基于Tsukamoto模糊推理的特征加工方案決策方法

胡權威 劉德亮 杜 鵬

基于Tsukamoto模糊推理的特征加工方案決策方法

胡權威 劉德亮 杜 鵬

（北京航天控制儀器研究所，北京 100039）

作為工藝設計中的重要環節，特征加工方案決策對智能化的工藝設計具有重要作用。通過構建基于Tsukamoto模糊推理的特征加工方案決策方法，分析影響特征加工方案選擇的因素，建立決策因素與特征加工方案之間的隸屬關系，利用單因素推理和多因素推理進行去模糊化處理，根據隸屬度大小最終實現特征加工方案的模糊決策，實現特征方案的優選。最后，通過實例驗證了該方法在特征加工方案決策中的有效性。

特征加工方案決策；Tsukamoto模糊推理；工藝設計

1 引言

作為工藝設計中的重要環節，合理的加工方案能夠有效節省加工成本。特征加工方案決策實際上是為零件各個待加工特征選擇加工方法鏈的過程，決策的輸入為產品特征信息，而輸出為滿足精度需求、符合工藝規則的加工方案鏈。

范孝良[1]、趙亞東[2]等人采用神經網絡方法進行特征加工方案決策，算法中利用若干數量的學習樣本訓練神經網絡，為方案決策過程提供相應的經驗知識，并把特征信息作為加工方案推理過程中的算法輸入，添加自適應算法策略使用神經網絡得到最終加工方案；覃壽同[3]等人在基于規則的模糊推理以及基于實例的模糊推理基礎上，把正向混合式模糊推理方法應用到了加工方法的決策上，建立了加工特征與加工方案之間的模糊關系，采用二層評價優選加工方案；黃偉軍[4]等人基于特征建立了加工方案知識庫，構造了工藝評判因素與特征加工方案之間的隸屬關系，最終利用模糊綜合評判算法實現對特征加工方法鏈的優化選擇；Guan X[5]將遺傳算法與層次分析相互結合實現加工方案的決策；祝恒云[6]提出了基于特征的二級加工方案決策體系，建立了基于零件特征的加工方案評價指標。采用灰色關聯分析對特征加工方案進行優化分析和計算；Hu Yanjuan[7]采用粒子群算法，以產品效益及產品質量為目標，進行加工方案的優選；所有這些研究對特征加工方案的決策具有重要指導意義。

本文在這些研究的基礎上，采用模糊數學理論，利用Tsukamoto模糊推理，確定特征加工方案影響因素，建立因素與特征方案間的隸屬函數，進行去模糊化處理，并最終根據隸屬度確定特征加工方案。

2 特征加工方案模糊推理模型構建

2.1 建立特征加工方案影響因素集合

特征加工方案選擇的影響因素很多，不僅包括工件材料、特征類型、特征尺寸、加工特征的技術要求，例如尺寸公差、形位公差及粗糙度等，還與零件的生產批量以及加工中的設備資源相關。當生產批量與車間設備處于一個相對穩定的狀態時，特征尺寸、特征類型、工件材料及加工制造要求是主要考察因素，本文的研究建立在此前提下，形成特征加工方案的影響因素集合：

= {1,2, …,u}={,,,,,,} （1）

其中，u(1≤≤,=7) 代表第個評判因素，1～7分別對應～，代表特征類型，代表工件材料，代表特征尺寸，代表尺寸精度，代表位置精度，代表形狀精度，代表粗糙度。在通常情況下，選擇特征加工方案時，需要首先確定特征類型。當特征類型確定后，在進行加工方案選擇時，某些特征類型的特征尺寸會被轉化為其他評判標準，以孔類特征為例，本文建立孔特征加工方案評判因素集合為：

