张 恒 ，黄志高 ，侯斌魁

（1.华中科技大学 材料科学与工程学院，湖北 武汉 430074；2.武汉数字化设计与制造创新中心，湖北 武汉 430078）

0 引 言

注射制品广泛应用于各个领域，相应的注射行业已经成为衡量制造业水平的一个重要指标。其中影响注射制品成型的重要因素包括塑料、注塑机、注射成型工艺以及模具等[1,2]。现今制造业对高端注射制品的需求不断增加，对注射模制造技术也提出了更高的要求。注射模制造过程中由于设计经验、工程更改、成型制品的缺陷等问题，难以一次性获得成功，需要针对制品缺陷对模具结构进行相应的优化修改，这是强经验弱理论的过程，涉及的模具制造过程多、知识来源复杂、经验性强、技巧性高。在此情形下缺陷修改知识的推理和重用对模具的修改优化具有重要意义，是实现模具制造系统智能化的重要途径。

近年来，众多研究人员在注射模知识工程领域进行了相关研究，主要集中在设计知识库和专家知识库的建立上，李鹤等[3]基于Drools规则引擎和Topic maps知识表达建立模具设计知识库；蔡毅[4]基于模型推理技术实现设计模型的调度与匹配等。注射模制造过程中，大部分是对以往知识的重用，但理论性高，需要人工总结经验、规则，且以往的研究着重于利用知识工程技术实现模具设计领域的智能化和重用，对于制造加工领域的知识重用研究不足。鉴于此，尝试通过owl语言，建立基于本体的注射模缺陷修改的知识库，更清晰地描述注射模缺陷修改各要素之间的网络逻辑关系。通过Json中间格式实现知识本体到数据库的映射，对本体进行结构化数据处理，提高知识本体的扩展性和共享。以下通过建立语义关联度计算模型和采用聚类推理技术，提出注射模缺陷修正知识推理与重用方法，整体上提升模具制造加工的效率和降低制造成本，其基本框架如图1所示。

图1 基于本体注射模缺陷修正知识重用框架

1 缺陷修正本体知识库

知识库在知识工程中是一个全面且有组织的知识集群，主要提供知识存储、管理和知识服务，同时也可用于解决某个领域问题，并以某种方式存储在计算机中的知识片层集合[5,6]。通过引入本体技术，结合成型制品知识、模具设计知识、制造知识与模具基本结构知识的特点，建立注射模缺陷修正知识本体概念和关系模型。

1.1 注射模缺陷修正知识建模

注射模在设计制造过程中涉及的数据和知识复杂，异源异构，存在知识冗余，难以有效地利用。因此通过本体技术，抽象出实体对象的本质，建立概念化的表达元素；描述不同实体间的关系，通过实体对象和关系来表示和反映知识。这样建立的缺陷修正本体具有概念化、形式化、明确化的特点，能清晰表示注射模缺陷修改的知识结构，实现知识共享和本体重用。

图2所示为注射模缺陷修改方案的组成和制定流程，将不同领域的知识分成5类：缺陷问题点、问题点位置、模具对应位置、缺陷原因分析以及缺陷修改对策，分别构建类本体，利用上述本体间的逻辑关系共同形成注射模缺陷修改领域本体模型。本体模型中，将不同的类本体通过元素法描述为M={C，R，A，D}，其中C是知识类概念集合，R是对象关系集合，A是实例集合，D是数据类型的属性集合，如Md={Cd，Rd，Ad，Dd}表示制品缺陷问题点的知识本体，Ml={Cl，Rl，Al，Dl}表示缺陷问题点位置的知识本体。在Protégé分别构建缺陷问题点、问题点位置、模具对应位置、缺陷原因分析以及修改对策的本体结构模型，如图3所示。

图2 注射模缺陷修改方案的组成和流程制定

图3 注射模缺陷修改5类知识本体

1.2 注射模缺陷修正本体结构化处理

知识本体采用owl语言建模，具有概念化、形式化、明确化的特点，能清晰表示知识结构[7,8]，但是难以对知识进行相应的数据处理，而关系型数据库具有二维表结构，易于维护，SQL语句使用方便且支持复杂的查询。因此需要将本体映射到数据库，进行结构化处理，便于后续的工程使用。在进行知识本体到关系型数据库映射之前，需要先明确两者之间的差别，将二者进行对比分析，如表1、表2所示。

表1 关系型数据库和知识本体数据类型对比

表2 关系型数据库和知识本体元素类型对比

本体映射到关系型数据库的算法通过Java语言和Jena API提供的接口实现。映射算法需要将owl知识本体进行解析，得到本体结构模型，然后通过Jena的接口将其转换成易于计算编译的中间格式Json。利用前文中的类型对比，实现数据结构一一对应。Json格式与数据库二维表的结构相似，便于最终的解析和转换，具体操作流程如图4所示。

图4 本体映射关系型数据流程

其中知识本体映射到关系型数据库的中间格式包括2种：Json类格式和表格式，如图5所示。

图5 Json中间格式

首先通过分析注射制品缺陷修改的特点、知识来源和制定流程，结合本体知识建模，利用Protégé工具建立注射模问题点、问题位置、模具对应位置、缺陷原因分析以及修改对策等分类知识本体。再通过建立Json中间格式，实现知识本体到关系数据库的转换，便于缺陷修改知识的后续推理重用。

