基于關(guān)系圖譜的汽車檢具案例檢索*

方喜峰，王書春，孫浩然，周 曦

(1.江蘇科技大學(xué)機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212003; 2.江蘇省先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗室，江蘇 淮安 223003)

0 引言

在汽車檢具行業(yè)中，檢具保證了車身結(jié)構(gòu)的安全合格，在汽車生產(chǎn)過程中尤為重要。目前汽車檢具設(shè)計是通過設(shè)計師經(jīng)驗設(shè)計，導(dǎo)致設(shè)計知識不能繼承，大量重復(fù)勞動，設(shè)計時間長、設(shè)計效率低等問題。為了解決此類問題，建立檢具設(shè)計知識庫，實(shí)現(xiàn)快速設(shè)計，使工作高效化，提高產(chǎn)業(yè)市場競爭能力，由此可知檢具案例檢索在汽車檢具智能設(shè)計過程中起到至關(guān)重要的作用。Ramesh M等[1]利用模型特征種類、矢量、特征參數(shù)等信息，對模型進(jìn)行分解來辨別三維模型零件的特征；Ma Q等[2]提出了一種基于設(shè)計意圖的CAD外形搜索框架,語義樹通過節(jié)點(diǎn)匹配找到相似的3D模型；Wu C等[3]通過基于幾何視圖表示的三維零件檢索方式與RIMLS技術(shù)和自動旋轉(zhuǎn)視圖簽名相結(jié)合來解算零件的幾何屬性；Qiao H等[4]基于組裝語義信息的3D模型檢索方式，解決現(xiàn)有3D模型檢索方式中的語義不匹配，效率低和精確性差的問題；徐士彪等[5]從三維零件模型外形特征相似性匹配方法、基于外形的CAD模型檢索系統(tǒng)、零件模型外形參數(shù)提取等多方面，對基于外形特征的零件搜索技術(shù)做出了闡述；孫偉等[7]利用零件模型外形面的尺寸信息和拓?fù)潢P(guān)系表示模型，提出了一種基于拓?fù)潢P(guān)系逼近的三維模型檢索技術(shù)，求解檢索模型與檢索條件中不同種類外形面之間的相似性使用了統(tǒng)一參數(shù)方式；李雙躍等[8]創(chuàng)建了一種基于模型幾何信息和工藝參數(shù)集合的模型檢索技術(shù)來提升夾具案例檢索速率。目前檢索方法檢索到的結(jié)果較多，找到滿意檢索結(jié)果耗時較長，檢索結(jié)果正確率低等問題?？紤]到案例檢索結(jié)果對設(shè)計的重要性，通過對檢索結(jié)果進(jìn)行分析評價，分配權(quán)重值再檢索，提高檢索的正確率。在檢索方法中提出一種基于樸素貝葉斯算法的檢具檢索方法[9-12]，通過建立一種具有完整檢測要求的PMI標(biāo)注模型[13]，實(shí)現(xiàn)對待檢測模型檢測特征的有效表達(dá)，大大縮短分類檢索時間。通過調(diào)用已有模板資源[14-15]，可以顯著提高產(chǎn)品的設(shè)計速率。

1 案例檢索相關(guān)概念

1.1 模型特征信息定義

為有效地進(jìn)行檢具模型檢索，引入了檢測工藝信息模型的信息定義特征表達(dá)[16]，通過檢測工藝信息來進(jìn)行相關(guān)檢具檢索。

(1)模型工藝特征關(guān)系圖。模型主要是由各特征組合而成，每個特征可以用工藝信息來描述。圖1為模型工藝特征關(guān)系。

M：零件模型 F：特征模型 T：工藝特征模型圖1 模型工藝特征關(guān)系圖

(2)檢測工藝信息模型。該模型是將零部件的基本設(shè)計信息以及檢測信息在三維的模型上進(jìn)行三維信息表達(dá)，通過NX軟件中PMI功能進(jìn)行尺寸標(biāo)注和工藝信息標(biāo)注[17]。其中基本設(shè)計信息應(yīng)包含：

1)概念信息：主要指零件的總體信息，如類型、材料、重量、名稱、用途等。

2)基本信息：包括尺寸信息和特征信息，尺寸信息主要指模型的整體尺寸和關(guān)鍵面的尺寸，如大平面的長寬高等。

3)檢測信息：模型檢測信息主要由零件的檢測要求、 原材料等輔助非幾何信息表達(dá)；檢測零件的公差信息、精度要求等工藝約束類非幾何信息由標(biāo)注文本類信息表達(dá)。

