劉偉杰 ，徐 杰,2，吉衛(wèi)喜,2，王玉源

LIU Wei-jie1 ,XU Jie1,2 ,JI Wei-xi1,2,WANG Yu-yuan1

（1.江南大學(xué) 機(jī)械工程學(xué)院，無錫 214122；2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，無錫 214122）

0 引言

隨著互聯(lián)網(wǎng)與工業(yè)融合的創(chuàng)新與發(fā)展，企業(yè)信息系統(tǒng)、裝備物聯(lián)網(wǎng)和企業(yè)外部互聯(lián)網(wǎng)已經(jīng)成為工業(yè)大數(shù)據(jù)的三大主要來源，工業(yè)大數(shù)據(jù)及應(yīng)用技術(shù)將成為企業(yè)未來提升制造業(yè)生產(chǎn)力、競(jìng)爭(zhēng)力、創(chuàng)新能力的關(guān)鍵要素[1,2]。隨著數(shù)據(jù)收集、存儲(chǔ)處理的技術(shù)日趨成熟，在復(fù)雜數(shù)據(jù)背景下，對(duì)蘊(yùn)含在工業(yè)大數(shù)據(jù)中高價(jià)值的知識(shí)的自動(dòng)挖掘和獲取提出了更進(jìn)一步的要求：更高水平的大數(shù)據(jù)知識(shí)工程、更好的知識(shí)過濾機(jī)制、更合理的知識(shí)評(píng)價(jià)體系[3]。

知識(shí)工程概念首先在1977年第五屆國(guó)際人工智能會(huì)議上由斯坦福大學(xué)費(fèi)根堡姆提出，知識(shí)自動(dòng)化的提出豐富了知識(shí)工程的內(nèi)涵，是人的智能型工作向控制系統(tǒng)的自動(dòng)化延伸，是工業(yè)生產(chǎn)中采用機(jī)器實(shí)現(xiàn)基于知識(shí)自動(dòng)處理的建模、控制、優(yōu)化及調(diào)度決策的自動(dòng)化系統(tǒng)理論、方法和技術(shù)[4]。如今在大數(shù)據(jù)這一背景下，越來越多的研究立足于如何從海量的數(shù)據(jù)中自動(dòng)提取和分析出高價(jià)值的知識(shí)，進(jìn)而實(shí)現(xiàn)高水平的大數(shù)據(jù)知識(shí)工程。其中知識(shí)獲取是整個(gè)知識(shí)工程的核心，現(xiàn)如今主流的研究有關(guān)聯(lián)規(guī)則挖掘、人工神經(jīng)網(wǎng)絡(luò)、決策樹、聚類分析、基于事例的推理方法等[5～9]。在知識(shí)建模應(yīng)用方面，吳信東等人提出一種基于三層次知識(shí)建模的BigKE模型，解決了碎片化知識(shí)建模與多數(shù)據(jù)源的在線學(xué)習(xí)、碎片知識(shí)非線性融合等問題，實(shí)現(xiàn)了個(gè)性化的知識(shí)導(dǎo)航服務(wù)[10]；劉海濤等人運(yùn)用Markov模型和序列模式算法挖掘面向主題的知識(shí)學(xué)習(xí)模式，提出了一種基于知識(shí)模式挖掘的流程知識(shí)推薦系統(tǒng)[11]；李傳坤等人從知識(shí)獲取與融合、故障感知與識(shí)別、故障診斷與決策三個(gè)層次對(duì)化工過程故障進(jìn)行監(jiān)測(cè)診斷，并以專家知識(shí)庫(kù)為載體進(jìn)行經(jīng)驗(yàn)的傳承[12]。

如上所述，當(dāng)前知識(shí)工程的相關(guān)研究多立足于理論算法與模型研究，注重解決知識(shí)工程某一“點(diǎn)”的探索。然而離散制造過程工業(yè)大數(shù)據(jù)的采集處理、信息關(guān)聯(lián)集成、知識(shí)獲取應(yīng)該是一個(gè)整體過程，單方面的知識(shí)獲取研究容易使工業(yè)過程分析的全面性不足。本研究以某電梯零部件數(shù)控制造車間為對(duì)象，首先結(jié)合其制造過程的離散特性，基于傳統(tǒng)生產(chǎn)管理方法實(shí)現(xiàn)車間業(yè)務(wù)流程優(yōu)化重構(gòu)；然后針對(duì)數(shù)控設(shè)備、制造資源生產(chǎn)狀態(tài)，計(jì)劃執(zhí)行、質(zhì)量檢測(cè)等關(guān)鍵制造過程數(shù)據(jù)實(shí)時(shí)采集處理，建立面向多層次制造、多目標(biāo)評(píng)價(jià)的工序制造過程案例模型；最后采用基于模糊c-means聚類（FCM）、互信息的改進(jìn)的案例知識(shí)獲取方法，實(shí)現(xiàn)車間工序制造過程知識(shí)庫(kù)的自生長(zhǎng)、自優(yōu)化，為車間智能運(yùn)作維護(hù)奠定基礎(chǔ)。