= {,,,,,} （2）

其中，代表由孔特征尺寸決定的孔類型，具體類型需要根據企業的個性需求來確定。

2.2 備選方案集確定

各類特征的不同加工方案集合，是企業在經驗知識積累的基礎上建立得到的，一般存在于知識規則庫中，本文把基于不同特征類型的備選方案集合定義為：

={1,2, …,v} （3）

其中，v(1≤≤) 代表基于知識庫中與特征類型對應的第個特征加工方案，表示方案個數。以孔特征為例，表1為某企業孔特征的加工方案。

表1 某企業孔特征的加工方案

2.3 單因素評判矩陣生成

在評判第個評判因素u進時，設u對第個備選方案v的隸屬度為r，則可以用如下關系式來表示單因素評判的結果：

為了得到單因素評判矩陣，需要建立考察因素與特征加工方案之間的隸屬函數。以孔特征加工方案選擇為例，本文建立工件材料、孔類型、尺寸精度、位置精度、形狀精度及粗糙度與孔特征加工方案的隸屬函數。

2.3.1 工件材料

即當待加工材料為材料集合M時，對應的隸屬度值為1，否則值為0。

2.3.2 孔類型

即當待加工孔特征的類型為HT時，對應的隸屬度值為1，否則值為0。

2.3.3 尺寸精度

由此，得到尺寸精度與特征加工方案的隸屬度函數（membership functions）如下，該隸屬度反映了選擇加工方案v的合理程度。

此外，形狀精度、位置精度及表面粗糙度隸屬度函數與尺寸精度的隸屬度函數有一定相似性，設被加工特征的形狀精度、位置精度及表面粗糙度分別為,,，特征加工方案v所能達到的經濟公差范圍分別為SP(v)～SP(v),PP(v)～PP(v),SR(v)～SR(v)，規定如下：

e. 在其他情況下，各方案被選擇的可能性為[0.8,1]。

由此，得到它們的隸屬函數如式（9）～式（11）所示。

形狀精度與加工方案的隸屬度函數：

位置精度與加工方案的隸屬度函數：

粗糙度與加工方案的隸屬度函數：

2.4 Tsukamoto模糊推理方法

Tsukamoto模糊推理法的基本原理是將多維模糊推理模型分解，并將分解形成的簡單模糊推理模型并聯，運用其進行特征加工方案推理時的模型如圖1所示，推理過程分以下幾個步驟：

圖1 特征加工方案推理模型

a. 特征信息模糊化處理。以孔特征為例，需要根據孔的特征尺寸、工件材料、位置精度、尺寸精度、形狀精度以及粗糙度等得到模糊化數據，并設其對應的值設為′,′,′,′,′,′。

b. 單因素推理。根據基于模糊化數據處理得到的值，在式（6）～式（11）隸屬函數基礎上，進行單因素推理，其過程如下：

各單因素推理的結果對應單因素評判矩陣的轉置，即R。

c. 多因素推理。最終，進行特征加工方案多因素推理：

′=V∩V∩V∩V∩V∩V（13）

根據多因素推理結果進行去模糊化處理，若取隸屬度的閥值為λ，則有：

2.5 基于Tsukamoto的模糊推理流程

在特征加工方案模糊推理模型基礎上，形成基于Tsukamoto的模糊推理流程，如圖2所示，確定加工方案因素及加工方案集的確定，通過單因素和多因素評判，利用Tsukamoto模糊推理實現加工方案決策。

圖2 基于Tsukamoto的模糊推理流程

3 特征加工方案模糊決策應用實例

以某企業孔特征的加工方案（表1）選擇為例進行驗證。圖3所示為該零件的正視圖及剖視圖。其中，接頭零件的材料為鋁合金，孔特征的孔徑尺寸=8H7，深度=50mm，表面粗糙度為a1.6μm，該孔與外圓柱具有同軸度要求，其值為0.01（等級為7級），該孔還具有圓柱度要求，其值為0.009（等級為9級），下面給出該孔特征加工方案決策過程。

