面向設計意圖的STEP知識圖譜關鍵技術研究

簡琤峰,林 崇,張立軍,張美玉

(浙江工業大學 計算機學院 數字媒體技術研究所,杭州310023)

E-mail:jiancf@zjut.edu.cn

1 引 言

傳統的產品信息交換與共享一直以來側重于幾何數據的交換與共享,由于幾何數據中不包含設計者的設計歷史、設計約束和特征等高層語義信息,無法實現高層語義信息的交換與共享,因此在參數化特征建模已經成為CAD標準建模方法的今天,無法支持對原設計進行設計意圖的定位和重用[1-3].當前主流的CAD系統主要通過特征、參數、約束和構造歷史這種設計過程來推測表達產品的設計意圖.主要有以設計目的為主的設計意圖研究[4-6]和以設計過程知識為主的設計理性研究[7,8],均側重于設計意圖的理解、描述、推測及其工程應用研究,對于設計意圖的語義交換研究較少,由于涉及到對設計意圖描述的統一性、通用性和標準化的問題,因此脫離已有國際標準研究設計意圖的語義交換對于工程應用而言作用是有限的.

STEP AP242不僅僅是將原有的三維幾何模型、三維PMI(產品制造信息)、自適應制造生產集成在一起,而且將這三部分有關特征設計意圖描述具體應用到了該應用協議中,為基于特征的設計意圖信息(包括特征、參數、約束和構造歷史)的表達和交換打下基礎[9-11].相對于傳統的幾何數據交換而言該類型標準還存在很多問題,首先設計意圖信息交換的實現仍然受傳統的幾何數據交換方法影響屬于語法層次的交換,在實踐應用過程中該標準制定的設計意圖信息的描述準確性還有待檢驗.其次雖然STEP AP242實現了三維幾何信息的尺寸語義表達(Representation)而非僅展現(Presentation),但它僅僅實現了基于幾何面的尺寸語義標注關聯,未能實現基于特征的語義標注關聯,實現三維尺寸語義標注與幾何特征的語義關聯更有利于STEP設計意圖的獲取和交換.

傳統的STEP本體化方法[12-16]受限于傳統的語法轉換層次,語義推理依靠大量的本體規則定義,沒有充分挖掘STEP信息中隱藏的語義知識.本文以基于模型定義的STEP AP242應用協議為設計意圖語義交換的研究對象,引入知識圖譜[17,18]的理論方法,首先對其數據實例本體化為三元組語義元實例,對實例庫規則抽取,結合STEP應用協議語義規則和語義標注,實現基于語義元模型的多語義知識提取,構建產品三維幾何信息與非幾何信息語義關聯的STEP知識圖譜.因此本文重點圍繞STEP知識圖譜語義模型構建、基于語義元模型的多語義特征提取及基于增強學習的路徑推理及SWRL規則挖掘技術進行闡述,最后結合減速器中的傳動軸對多語義特征進行推理.

2 面向產品設計意圖的知識圖譜建模

STEP AP242產品信息中除了傳統的幾何拓撲信息外還含有許多非幾何信息如裝配信息、PMI信息、功能信息以及隱含的設計意圖等語義信息.因此為了解決幾何信息和非幾何信息統一描述,實現幾何與非幾何信息的語義關聯,本文以產品信息語義元[19]作為語義元模型的基本單位,以結構化的形式表示產品的幾何信息和非幾何語義信息.

2.1 產品設計意圖定義

本文給出了產品設計意圖信息及其相關實體概念的具體定義,包括裝配體(Assembly)、產品零件(Part)、設計歷史(Construction History)等.

定義2.產品設計意圖信息由一組實體概念和關系構成,具體定義如式(1)所示:

DesignIntent={C,R}

(1)

其中C(Concept)表示產品模型的實體概念,本文定義了4個設計意圖的實體概念類型,包括設計問題(Issue)、解決方案(Solution)、裝配體(Assembly)、產品零件(Part).R(Relation)關聯關系主要分為兩種,第一種為實體概念之間的上下層級關系,類似“裝配體”和“產品零件”具有包含關系,另一種為實體概念之間的語義關系,如“設計問題”可以由多個“解決方案”來解決,一個“解決方案”可以實現一個“裝配體”或“零件”.