(3)數(shù)據(jù)模型。數(shù)據(jù)模型是檢測工藝信息組建的可完整描述模型特征的數(shù)據(jù)知識。以檢測特征模型為核心，定義一個數(shù)據(jù)模型，該模型為檢索的最終模型，存放于案例資源庫中。圖2所示為檢測工藝信息模型的特征與知識庫存儲數(shù)據(jù)之間為一對一的關(guān)系。

圖2 檢測工藝信息模型結(jié)構(gòu)

(4)工藝裝備模型。工藝裝備模型是由檢測方法、檢具體等要素構(gòu)成的一種檢測工藝裝備模型。以檢具模型為核心，定義為一個汽車三維模型對應(yīng)的檢具模型，該檢測模型為設(shè)計優(yōu)化后的最終模型，并和檢測數(shù)據(jù)知識存放在案例資源庫中。圖3所示為檢測工藝信息模型的特征與工藝裝備模型之間為一對一的關(guān)系。

圖3 檢具模型結(jié)構(gòu)

1.2 汽車檢具實(shí)例庫

檢具實(shí)例庫包括汽車檢具元件數(shù)據(jù)庫和汽車檢具實(shí)例數(shù)據(jù)庫，汽車檢具元件數(shù)據(jù)庫的建立根據(jù)檢具元件的幾何信息、材料信息、工藝信息等進(jìn)行保存；汽車檢具實(shí)例數(shù)據(jù)庫的建立根據(jù)汽車待檢測信息模型與檢具體模型之間對應(yīng)關(guān)系，汽車檢具元部件之間的裝配關(guān)系以及組件的功能關(guān)系，為汽車檢具實(shí)例的檢索和實(shí)例的修正提供數(shù)據(jù)支撐。檢具實(shí)例庫如圖4所示。

圖4 檢具實(shí)例庫

1.3 檢索結(jié)果分析關(guān)系圖譜

傳統(tǒng)檢具檢索過程主要有兩個重要內(nèi)容：①檢索信息②檢索結(jié)果。檢索算法根據(jù)檢索信息進(jìn)入數(shù)據(jù)庫得到相應(yīng)的結(jié)果，這是一條單線流程，由于汽車模型檢測信息眾多，檢測的結(jié)果只能滿足局部檢測要求，很難充分利用檢測信息，這導(dǎo)致檢測結(jié)果存在較大的誤差。檢索結(jié)果分析關(guān)系圖譜，是在算法檢索結(jié)果的基礎(chǔ)上分析檢索信息與檢索結(jié)果的關(guān)系，把信息和檢具零件模型一一對應(yīng)，關(guān)系圖譜表如表1所示。

表1 關(guān)系圖譜表

在算法進(jìn)行學(xué)習(xí)分類時，將結(jié)果和檢索信息進(jìn)行關(guān)聯(lián)分析，將信息內(nèi)容和結(jié)構(gòu)進(jìn)行拆分學(xué)習(xí)。算法在分類過程中會將信息聚類與分類，將分類結(jié)果和檢具體各零件建立關(guān)系圖，在進(jìn)行下一次檢索過程將關(guān)系圖譜引入到檢索結(jié)果分析中來調(diào)整檢索結(jié)果，提高檢索的準(zhǔn)確率。關(guān)系圖譜模型如圖5所示。

圖5 關(guān)系圖譜模型

1.4 貝葉斯分類器

在檢具案例數(shù)據(jù)庫中檢具分類占有非常重要的地位，數(shù)據(jù)分類在智能化過程中被大量應(yīng)用。樸素貝葉斯分類根據(jù)模型類別的屬性來將模型分成不同的類別并進(jìn)行聚類。樸素貝葉斯分類過程概括為兩步，①分類器分類，劃分訓(xùn)練集與測試機(jī)進(jìn)行訓(xùn)練。②使用新的模型進(jìn)行測試分類，得到模型分類結(jié)果并驗證。樸素貝葉斯算法是一種對于概率的計算，排除線性數(shù)學(xué)的局限性，適用范圍更廣。樸素貝葉斯算法是通過計算模型屬于某一類的概率，確定模型屬于概率最大的類別。樸素貝葉斯算法是通過模型各個屬性來判斷類別，屬性越多，準(zhǔn)確率越高，擴(kuò)展性強(qiáng)，而非單一屬性決定結(jié)果。樸素貝葉斯算法的樣本數(shù)據(jù)源要求低，屬性值沒有強(qiáng)制要求，可線性也可非線性。

樸素貝葉斯算法實(shí)質(zhì)是一種基于條件概率的計算方法，當(dāng)A事件發(fā)生情況下B事件所發(fā)生的概率，記作p(B|A)計算公式如下：

(1)

