類結(jié)果轉(zhuǎn)換成相異度矩陣，采用如下均值公式得到每個(gè)聚類中的典型工藝路線。

式中，c表示聚類簇編號(hào)，v表示所選工藝路線編號(hào)，u表示聚類簇c中的元素編號(hào)，∑d2(xu，xv)表示所選元素v與聚類簇c中的所有元素的相似度的總量，nc表示聚類簇c中的元素?cái)?shù)量，sc(v)表示所選元素v對(duì)聚類簇c的均值。在提取典型工藝路線時(shí)，計(jì)算每一個(gè)聚類簇中的每一個(gè)元素相對(duì)于該聚類簇的均值，選取均值最小的作為該聚類簇的典型工藝路線。