1 離散制造車間業(yè)務(wù)流程規(guī)劃

離散制造數(shù)控車間業(yè)務(wù)流程設(shè)計(jì)如圖1所示，將車間業(yè)務(wù)流程細(xì)分為車間計(jì)劃、制造資源、生產(chǎn)計(jì)劃與制造信息四個(gè)主要業(yè)務(wù)流程。車間計(jì)劃主要包括車間整體生產(chǎn)任務(wù)的安排，依據(jù)車間生產(chǎn)知識(shí)模型結(jié)合車間實(shí)時(shí)生產(chǎn)狀態(tài)，優(yōu)化安排生產(chǎn)維護(hù)作業(yè)；生產(chǎn)計(jì)劃包括依據(jù)車間計(jì)劃安排生產(chǎn)任務(wù)、工序派工、制造技術(shù)資料匹配等；制造資源計(jì)劃車間生產(chǎn)計(jì)劃基于機(jī)床、物料、工裝夾具等制造資源正常施行的保障；離散車間制造信息系統(tǒng)是一個(gè)跨時(shí)域、地域的復(fù)雜系統(tǒng)，主要包含在制品工藝設(shè)計(jì)、生產(chǎn)流轉(zhuǎn)、生產(chǎn)過程進(jìn)度與質(zhì)量、制造資源生產(chǎn)狀態(tài)、操作人員行為與用戶反饋等信息。如何實(shí)現(xiàn)上述業(yè)務(wù)流程信息的可靠采集處理分析與動(dòng)態(tài)關(guān)聯(lián)并實(shí)現(xiàn)相關(guān)知識(shí)的主動(dòng)發(fā)現(xiàn)為車間運(yùn)維計(jì)劃提供依據(jù)是解決離散制造智能化運(yùn)作維護(hù)的關(guān)鍵所在。

2 工序制造過程數(shù)據(jù)信息采集處理方法

2.1 采集需求分析

如圖1中車間數(shù)據(jù)集成模塊所示，數(shù)控設(shè)備作為制造資源流的終點(diǎn)，智能終端作為制造信息流的終點(diǎn)，兩者依據(jù)零件制造計(jì)劃實(shí)現(xiàn)數(shù)據(jù)動(dòng)態(tài)匹配關(guān)聯(lián)。依據(jù)企業(yè)未來發(fā)展目標(biāo)，車間數(shù)據(jù)采集存儲(chǔ)系統(tǒng)需要實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)，在制品加工、檢測(cè)等信息實(shí)時(shí)采集，并通過合理的存儲(chǔ)方法實(shí)現(xiàn)底層數(shù)據(jù)與知識(shí)應(yīng)用層軟件信息共享。現(xiàn)將需求歸納為以下幾點(diǎn)：

1）車間設(shè)備聯(lián)網(wǎng)。實(shí)現(xiàn)智能終端與不同類型機(jī)床之間可靠通信，智能終端集群與車間主節(jié)點(diǎn)服務(wù)器通過局域網(wǎng)統(tǒng)一組網(wǎng)、數(shù)據(jù)可靠傳輸共享。

2）設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)采集。實(shí)現(xiàn)對(duì)機(jī)床實(shí)時(shí)切削參數(shù)、切削NC代碼版本、刀具切削時(shí)間、設(shè)備維護(hù)事件記錄、設(shè)備耗能水平等信息采集，并提供車間生產(chǎn)狀態(tài)實(shí)時(shí)監(jiān)控與可視化。

3）在制品生產(chǎn)狀態(tài)信息實(shí)時(shí)采集。實(shí)現(xiàn)對(duì)在制品物料信息、生產(chǎn)技術(shù)資料信息、加工進(jìn)度信息、質(zhì)量水平信息的實(shí)時(shí)關(guān)聯(lián)采集，實(shí)時(shí)定位物料流轉(zhuǎn)，動(dòng)態(tài)報(bào)檢與入半成品庫(kù)。

2.2 采集系統(tǒng)設(shè)計(jì)

2.2.1 系統(tǒng)硬件設(shè)計(jì)