定義3.設計問題(Issue)表示在產品設計過程中需要進行商議、討論的設計疑惑和難點,由各種類型的問題實體概念集合組成,具體定義如式(2)所示:

Issue={IFactual,IInquiring,IExplanatory,IInstrumental,IOther}

(2)

其中,集合中的元素代表了不同類別的設計問題集合,IFactual表示事實性問題,IInquiring表示查詢性問題,IExplanatory表示解釋性問題,IInstrumental表示工具性問題,IOther表示未在上述分類中的設計問題.

定義4.解決方案(Solution)表示針對設計問題的方法或方案實體對象,是各種類型的解決方案實體概念的集合,具體定義如式(3)所示:

Solution={SPhysical,SManufacture,SExperience,SRecycling,SOther}

(3)

其中,SPhysical表示物理層面的解決方案,包括結構、材料、電控、液壓等改變產品的物理特性的解決方案;SManufacture表示制造工業層面上的解決方案,通過制造工藝的變化來解決相關的設計問題;SExperience表示經驗層面的解決方案,利用設計者成熟的設計經驗來解決設計問題;SRecycling表示回收和再制造解決方法;SOther表示其他類型的解決方案.

定義5.裝配體(Assembly)表示裝配體產品實體概念,裝配體由零件實體以及裝配約束實體集合構成,具體定義如式(4)所示:

Assembly={APart,AConstraint,AConstructionHistory}

(4)

其中,APart是構成該裝配體的零件集合,AConstraint表示各零件之間形成的裝配約束集合,AConstructionHistory表示裝配體的設計歷史,主要包括零件的裝配順序等信息.產品裝配一般是將分散的零件通過特定的方式,形成一個復雜裝配體,采用何種方式、哪些零件之間有連接,連接操作的順序等都是成功裝配需要考慮的問題,依據裝配約束信息和裝配體的設計歷史信息可以實現復雜產品的正確裝配.

定義6.零件(Part)表示不可拆分的零件實體概念,零件實體主要由設計歷史、參數、約束和特征實體概念集合組成,具體定義如式(5)所示:

Part={PConstructionHistory,PParameter,PConstraint,PFeature}

(5)

其中,PConstructionHistory表示零件的設計歷史實體概念集合,主要包含了零件的設計過程信息;PParameter表示產品的參數實體概念集合,主要包含一些控制產品或零件幾何形狀的參數數值;PConstraint表示產品的約束實體概念集合,是滿足設計意圖條件下對產品結構的限定和約束;PFeature表示產品的特征實體概念集合,PFeature={f|f={ft,fm}},ft表示特征類別,包括參考特征(如參考面、參考線、參考點等)、草圖特征(記錄在二維平面上繪制的草圖輪廓)、基于草圖的特征(如拉伸特征、旋轉特征)、局部特征(如圓角特征、倒角特征、切角特征、薄殼特征等)、組合特征(如鏡像特征、陣列特征等)這五種類型的特征類別,fm表示具體的特征描述信息.特征實體是零件實體最重要的子實體,一個零件實體可能包含多個特征實體集合,多個特征實體的組合形成了零件的主要結構.

2.2 設計意圖語義元模型DISM

STEP AP242 應用協議的數據規范對產品的幾何信息和拓撲信息表示給出了明確的定義,與此同時,其還包含了豐富的語義信息,包括PMI制造信息、功能信息、設計意圖信息等.在前兩節提出的產品信息語義元的基礎上,結合STEP AP242應用協議規范和產品設計意圖的描述,提出了設計意圖語義元模型(DesignIntent-based Sementic Model,DISM).

定義7.設計意圖語義元模型DISM由不同的5個元素集合組合而成.DISM語義集合五元組為DISM={B,L,P,D,O},集合元素具體含義如下:

1)B={b1,b2,…,bn}表示一個有窮非空語義元集合,集合中的元素為n個基于STEP AP242應用協議的基礎語義元節點,一般采用EXPRESS語言描述.

2)L={l1,l2,…,ln}表示語義連接邊的有窮非空集合,用于描述不同語義元之間的關聯關系,集合中的元素 表述連接邊類型、具體數值參數等信息.