圖3 接頭零件實例信息圖

3.1 孔特征加工方案影響因素確定

從上面信息可以看出，該零件的材料為鋁合金，根據表1判斷可知孔特征所有的加工方案均滿足該零件的材料要求。因此，為了使評判過程簡化，在對該孔特征進行加工方案選擇時主要考慮工件材料以外的其他因素，即= {,,,,}。

3.2 孔特征加工方案集確定

根據表1建立孔特征的加工方案集合：

={1,2,3,4,5,6,v,8}

其中：1——中心鉆—啄鉆；2——中心鉆—麻花鉆；3——中心鉆—鉆引導孔—槍鉆；4——中心鉆—啄鉆—鉸；5——中心鉆—啄鉆—鏜；6——中心鉆—啄鉆—銑孔；7——中心鉆—啄鉆—銑刀啄鉆；8——中心鉆—精鉸。

3.3 特征信息模糊化處理

該孔特征信息模糊化結果為：′=2,′=7,′=7,′=9,′1.6。

3.4 單因素推理

根據、、、及與特征加工方案選擇的隸屬度函數，可以得到單因素評判矩陣：

通過的轉置，可以得到Tsukamoto單因素模糊推理結果，如表2所示。

表2 模糊推理結果

3.5 多因素推理

在隸屬度的域值取=0.8情況下，從表2可以看出，6為該隸屬度下的優選加工方案。基于某企業的實際應用，該加工方案能夠滿足加工要求，也證明了模糊推理決策方法在解決特征加工方案決策問題中的合理性。

4 結束語

采用基于Tsukamoto模糊推理的特征加工方案決策方法，通過對特征加工方案影響因素分析，構建了隸屬度函數，在對特征信息模糊化處理基礎上，利用單因素推理和多因素推理進行去模糊化處理，并基于隸屬度實現特征加工方案的優選。最后，通過實例驗證了該方法在特征加工方案決策中的有效性，為智能化的工藝決策奠定了基礎。

1 范孝良，花廣如，周雄輝. 基于人工神經網絡的零件特征加工方法獲取及其優先權選擇[J]. 計算機集成制造系統，2008，14(7)：1370～1374

2 趙亞東，譚超，徐建超. 基于模糊 BP 網絡的加工方法鏈決策[J]. 制造業自動化，2012，34(12)：31～33

3 覃壽同，湯海艦，劉欣欣. 基于模糊推理的箱體類零件特征加工方案的決策研究[J]. 現代制造技術與裝備，2008(2)：6～8

4 黃偉軍. 復雜零件工藝方案優化關鍵技術研究[D]. 武漢：華中科技大學，2012

5 Guan Xuesong, Wang Yiqiang, Tao Liyan. Machining scheme selection of digital manufacturing based on genetic algorithm and AHP[J]. Journal of Intelligent Manufacturing, 2009, 20(6): 661～669

6 祝恒云. 基于灰色關聯分析的加工方案決策研究[J]. 機械制造與自動化，2011，40(4)：79～81

7 Hu Yanjuan, Wang Yao, Wang Zhanli, et al. Machining scheme selection based on a new discrete particle swarm optimization and analytic hierarchy process[J]. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 2014, 28(1): 71～82

Feature Processing Scheme Decision Based on Tsukamoto Fuzzy Reasoning

Hu Quanwei Liu Deliang Du Peng

(Beijing Institute of Aerospace Control Devices, Beijing 100039)

As an important part in process design, feature processing scheme selection plays an important role in intelligent process decision. Tsukamoto fuzzy reasoning method is formed in order to realize the fuzzy decision of the processing scheme. The factors in influencing processing scheme selection are summarized and membershipfunctions between factors and processing schemes are set up. Based on single factor reasoning and multiple factor reasoning, optimized feature processing scheme is selected. In the end,an example is given to verify the effectiveness of this method in the decision of feature processing scheme.

feature processing scheme decision；Tsukamoto fuzzy reasoning；process planning

胡權威（1986），博士，工業與制造系統工程專業；研究方向：智能制造技術、三維數字化工藝等。

2018-07-02