在H樣本空間中，B1,B2,…,Bn是H的完整描述，A為事件，且p(Bi)>0(i=1,2,…,n)則事件A全概率公式為：

(2)

事件B1,B2,…Bn構(gòu)成樣本空間，A為事件，同時p(A)>0,p(Bi)>0(i=1,2,…,n)，則由式(1)、式(2)可得到如下貝葉斯公式。

(3)

2 傳統(tǒng)貝葉斯汽車檢具檢索方法

2.1 貝葉斯分類器實(shí)現(xiàn)

在已有的汽車檢具訓(xùn)練實(shí)例集，添加對新的實(shí)例劃分。假設(shè)有新的待檢測模型實(shí)例W，其屬性值可以表示為： (x1,x2,…,xn)， 通過對屬性值的計算推薦此實(shí)例概率最高的類標(biāo)記s(x) ， 其中s屬于有限集合S，預(yù)測計算公式為：

s(x)=argmaxp(x1,x2,…,xn|s)p(s)

s∈S

(4)

汽車檢具分類的算法過程實(shí)現(xiàn)：

(1)每個檢具模型訓(xùn)練樣本可表示為：(xi,yj)， 設(shè)共有N個這樣的樣本,xi是n維空間(X1,X2,…,XN)中的一個輸入樣本， 即每個樣本都有n個特征屬性；yj為第i個樣本的類標(biāo)簽，yj∈{s1,s2,…,sm}，其中m為類別數(shù)。

(2)選取新的未知類別樣本Q，將該樣本各屬性值輸入，樸素貝葉斯分類器將劃分Q屬于哪一類別： 在條件Q下，具有最高后驗概率的類，計算如式(5)所示：

(5)

(3)計算p(Q|si)。由于當(dāng)屬性值很多時計算完整的p(Q|si)將會很復(fù)雜且計算時間較長，描述模型各面特征時，特征之間關(guān)聯(lián)性差，利用樸素貝葉斯算法，在給定類標(biāo)記時屬性值之間是相互條件獨(dú)立，即：

p(Q|si)=p(x1|s1)p(x2|s2)p(xl|si)。

(4)對于{s1,s2,…,sm}，計算每個類si{i∈(1,2,…,m)}中p(Q|si)p(si)的值。 當(dāng)且僅當(dāng)式(6)成立時，待劃分樣本才被劃分到C類中。

p(si|Q)>p(sj|Q),1≤i,j≤m,j≠i

(6)

2.2 汽車檢具檢索流程

檢索過程中讀取產(chǎn)品模型檢測工藝信息，數(shù)據(jù)化導(dǎo)入算法，再進(jìn)行數(shù)據(jù)單元概率計算，將概率統(tǒng)計，得到概率最大的模型，進(jìn)而得到與檢測模型相似的檢具模型，實(shí)現(xiàn)檢索過程，具體流程如圖6所示。

圖6 傳統(tǒng)檢索流程

3 檢具檢索方法

傳統(tǒng)檢索方法依據(jù)算法分類，近似值計算來實(shí)現(xiàn)檢具模型的檢索，檢索結(jié)果往往不滿足設(shè)計要求。以汽車前保為例，前保包含了引擎蓋、車大燈、翼子板、車輪板等檢索對象，其信息內(nèi)容多，檢測要求較高，在貝葉斯算法中會出現(xiàn)信息特征值在數(shù)據(jù)庫中沒有問題，造成分類時計算概率等于零，造成檢索結(jié)果出錯，同時檢索到的檢具模型只能滿足部分檢測對象，檢索效果滿足性差，因此需要提高檢索結(jié)果的正確率。利用結(jié)果分析關(guān)系圖譜來約束未利用的檢索信息，提高檢索面積，提高檢索準(zhǔn)確率，檢索流程如圖7所示。

圖7 基于關(guān)系圖譜的檢索流程

實(shí)現(xiàn)步驟如下：

步驟1：利用傳統(tǒng)貝葉斯算法進(jìn)行相似性檢索，得到一類檢具設(shè)計案例。具體過程如下：

①讀取模型：該過程針對已經(jīng)定義了三維標(biāo)注信息的模型。通過模型讀取的方式，遍歷PMI模型上定義的CAD特征信息和檢測特征等信息，所獲取的信息類型與上述信息定義的信息完全相同。實(shí)行分類讀取，獲取不同層次類別上的屬性信息，有利于有序高效調(diào)用所需的信息。信息模型如表2所示。

表2 信息模型

②計算先驗概率p(C)和條件概p(w|g)的值。計算方法如式(7)所示。其中N是數(shù)據(jù)知識庫中所有模型的總個數(shù)，Ng是訓(xùn)練集中類別為g的模型個數(shù)。