3)P={p1,p2,…,pn}表示基于產品PMI制造信息語義表述的語義元有窮集合,其中集合中的元素pi={tolerancei,dimensioni,otheri}為PMI語義元節點,其中tolerancei、dimensioni、otheri分別是尺寸、公差及其他制造信息的語義元節點.

4)D={d1,d2,…,dn}表示設計意圖的有窮語義元集合,基于上一節提出的設計意圖定義,設計意圖語義元的形式化表達如式(6)所示:

DesignIntentSC={Issue,Solution,Assembly,Part}

(6)

其中,DesignIntentSC為設計意圖語義元對象,Issue為設計問題語義元,Solution為解決方案語義元,Assembly為裝配體語義元,Part為零件語義元.

5)O={o1,o2,…,on}表示其他產品信息語義集合,用于對缺失的產品信息的補充.

定義9.在設計意圖語義元模型中,若兩個非空的語義元集合SCi和SCj含語義連接邊集合L={l1,l2,…,lm},形成配對語義元集SCi,SCj,那么SCi和SCj分別為前置語義元集和后置語義元集,記作Pre(lk)和Back(lk),語義元集之間的配對SCi,SCj可記作

定義10.設計意圖語義元子模型DISMi={Bi,Li,Pi,Di,Oi},其中Bi?B,Li?L,Pi?P,Di?D,Oi?O.一個設計意圖語義元子模型是它所屬的設計意圖語義元模型的一個子集,那么其中的每個元素集合都是該語義元模型元素集合的子集.

設計意圖語義元模型DISM以產品語義元節點為基本單位,實現了產品的幾何拓撲信息和語義信息的統一化描述,從基礎語義元、PMI語義元、設計意圖語義元以及其他語義元這四類語義元出發,建立了產品數據信息的層次化結構.以語義元節點和連接邊構建結構化的語義元模型,有利于后續基于設計意圖語義元模型的知識圖譜的構建,并對隱藏的產品設計意圖信息進行挖掘和分析.

2.3 知識圖譜的體系結構

STEP知識圖譜結構分兩大類關系,一類是應用協議層語義關系,一類是STEP實例層關系.知識圖譜的基本結構由應用協議層語義關系圖GM和STEP實例層關系圖GE組成,即KG=GM,GE.其中,應用協議層語義關系圖表示應用協議概念層級結構;STEP實例層關系圖表示STEP實例及其之間的關系.應用協議層語義關系圖GM=CM,RM,其中CM表示圖中概念節點,RM表示由多條邊連接的兩個概念之間的關系邊.STEP實例層關系圖表GE=EE,RE,其中EE表示圖中實體節點,RE表示由多條邊連接的兩個實體之間的關系邊.

面向設計意圖知識圖譜是通過實體及其語義關系來表達產品幾何信息和設計意圖信息.圖結構由語義元節點集合和邊集合構成KG={SC,R}.其中,語義元節點集合表示了產品信息中的各種概念以及實體,邊代表概念、實體間的關聯,用來連接兩個概念或者實體.具體表述如下:

面向設計意圖的知識圖譜體系結構如圖1所示,主要由知識庫、規則庫和實例庫三個部分構成.實例庫中存放了大量由STEP242實例文件轉化的以語義元節點為基礎的OWL文件,另外語義信息標注可以補充轉化過程中丟失的語義信息;知識庫分為基本知識庫和擴展知識庫兩部分,其中基本知識庫由應用協議庫生成,擴展知識庫通過對實例庫的知識抽取動態生成;規則庫中包含了大量的規則信息用于設計意圖信息的推理.知識圖譜的構建主要通過自頂而下和自底向上兩種方式來構建,自頂向下指的是根據應用協議庫定義好產品語義信息元結構和幾何關系,再添加到基本知識庫,自底向上指的是基于設計意圖表述提出的設計意圖實體信息的層次結構,構建 STEP AP242應用協議庫不包含的設計意圖語義元及語義元間的連接關系,并加入到知識庫從而實現知識庫的動態擴展.