該企業(yè)金加工離散制造車間共有30臺(tái)數(shù)控加工裝備，設(shè)備主要類型為FANUC系列與Brother系列數(shù)控加工中心，設(shè)備普遍開放RS232接口，部分FANUC系列開放以太網(wǎng)接口。系統(tǒng)硬件與組網(wǎng)方案設(shè)計(jì)如圖2所示。

圖1 離散制造數(shù)控車間業(yè)務(wù)流程框架

圖2 車間硬件組網(wǎng)方案設(shè)計(jì)

圖2中硬件網(wǎng)絡(luò)框架共分為制造資源、數(shù)據(jù)服務(wù)、知識(shí)表達(dá)三層。制造資源層基于智能終端實(shí)現(xiàn)與數(shù)控機(jī)床通信實(shí)現(xiàn)機(jī)床狀態(tài)采集，智能傳感設(shè)備通過采集機(jī)床消耗、振動(dòng)等狀態(tài)信息實(shí)時(shí)進(jìn)行特征提取并與終端通信?；跇?biāo)簽識(shí)別器與智能終端的通信實(shí)現(xiàn)車間計(jì)劃執(zhí)行過程監(jiān)測(cè)。針對(duì)設(shè)備運(yùn)行狀態(tài)信息采集可基于數(shù)控宏指令與FOCAS庫(kù)函數(shù)的方法通過系統(tǒng)地址變量讀取對(duì)應(yīng)機(jī)床信息實(shí)現(xiàn)設(shè)備數(shù)據(jù)采集，其中關(guān)鍵地址信息與宏命令程序?qū)?yīng)如表1所示。

表1 宏命令與操作系統(tǒng)地址變量對(duì)應(yīng)表

2.2.2 系統(tǒng)軟件流程設(shè)計(jì)

在制品制造過程信息采集流程如圖3所示，基于信息采集流程開發(fā)如圖4所示采集系統(tǒng)。工人登錄到車間生產(chǎn)管理系統(tǒng)，當(dāng)系統(tǒng)檢測(cè)到物料到位后顯示工人待加工工序任務(wù)，工人選定生產(chǎn)任務(wù)后方可查詢相關(guān)圖紙、工藝信息，以及啟動(dòng)機(jī)床通信。如圖4(a)所示，通過與機(jī)床建立通信后，可在獲取NC文檔后啟用編輯自動(dòng)鑲嵌宏命令傳輸?shù)綌?shù)控機(jī)床，零件加工開始后可實(shí)時(shí)獲取設(shè)備切削參數(shù)、零件加工時(shí)間、零件加工數(shù)量、設(shè)備消耗與運(yùn)行狀態(tài)、刀具使用壽命等實(shí)時(shí)信息；終端可記錄設(shè)備歷史維護(hù)數(shù)據(jù)，工裝維護(hù)數(shù)據(jù)以用于制造資源可靠性評(píng)估。每當(dāng)一個(gè)零件加工完成，智能終端即對(duì)其加工過程數(shù)據(jù)進(jìn)行預(yù)處理；圖4(b)為零件電子流轉(zhuǎn)卡，二維碼用于掃描報(bào)工，工人完成工序所有加工任務(wù)后終端進(jìn)行數(shù)據(jù)關(guān)聯(lián)與集成，傳輸?shù)綌?shù)據(jù)服務(wù)層，觸發(fā)工序制造過程案例知識(shí)自動(dòng)獲??；同時(shí)零件入半成品庫(kù)，啟發(fā)生產(chǎn)計(jì)劃軟件進(jìn)行生產(chǎn)任務(wù)派工，等待物料轉(zhuǎn)移到下一工序。

圖3 軟件系統(tǒng)執(zhí)行流程設(shè)計(jì)

圖4 采集系統(tǒng)

3 工序制造過程案例知識(shí)獲取方法

工序完工后其制造過程數(shù)據(jù)經(jīng)智能終端標(biāo)識(shí)、量化、描述為一條工序制造案例，其中包含設(shè)備運(yùn)行信息、工裝夾具信息、零件設(shè)計(jì)制造特征信息、制造過程評(píng)價(jià)信息等。當(dāng)數(shù)據(jù)庫(kù)內(nèi)的源案例增長(zhǎng)了一定數(shù)量時(shí)，系統(tǒng)基于閾值觸發(fā)機(jī)制，實(shí)現(xiàn)案例知識(shí)自動(dòng)獲取[13]。知識(shí)獲取流程如圖5所示，通過模糊c-means聚類方法實(shí)現(xiàn)案例知識(shí)聚類劃分；通過有效性評(píng)估衡量FCM水平；通過計(jì)算制造過程屬性與工序評(píng)價(jià)屬性之間的相互信息，實(shí)現(xiàn)屬性權(quán)重估計(jì)與案例約簡(jiǎn)；通過K-最近鄰（KNN）評(píng)價(jià)目標(biāo)案例與案例代表相似性檢索以及案例保留與維護(hù)。

