挖掘冲压模具设计的规则外文翻译资料

挖掘冲压模具设计的规则

周志，阮凤

华南理工大学机械工程学院。 广州510641，中国

mechzhou@scut.edu.cn

摘要

本文简单的介绍了提高智能冲压模具设计系统性能的方法，这种方法是以过去成功的设计案例，结合粗糙集理论所提出的规则对冲压模具设计规则进行挖掘。这种方法是基于关于冲压特征之间的映射关系所做的模具设计。从特征的属性到相关管芯设计的映射构成设计。该方法从中提取规则，应用模糊分类的映射关系和计算属性减少。该方法通过应用模糊分类和计算属性化简，从映射关系中提取规则。而反过来。开采的规则又可以集成到传统的RBR系统中，为新零件的设计提供一定的帮助。 此外，我们还可以用这些规则来通过将搜索空间限制为案例子集，以加速CBR系统的搜索过程。

关键词：冲压模具设计，粗糙集，模糊分类，知识发现

1.介绍

金属冲压几乎在任何地方都得到了广泛的应用，批量生产的产品使用金属冲压，制造工艺时不仅经济而且非常快速。冲压模具在巨大生产规格的生产中起非常重要的作用。然而，众所周知，它的制作也有很大的难度。冲压模具的设计仍然是一个困难、耗时和容易出错的过程。但在最近，伴随着人工智能领域的发展（人工智能），人们已经在各种AI的集成技术上做出了许多努力，诸如模式识别，RBR（基于规则的推理），CBR（案例基于推理）和NN（神经网络）常规计算机辅助模具设计系统等。CBR和RBR是两个在许多原型系统中构建的提高设计的自动化和智能化过程的最流行AI方法。然而，CBR和RBR都有他们各自显著的优点和缺点。RBR系统更容易与CAD系统集成，并能给设计师的即时反馈信息，因为模具设计的知识由规则[2]表示，但缺点是很难获取，表示和更新设计知识，因为冲压模具的设计从某种意义来说更是一个艺术上的科学。CBR系统支持设计者通过回顾类似的现有设计来绕过处理规则的艰难工作[3]。虽然其中有很多算法被提出来以提高效率，但是案例检索的准确性和速度仍然作为一个CBR系统的瓶颈存在着。因为没有更好更实用的的索引途径，病例检索，NN（最近邻居）搜索仍然是当下一个主要的方法，除了在一些特殊领域之外[4]，都是基于RST（粗糙集理论）。

本文宽泛的介绍了一些设计案例和一些冲压件包括自动挖掘规则，本文主要采用弯曲工艺来说明采矿规则与程序。

2.基于特征的情况表示

在典型的芯片开发过程中，设计师首先接受冲压的规格和图纸产品，然后建立冲压工艺。最后，根据产品的要求来设计模具组件和模具部件。

模具设计的知识将保留在图纸中，很难被发现与再次使用。冲压模设计案例可以分解为两部分：冲压件和相应的模具设计。我们将所有的情况聚集，并借此形成一个案例库。

从基于特征的设计的观点来看，冲压件可分为多个特征，并且每个特征由一组属性表示。特征和它们的属性可以主要通过三个来获得方法：特征识别，特征设计和交互特征定义[5]。不同功能属性意味着不同的冲压要求部件，可以映射到特殊的模具设计中。通常，冲压产品可以分解到平面，图形，孔，珠，凸缘，狭槽，弯曲等[6]。本文主要处理弯曲特征，而其他类型的特征可以借鉴文章的内容知识，用相对应的方式处理。弯曲特征的一些因素，例如材料，弯曲形状，弯曲半径，弯曲角度等尺寸精度，对于模具设计者来说很重要，这将影响模具设计者对模具设计的想法。除了这些主要因素以外，还有一些表面回弹的因素，因为弹回是一个在弯曲模具设计中非常棘手的问题，希望可以从现有案例中获得一些经验，并减少试错法时间。