圖1 知識圖譜體系結構

3 面向知識圖譜構建的STEP知識提取技術

STEP AP242中定義了產品的三維幾何形狀信息以及產品非幾何語義信息,結合幾何特征和尺寸公差相配合可以實現對隱含的設計意圖信息的知識提取.特征是設計意圖信息中的核心部分,產品中的不同特征反映出大量的設計意圖信息.目前STEP幾何特征提取方法主要有兩種:基于邊界的特征提取和基于鄰接圖的特征提取.

基于邊界的特征提取方法能夠對產品的一些基本特征,例如圓柱凸臺特征、凸臺特征、盲孔特征、通孔特征、槽特征、臺階特征等可有效識別提取并保留在知識圖譜語義模型中.但在處理一些復雜特征例如階梯槽、共面特征等以及裝配體特征識別的問題上還存在局限性,尤其是含設計意圖的組合特征語義容易出錯.基于改進NBA算法的鄰接圖的特征提取方法可以提高特征提取效率和精確度,但對于三維幾何信息完全一致,由于零件或特征加工制造要求的不同而導致其在整個產品生命周期中的作用存在較大差異,對于這樣的零件或特征僅從幾何拓撲結構分析的鄰接圖特征提取方法存在無法區分多語義特征的情況.

針對上述問題,提出了基于語義元模型的多語義特征提取方法.首先在STEP知識圖譜語義元模型基礎上進行邊界幾何特征提取;然后結合改進的NBA算法實現AAG鄰接圖的特征提取,解決相交復合特征提取問題,最后在二者基礎上,引入增強學習算法,提取STEP文件中的PMI信息,結合SWRL規則進一步提取多語義特征.以下是多語義特征提取方法的具體步驟:

1)基于語義元模型的邊界幾何特征提取

該方法建立在傳統的BREP邊界表示法的基礎上充分利用STEP知識圖譜語義元模型,共定義了五種產品拓撲語義元:VertexGeometry、EdgeGeometry、LoopGeometry、FaceGeometry和ShellGeometry,它們分別保存了點、邊、環、邊界、面和殼的相關邊界信息和關聯關系,通過遍歷這些集合中的集合元素,獲取點、邊、面的邊界特征描述分別與預定義的特征邊界描述相互匹配,從而確定實例零件的特征語義信息.

2)基于改進NBA的AAG圖特征提取

產品三維模型可以看作是封閉的邊界表面圍成的有限空間,通過提取產品的STEP AP242數據信息,將模型描述為面邊鄰接圖,并將模型的幾何和拓撲屬性添加到相應的弧和頂點上,從而形成屬性鄰接圖AAG(V,E).同傳統的AAG特征提取方法相比,從STEP知識圖譜構建出發,同時利用了面面間的凹凸性和面面間的邊的類型兩種語義,能夠解決相交復合特征的提取問題[20].利用改進的NBA算法可以大大提高特征提取效率和精確度,可以較好的解決某些相交復雜特征識別混亂的問題.

3)基于增強學習的多語義特征提取

使用AP242應用協議的STEP文件一個顯著特點在于實現了對產品PMI語義信息的描述,PMI 制造加工信息描述了產品設計、制造中比較常用的屬性,比如零件的線性尺寸、徑向尺寸、形位公差以及表面粗糙度等.由設計意圖語義元模型組成的知識圖譜中包含STEP文件中的幾何信息和語義信息,這是使用增強學習對STEP文件中隱藏的PMI信息進行提取的前提條件之一.通過PMI信息我們能獲得與零件加工相關的非幾何語義信息,結合PMI信息進行特征提取有效克服了幾何特征缺乏的工程語義,能在現有特征提取方法的基礎上,進一步解決多語義特征的問題,算法步驟如下:

Step 1.對STEP AP242文件進行知識抽取并與設計意圖語義元模型進行相關映射后存入知識圖譜中;

Step 2.基于改進NBA算法的鄰接圖方法提取STEP文件中的相關特征;

Step 3.PMI信息在EXPRESS語言中的相關描述并判斷知識圖譜中是否含有相關類型的語義元,若無則跳轉至Step 4,若有則跳轉至Step 5;

Step 4.輸出范圍較大且含有多種可能性的特征提取結果;

Step 5.繼續判斷規則庫中是否有對應PMI信息提取規則,若不存在則跳轉至Step 6,若存在則調整至Step 8;

Step 6.利用增強學習學習知識圖譜中隱藏的PMI提取規則;

Step 7.將PMI提取規則存入規則庫中;

Step 8.將PMI信息和規則結合得到更為精確的特征提取結果.