2 修正方案关联推理方法

对缺陷进行修正优化时，不仅需要了解制品相关性能、模具设计知识和模具制造工艺，还需要结合缺陷的实际类型、位置等因素，并结合工程师的修正经验做出最后决策。缺陷修正知识之间关联性虽然较强，但是难以通过函数公式等手段表达，需要本体清晰的概念分层结构和语义逻辑推理支持。

2.1 修正方案表示

基于本体的注射模缺陷修正方案聚类推理需要在大量的案例基础上进行分析及数据挖掘，因此如何更好地实现方案表示是实现知识本体技术与方案推理融合的关键[9-11]。根据注射制品缺陷信息和特征的描述，将缺陷修正方案表示为Ci={Ii，Di，Ri，Mi}，其中Ii是第i个方案的基础说明信息，Di是第i个方案的制品缺陷特征，Ri是第i个方案的原因分析，Mi是第i个方案的修正对策。表3所示为注射模缺陷修正表示方案。

表3 注射模缺陷修正表示方案

模具缺陷修正方案与知识本体之间是映射关系，修正方案是知识本体概念类的成员。通过结合知识本体，可以对缺陷修正方案进行明确的形式化描述，提高了模具缺陷修正领域知识的通用性和重用性。

2.2 缺陷修正方案的语义关联度计算

注射模缺陷修正的概念种类繁多，且相互之间不仅存在父类子类的层次关系，还有复杂的语义关联。因此需要对缺陷修正的众多概念建立语义关联，进行量化建模。

目前使用较多的模型是基于距离的语义关联度计算模型，主要工作是对2个概念在知识本体中的结构位置和几何距离进行量化计算。在该模型中，通常将知识本体结构中所有边的距离都看成同样重要，简化计算可用下式表示：

其中，S为概念Mi和Mj之间的最短距离。

因此可以直观地看出，2个概念之间的距离越远，关联度越小，距离越近，关联度越高。如果2个概念是同义词，如飞边和披锋，则Sim(M1,M2)=1。

综合考虑语义关联度的影响因素，在原本基于距离的计算模型基础上，提出了缺陷语义深度Dep和缺陷语义子种类数Sub，对计算模型进行了改进。

改进公式如下：

其中，α、β、γ是不同影响因子的加权，α+β+γ=1，距离α是主要影响因素。

缺陷语义子种类数Sub的计算如下：

其中，Max（Subtypes（Mi））是指Mi概念所在本体中各个概念所包含的子种类数最多的值，Subtypes（）是距离M1和M2两个概念最近的共同父类概念所包含的子种类数量。

缺陷语义深度Dep的计算公式如下：

其中，Depth（Mi）指概念Mi在知识本体结构中的深度。

2.3 实例计算

部分注射缺陷问题本体如图6所示，根据工程人员经验，令α=0.85，β=0.1，γ=0.05，对本体结构中拉伤实例1和顶白实例9，进行基于距离的语义关联度计算，过程如下。

图6 部分缺陷问题本体结构

实例1和实例9的距离语义关联度为：

实例1和实例9的缺陷子种类数Sub为：

实例1和实例9的缺陷语义深度Dep为：

综上所述，则实例1和实例9的语义关联度Simop为：

其他部分实例计算结果如表4所示。

表4 概念关联度计算结果

实际工程案例中，传统的基于距离计算模型和改进后的优化计算模型的计算结果如表5所示。

表5 2种关联度计算方法结果对比

分析表5结果可知，引入缺陷语义深度和缺陷子种类数后，在关联度基本一致的情况下，提升了关联计算精度和准确度，便于快速关联相似实例。

3 缺陷修正方案的聚类重用

3.1 修正方案聚类推理

在得到加权关联度后，对修正方案进行聚类处理，把每一个方案都当做一个初始类，然后通过凝聚层次聚类方法，合并成一个新类，直至到达设定的阈值，停止聚类，就能得到一个更为广泛、适用性更高的新修正方案类，即推荐重用方案，如图7所示。

图7 缺陷修正方案重用过程

用m×n矩阵表示缺陷修正方案集合，m表示方案库中包含的方案数量，每一行都表示一个缺陷修正方案，n表示方案中的属性特征数量，xij表示第i个修正方案中第j个方案属性。

重用方法的本质是通过对数学矩阵Xm×n进行凝聚层次聚类计算，匹配与工程师所需方案有高关联度的修正方案集合。

3.2 功能模块实现

缺陷修正方案推理重用系统模块的实现是通过对本体知识结构的解析转换为关系型数据库，在两者之间形成映射，将知识转换为数据进行存储。然后通过数据挖掘和聚类计算等方法对知识进行推理重用。系统模块的编译工具是Eclipse，编程语言是 Java，本体的建模工具是 Protégé，数据库是MySql。

图8（a）所示是对修正方案推理重用的界面设计，主要包括聚类推理功能和案例学习功能。工程师根据注射制品缺陷的实际情况，在语义关联概念中输入相关的语义信息，然后点击开始推理按钮，通过语义关联度计算得到加权关联度最高的方案集合和制品缺陷图示，最后得到缺陷修正处理意见如图8（b）所示，实现注射模缺陷修正知识的推理重用。

图8 方案推理系统模块

4 结束语

利用本体建模技术将复杂、异源异构的注射模缺陷修正知识转换为概念化、形式化、明确化的知识本体，解决了注射模缺陷修正知识表达困难的问题。通过Json类表中间格式，将知识本体转换为易于数据分析的关系型数据库，解决了知识难以重用的问题。通过建立语义关联度计算模型，在提高关联精确性的前提下实现了有效的知识推理和重用，提高了注射模缺陷修正的效率，缩短了试模、修模周期。