(7)

在類別g下各屬性值出現(xiàn)的條件概率p(w|g)的估計方法如式(8)所示：

(8)

由式(8)中p(文本i|C)可知，新的模型特征值參數(shù)存在出現(xiàn)訓(xùn)練集中沒有出現(xiàn)過的特征值參數(shù)，這會導(dǎo)致最后出現(xiàn)類別的概率都為零，大大影響判斷能力。為了去除該現(xiàn)象，采用Laplacian correction,具體來說，令N表示訓(xùn)練集D中可能的類別數(shù)，Ni表示第i個屬性可能的取值數(shù)，則有式(9)、式(10)進(jìn)行平滑修正。

(9)

(10)

通過計算得到一個相似度高的設(shè)計案例。

步驟2：利用結(jié)果分析得到的關(guān)聯(lián)性來對比設(shè)計結(jié)果，對檢測結(jié)果進(jìn)行修正，得到新的設(shè)計案例。

① 對檢索到的汽車前保整體模型進(jìn)行劃分，每個模塊記為M(j)，結(jié)果分析可以得到劃分后的局部檢測案例模型，記為M(i)。

② 將檢索到的一類檢具案例模塊M(j)和局部案例模型模塊M(i)進(jìn)行對比，若M(i)=M(j)(i=1,2,3,...,n;j=1,2,3,...,n)表示檢索結(jié)果正確，若M(i)≠M(fèi)(j)(i,j=1,2,3,...,n)，表示檢索結(jié)果不正確，需要重新檢索。

步驟3：檢查檢索案例結(jié)果。

重復(fù)②、③步驟，記錄權(quán)重分配次數(shù)為p，由檢具設(shè)計人員檢查檢索結(jié)果，并對細(xì)小結(jié)構(gòu)進(jìn)行調(diào)整使其適應(yīng)新的待檢測模型，輸出檢具設(shè)計案例。

4 實(shí)例驗證

在汽車檢具實(shí)例庫中, 對檢具設(shè)計實(shí)例的檢索是面向零件結(jié)構(gòu)和檢測工藝特征的, 即著重于零件的結(jié)構(gòu)特征和檢測特征內(nèi)容。下面以汽車前保一個例子進(jìn)行說明。

如圖8所示為汽車前保模擬塊的檢測特征信息，模型尺寸為966.2 mm、104.2 mm，檢測位置為上表面，形位特征為平面度，公差值為0.02 mm。檢索滿足模型的結(jié)構(gòu)和檢測要求的檢具設(shè)計方案。

圖8 汽車前保模擬塊

4.1 檢索信息數(shù)據(jù)模型

將待檢測模型PMI標(biāo)注信息進(jìn)行向量數(shù)據(jù)轉(zhuǎn)換[18]，用于檢索系統(tǒng)檢索信息輸入，通過對輸入信息的計算得到近似的檢具工藝裝備模型。檢索信息數(shù)據(jù)模型如表3所示。

表3 檢索信息數(shù)據(jù)模型

4.2 測試結(jié)果

對傳統(tǒng)貝葉斯方式檢索和基于結(jié)果分析的關(guān)系圖譜檢索方式進(jìn)行檢索結(jié)果對比實(shí)驗，對測試模型數(shù)據(jù)進(jìn)行檢索測試。對同一個模型進(jìn)行6次檢索，相似度對比結(jié)果如圖9所示，檢索正確率如圖10所示。最終檢測檢具模型結(jié)果如圖11、圖12所示。

圖9 相似度對比結(jié)果

圖10 正確率對比結(jié)果

圖11 檢索結(jié)果概率分布

圖12 檢測結(jié)果檢具模型

5 結(jié)論

本文提出基于結(jié)果分析的關(guān)系圖譜檢索方法，在一定程度上提高檢索準(zhǔn)確率，更直觀表示數(shù)據(jù)結(jié)構(gòu)和檢具模型結(jié)構(gòu)，顯著提高了檢具設(shè)計效率。

(1) 此方法能夠形成待檢測特征的完整的數(shù)據(jù)表達(dá)，通過數(shù)據(jù)表達(dá)對待檢測點(diǎn)有針對性地進(jìn)行一一檢索，提高了通用性。

(2) 此方法通過結(jié)果關(guān)系圖譜，顯著提高了檢索結(jié)果的準(zhǔn)確率，大大提高了檢索效率。

(3) 此方法通過建立檢具模板，由待檢測模型參數(shù)驅(qū)動模板參數(shù)變更實(shí)現(xiàn)檢具快速設(shè)計，提高檢具設(shè)計效率。