4 基于知識圖譜的STEP知識推理技術

知識圖譜圖推理方法主要包括張量分解和路徑推理兩個方面.現有張量分解算法[21]更多考慮的是實體間直接相連關系,對于圖譜中多路徑未做考慮,從而推理深層次實體關系的能力受到限制.路徑排列算法(Path Ranking Algorithm,PRA),通過實體間關系,對知識圖譜的圖結構進行學習,能更深層次的推理出實體和實體間的聯系.但是,路徑排序算法在多跳路徑的推理能力一般,且并未考慮路徑的可靠性和語義組合問題.增強學習中的智能體具有和環境交互且優化自身策略的能力,能有效學習多跳路徑間實體關系,并能結合SWRL規則推理出STEP文件中的設計意圖語義信息.

我們提出了基于增強學習的路徑推理及規則挖掘技術.首先將STEP文件中的產品數據信息和增強學習模型進行相關映射,然后在相關映射基礎上結合改進Q-learning算法得到智能體序列化決策結果,最后依據序列化決策結果,語義元節點的類型和語義元節點之間的關系抽象出相應的SWRL語義規則.

1)STEP產品數據至增強學習的映射

增強學習(Reinforcement Learning)[22]的基本思想是通過智能體(agent)和環境不斷的交互信息已達到獎勵最大化,從而學習到目標的最優策略.馬爾可夫決策過程(Markov Decision Process,MDP)[23]能很好的刻畫智能體序列化決策過程,因此常使用馬爾可夫決策過程來對增強學習問題進行建模.要使用增強學習學習規則并推理,需要將STEP文件中的產品數據信息和增強學習環境進行關聯映射.產品信息語義元模型實現了STEP文件中三維幾何信息和設計意圖信息的融合,保證了產品數據內容和數據間層次結構的完整性,是實現STEP文件數據到增強學習映射的前提之一.

STEP產品數據至增強學習的映射由兩個步驟組成.首先提取STEP文件中的知識與產品信息語義元映射,再基于語義元節點構成的圖結構提取整合語義元中相關信息和馬爾可夫決策模型進行映射,圖2為產品數據信息至增強學習映射的示意圖.

圖2 產品數據信息至增強學習映射示意圖

2)改進Q-learning算法

Q-learning算法是增強學習中經典的算法之一,具有簡單易操作的特點.該算法在序列化決策過程中,使用固定參數ε的?-greedy策略進行動作的選取,存在收斂效率低的問題.依據馬爾可夫決策模型,智能體在探索初期應采用更高的概率隨機和環境進行交互,提高其找到目標點的概率,隨著探索幾次的增加,應該更傾向于利用經驗,使節點的Q值盡快收斂,以提高整個增強學習的效率.本文從常數,階躍函數和一次函數三個方面對參數ε進行研究.當參數ε為常數時,其形式化表達如式(7)所示.

ε=C

(7)

其中,C為常數.這樣的參數選擇使得智能體在探索的整個過程都以同樣的概率隨機選取動作與環境交互.

使用階躍函數模擬參數ε的變化,其形式化表達如式(8)所示.

(8)

其中,a為常數,一般取0.8,t表示智能體探索的次數,tmax表示智能體最大的探索次數.參數ε使用階躍函數模擬,使得智能體在探索周期的前半段以較大概率隨機選擇動作,而探索的后期這重點在使Q值收斂.

使用一次函數模擬參數ε的變化,其形式化表達如式(9)所示.

(9)

其中,-k為斜率表示ε變化的快慢,x為自變量,智能體每找到一次目標點,自變量x自增1,b為常數,取1.例如取k=0.02,在探索的初期,智能體并沒有找到目標點,自變量x=0,這時參數ε取到最大值1,即智能體以1的概率隨機選擇動作與環境交互,最大限度的提高了智能體發現目標點的概率,而隨著發現目標點次數的增加,智能體隨機選擇動作的概率逐漸降低,最后智能體會傾向于快速收斂Q值完成學習.