弯曲特征表示如下：

f = {a1 ,a2 ,..., a11}

其中，属性a1~a11分别是BT（弯曲型），ASBM（材料的抗弹性回归性），T（厚度），BR（弯曲半径），BA（弯曲角），SD（对称度），DLH（弯曲之间的距离线和孔），CH（悬崖高度），LDA（线性尺寸精度），ADA（角度尺寸精度等级）和SQD（表面质量等级）。一些属性的含义如图1所示。

图1.U型弯曲特征的一些属性

1 U型弯曲特征的某些属性可以用在表示冲压设计箱底座E.如：

E={ei|ei=(fi,di),i=1,hellip;hellip;n}，

其中fi是弯曲特征，并且di是实施弯曲过程的相关管芯设计。

3.案例的模糊分类

在所有的示例中，存在着一些比较类似的模制部件。 在从案例基础的挖掘规则之前，类似的部件和它们的模具设计应该被划分为一个集群。 本文采用了模糊分类的方法进行分区[7]。 模糊分类的过程分为了三个阶段：（1）基于每两种情况的相似性计算相似性矩阵SM。 (2）将相似性矩阵SM转换为它的等价矩阵。( 3）将案例分成几个集群。

3.1构建相似性矩阵

每两种情况的相似度都可以由N行*N列矩阵SM（spq）来表示，其中，N是情况基数的情况数，spq表示两种情况ep和eq之间的相似性。 如在第2节中所述的，令ep =（ap1，ap2，hellip;hellip;，ap11）和eq =（ap1，ap2，hellip;hellip;，ap11），则两种情况的相似度定义为：

（1）

其中smf（）是一个用于评估两个属性的相似性的函数，定义为：

1 j=1并且ap1=aq1

smf(apj,aqj)={ 0 j=1并且ap1ne;aq1

2*min(apj,aqj) jne;1

apj aqj （2）

其中W =（w1，w2，hellip;hellip;， w11）是对应的11个属性的权重向量。 当今的一些技术，比如渐变比例，可以用于自动获得优化的权重[8]。 在本文中，我们手动确定权重，因为每个属性，都有其特殊的重要性，并且手动确定权重会带来更准确的分区精度。 我们将表1中的情况的结果相似性矩阵得出为：

3.2模糊分类

这样的方法，是应用模糊分类的技术，将案例分成几个簇。这种方法首先会将相似性矩阵变换为等效矩阵。 根据公式1和公式2。如图2所示，相似性矩阵是对称和反射的，因为对于任何spq，sii = 1并有sij = sji（ine;j）。为了能够成为一个等价的矩阵，相似性矩阵应该通过计算传递闭包来转换并产生传递性[7]。 在变换之后，计算等效矩阵的lambda;矩阵，并且会将情况分割成几个簇。大致相同的情况将被认为在同一集群内。 聚类算法描述如下。

第1步，令SM1=SM*SM=（spq），其中spq=maxk（min（spk，skq）），

第2步，如果SM1=SM，则将转到第3步，否则将SM用SM1替换，并回到第一步。

步骤3。 计算SM的lambda;矩阵，其中lambda;isin;（0,1]

步骤4。 基于“如果SMpq = 1，那么情况p和情况q属于同一集群。”的规则来进行集群的确定。

对于上述相似度矩阵SM，令lambda;= 0.87，并且得到lambda;矩阵如下：

您可能感兴趣的文章

• 基于雪堆状弹性基底的可拉伸电子集成系统外文翻译资料
• 基于仿真的双导轨导向车运行策略研究外文翻译资料
• 医院服务机器人:研究在医院的运输任务外文翻译资料
• 高品质皮带研磨和抛光工艺的机器人系统外文翻译资料
• HALCON操作员参考手册外文翻译资料
• 单电机驱动的被动轮自主移动机器人外文翻译资料
• 一种用于风力发电的新型高效永磁铁游标机外文翻译资料
• 一种全自主型灭火机器人的设计与制作外文翻译资料
• 轮轨机器人的结构设计和分析外文翻译资料
• 基于CAE的塑料进气歧管注塑模具浇口 位置优化设计外文翻译资料