圖3 多函數模擬實驗結果

本文在相同的環境下對常數,階躍函數和一次函數模擬參數ε變化進行多跳模擬實驗,實驗結果如圖3所示.由實驗結果可以看出,隨著推理路徑長度的增加,階躍函數和一次函數擬參數ε變化收斂的效果較好.本文在后續的推理中采用效果較好的一次函數動態模擬參數ε變化有效解決經典?-greedy策略收斂慢的問題.

增強學習的目的是讓智能體學習到目標點的最優策略,而回報R的設置能對智能體找到優質的路徑產生影響.為鼓勵智能體找到最優路徑,針對由語義元節點組成的環境中,智能體能采取的動作集較大,有更多的可能是產生不正確的決策序列,且錯誤的決策序列數量會隨著路徑長度增加呈指數增長的問題.本章設置了全局獎勵回報rg作為增強學習模型的一種獎勵,其函數定義如式(10)所示.

(10)

當智能體在一系列決策中找到所需要的目標點時,會給予智能體正向的全局獎勵,在達到最大探索步數后仍未找到目標點,則給與智能體負反饋.

為了在智能體使用增強學習算法尋找目標點優化策略的過程中提取節點間關系,作為自動生成部分SWRL規則的基礎.在推理規則的編寫過程中,短規則往往優于長規則,因此設置了路徑獎勵回報re,該回報通過限制智能體與環境交互作用的長度,來提高推理效率,使得智能體更傾向于使用短路徑達到目標點,式(11)為路徑獎勵回報的函數定義.

(11)

其中,length(p)表示智能體決策序列的長度.

綜合上述兩次獎勵,智能體在找到目標點時,能獲得總獎勵rtotal的形式化表達如式(12)所示.

rtotal=λ1rg+λ2re

(12)

其中,λ1和λ2為權重系數,用于調整全局獎勵回報和路徑獎勵回報在總回報中的影響比例,本實驗中取λ1的值為0.6,取λ2的值為0.4.

依據一次函數動態模擬參數ε變化,結合全局獎勵回報rg和路徑獎勵回報re兩種獎勵的總獎勵rtotal,改進Q-learning的偽代碼算法如表1所示.

表1 改進Q-learning偽代碼算法

Table 1 Algorithm of improved Q-learning

Input:The state of starting and ending pointOutput:The learned Path1. Initialize Q(s,a) arbitrarily,for all s∈S,a∈A(s)2. Repeat(for each episode):3. E(s,a)=0,for all s∈S,a∈A(s)4. Initialize S,A5. Repeat(for each step of episode):6. Choose action a from s using ?-greedy policy7. Take action a,observe r′,s′8. Choose maximum Q(s′,a′) form s′ update Q-value9. Q(s,a)←Q(s,a)+α[r′+γQmax(s′,a′)-Q(s,a)]10. s←s′,a←a′11. If steps reach the maximum length12. Then break13. If success14. Then rtotal←λ1rg+λ2re15. Until run out the episodes

算法的輸出為增強學習序列化決策的路徑結果,輸入為起始節點和目標節點的空間狀態,形式化表示如式(13)所示.

Input

(13)

其中,si表示起始節點的空間狀態,se表示目標節點的空間狀態.

3)基于增強學習的自動化SWRL規則提取

使用SWRL規則對STEP文件中的語義信息進行推理是經典的做法,傳統的SWRL規則采用人工書寫的方式產生,這樣的規則產生方式存在兩方面的不足,一方面是用于推理STEP語義信息的規則往往較為繁瑣和復雜,這使得人工書寫規則存在冗余和差錯問題.另一方面,繁瑣的SWRL語義推理規則,使得對規則的維護和更新較為困難,同時存在不利于工程人員之間交流的問題.

基于增強學習的自動化SWRL規則產生方法能有效避免傳統規則產生方式的不足.在使用設置了路徑獎勵回報的改進Q-learning算法的增強學習,智能體通過和環境的交互不僅能學習到兩個實體節點間的可達路徑,還能學習出兩個實體節點間的最短路徑.由映射關系可知,智能體序列化決策學習到的最短路徑中蘊藏著兩個實體節點間存在的關系和規則.基于增強學習的SWRL規則產生方法具體算法步驟如下:

Step 1.依據需要推理的結果,查閱STEP數據在EXPRESS語言中的相關描述;

Step 2.根據EXPRESS語言的描述獲取知識圖譜中對應語義元的集合;

Step 3.根據語義元集合設置增強學習的起始點和目標點;

Step 4.根據改進Q-learning算法得到智能體序列化決策結果;

Step 5.基于STEP文件數據到增強學習的關系映射,得到相信的SWRL規則.

5 實驗與分析

本實驗以減速器的STEP文件為基礎構建知識圖譜,以減速器中的傳動軸為例如圖4所示,首先將減速器STEP文件中的產品數據信息與面向產品設計意圖的語義元模型進行映射,其次基于AAG圖初步提取傳動軸中相關特征,然后結合增強學習算法學習PMI信息提取規則,最后使用SWRL規則分析傳動軸的多語義特征.

圖4 傳動軸三維模型

基于AP242應用協議的STEP文件由EXPRESS語言描述,每一條EXPRESS語句由實體標識、實體名稱和實體屬性三部分組成.我們從傳動軸的STEP文件中任取一條EXPRESS語句,其描述形式如公式(14)所示.

#971=ADVANCED_FACE(″,(#891),#942,.T.);

(14)

其中#971為實體標識,ADVANCED_FACE為實體名稱,也意味著該實體的種類,(″,(#891),#942,.T.)括號中的則為該實體的屬性.該EXPRESS語義與語義元模型的映射結果如表2所示.

表2 實體至語義元模型映射

Table 2 Mapping of entity to SC

實體相關屬性語義元屬性#971ADVANCED_FACE(″,(#891),#942,.T.)

將STEP文件中的實體逐一映射成面向設計意圖的語義元并存入數據庫中,使用AAG特征提取方法對傳動軸的特征提取結果如表3所示.

表3 AAG特征提取結果

Table 3 Result of AAG finds features

分析對象分析結果不規則槽特征 傳動軸不規則開槽特征圓柱凸臺特征

從識別結果可以看出,由于鍵槽中包含兩個半圓柱面,AAG特征提取方法將其識別為不規則特征,同樣傳動軸的開槽中也存在半圓柱面從而識別成不規則開槽特征,且識別出軸中圓柱凸臺特征,識別出正確的結果.傳動軸的實體表面由多個圓柱面組成,雖然從幾何角度的描述一致,但圓柱面和圓柱面之間加工要求和所承載的功能屬性各不相同,可大致分為兩類,一類是定位圓柱面,這類圓柱面主要功能在于使軸上零件能處于正確位置,一般這類圓柱面對加工要求較低.另一類是裝配圓柱面,這類圓柱面和軸上零件直接接觸且和零件之間具有裝配關系,一般這類圓柱面對加工的要求較高.對于幾何特征相同的圓柱面,其設計意圖語義信息卻大不一樣,將其都識別為相同的特征,會造成產品數據交換信息的缺失.因此有必要提取PMI信息,結合規則進一步分析多語義的特征.

若所建立的知識圖譜規則庫中不存在提取PMI信息的規則,則需要人工編寫規則或利用增強學習提取規則,本次實驗采用基于增強學習的自動化SWRL規則提取方法.依據想要提取規則的結果查詢STEP數據在EXPRESS語言中的描述.PMI的線程尺寸和徑向尺寸在EXPRESS語言以DIMENSIONAL_CHARACTERISTIC_REPRESENTATION的實體名稱進行描述,零件幾何面的集合用實體名稱CLOSED_SHELL進行描述.在傳動軸的STEP文件中實體名稱CLOSED_SHELL對應的實體標識為#1002,實體名稱為DIMENSIONAL_CHARACTERISTIC_REPRESENTATION對應的實體標識為一個集合.由于我們是為了提取抽象的SWRL規則,這里不妨取#1002和#47作為增強學習的起點和終點.以改進Q-learning算法為基礎,通過智能體和環境交互學習到的結果如圖5所示:

從學習結果可以看出,從實體標識為#47的語義元節點到實體標識為#1002的語義元節點存在兩條長度一樣可達的路徑,以實體標識形式提取增強學習智能體序列化決策結果如表4所示.

圖5 增強學習最優路徑結果

在以實體標識形式得到的序列化決策結果中,兩個實體標識對應的語義元間存在著連接邊,STEP文件產品數據中包含實體層級結構關系映射得到語義元節點間的連接邊.基于STEP產品數據至語義元模型和增強學習的映射關系,結合智能體序列化決策結果可以抽象出語義元節點的類型和語義元節點之間的關系作為SWRL語義規則的前提條件.表4中序列化決策結果生成的SWRL規則如表5所示.

表4 增強學習序列化決策結果

Table 4 Result of serialization decision

序列化決策結果1#47→#19→#221→#167→#979→#1002序列化決策結果2#47→#19→#220→#166→#981→#1002

由于兩個序列化決策結果所生成的規則一致,則可以取其中任意一條規則作為零件具有PMI信息的SWRL語義規則,并存入知識圖譜的規則庫中,利用相同算法步驟,我們可以提取零件表面粗糙度的SWRL規則等相關語義規則.將增強學習提取規則和人工編寫規則相結合,分析推理軸的多語義特征結果如表6所示.

表5 序列化決策結果生成對應SWRL規則

Table 5 SWRL rules generated from serialization decision

序列化決策結果SWRL規則#47→#19→#221→#167→#979→#1002DIMENSIONAL_CHARACTERISTIC_REPRESENTATION_contains_DIMENSIONAL_LOCATION(?d,?l)∧DIMENSIONAL_LOCATION__contains_SHAPE_ASPECT(?l,?s)∧SHAPE_ASPECT_contains-1_GEOMETRIC_ITEM_SPECIFIC_USAGE(?s,?g)∧GEOMETRIC_ITEM_SPECIFIC_USAGE_contains_ADVANCED_FACE(?g,?a)∧ADVANCED_FACE_contains-1_CLOSED_SHELL(?a,?c)→CLOSED_SHELL_has_PMI(?c)

#47→#19→#220→#166→#981→#1002DIMENSIONAL_CHARACTERISTIC_REPRESENTATION_contains_DIMENSIONAL_LOCATION(?d,?l)∧DIMENSIONAL_LOCATION__contains_SHAPE_ASPECT(?l,?s)∧SHAPE_ASPECT_contains-1_GEOMETRIC_ITEM_SPECIFIC_USAGE(?s,?g)∧GEOMETRIC_ITEM_SPECIFIC_USAGE_contains_ADVANCED_FACE(?g,?a)∧ADVANCED_FACE_contains-1_CLOSED_SHELL(?a,?c)→CLOSED_SHELL_has_PMI(?c)

表6 多語義特征推理結果

Table 6 Result of multi-semantic feature

相關圓柱面推理結果#984ADVANCED_FACE_has_Assembly_function(?#984)#976ADVANCED_FACE_has_Position_function(?#976)

表中結果顯示實體標識為#984的圓柱面(表面粗糙度為1.6的圓柱面)所在的圓柱凸臺特征具有裝配功能,而#976的圓柱面(表面粗糙度為3.2的圓柱面)所在的圓柱凸臺特征具有過渡功能.

6 結 論

本文以STEP AP242協議為基礎,引入了知識圖譜體系結構,提出了以產品信息語義元為基本單位的設計意圖語義元模型DISM,構建了面向設計意圖的STEP產品信息知識圖譜;針對基于邊界特征提取和基于鄰接圖特征提取存在的不足,提出了基于語義元模型的多語義特征提取方法;在模型映射的基礎上,結合增強學習算法,提出了基于增強學習的路徑推理及SWRL規則挖掘技術以實現隱藏的設計意圖信息的知識推理,大大彌補傳統人工定義本體規則的缺陷.以傳動軸為例結合設計意圖語義元模型DISM,知識提取和知識推理技術,對其多語義特征進行推理.