圖5 車間制造工序案例知識(shí)獲取流程

3.1 案例表示

案例表示的目的是提取有用信息，便于計(jì)算機(jī)快速理解識(shí)別。為便于實(shí)現(xiàn)對(duì)工序工況的預(yù)測(cè)與及時(shí)反應(yīng)，設(shè)計(jì)工序案例內(nèi)容由兩部分組成：工序制造屬性與工序評(píng)價(jià)屬性，其一般結(jié)構(gòu)可表示為：

其中M與E分別代表制造與評(píng)價(jià)屬性,n表示屬性數(shù)量。本文中M屬性有數(shù)值與類別標(biāo)識(shí)兩種類型,E屬性只有數(shù)值類型,而M類別標(biāo)識(shí)屬性只用于案例初始分類器,因此每個(gè)案例可以等價(jià)于n維空間中的一點(diǎn),且案例之間的相似性可以轉(zhuǎn)換為點(diǎn)之間的加權(quán)歐幾里德距離。權(quán)重分配方法在3.2節(jié)中介紹。

3.2 案例知識(shí)自動(dòng)獲取方法

3.2.1 模糊c-means聚類

FCM是一種用隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類的程度的一種聚類算法。X為歐幾里德空間內(nèi)的k維數(shù)據(jù)集,X={x1,x2,…,xn}∈Rk,FCM目標(biāo)函數(shù)定義如下：

其中U=(uij)c×n是模糊劃分矩陣,且隸屬度uij滿足0＜uij＜1,m為識(shí)別聚類結(jié)果模糊程度的模糊因子；dij=||ci-xj||為第i個(gè)聚類中心與第j個(gè)數(shù)據(jù)點(diǎn)間的歐幾里德距離。式(2)約束條件為：

基于以上約束可得到類中心與隸屬度迭代公式：

3.2.2 聚類有效性評(píng)估

本研究采用模糊聚類的有效性指標(biāo)分離系數(shù)來衡量聚類水平。根據(jù)上文聚類給定的簇?cái)?shù)與模糊劃分矩陣,數(shù)據(jù)集X的分離系數(shù)PC(+)定義為：

其中PC(+)中只包含隸屬度信息,當(dāng)1＜c＜n時(shí),PC(+的取值范圍為[1/c,1],指標(biāo)隨聚類數(shù)的變化呈現(xiàn)單調(diào)變化趨勢(shì),且值越大分類效果越好。設(shè)Ωc是一組有限的“最優(yōu)”分類矩陣,若存在（Ua；ca）滿足：稱（Ua；ca）為最優(yōu)聚類結(jié)果,ca為最佳簇?cái)?shù)。

3.2.3 K-最近鄰

通過FCM劃分案例后,簇中心即為每個(gè)簇的可用標(biāo)記案例,本研究通過該標(biāo)記運(yùn)用K-最近鄰檢索與目標(biāo)案例最高相似性的標(biāo)記案例實(shí)現(xiàn)案例匹配,在最終匹配后,將源案例頻數(shù)+1。

有xi=[xi1,xi2,…,xij,…,xik,o1,o2,…,on]∈X,其中k為條件屬性的數(shù)量；xij,oin代表第i個(gè)案例中M屬性值以及該案例所對(duì)應(yīng)第n個(gè)E屬性。給定目標(biāo)案例xx與標(biāo)記案例xi,可根據(jù)式(7)計(jì)算兩者之間的局部相似度：

由式(7),案例全局相似度可表示為：

xxj代表目標(biāo)案例的M屬性值,因?yàn)椴煌琈屬性對(duì)E屬性的影響是不同的,這里引入權(quán)重系數(shù)wj,表征M屬性對(duì)E屬性的影響程度。當(dāng)案例全局相似度sim值越接近1時(shí),說明兩案例之間相似度越高。在相似性判斷中重要性越高,本文采用互信息的方法實(shí)現(xiàn)對(duì)權(quán)重的估值。

3.2.4 互信息

互信息也稱作轉(zhuǎn)移信息,是衡量?jī)蓚€(gè)隨機(jī)變量之間的依賴性量度。互信息的定義如下：

其中熵H（X）、H（Y）表示X,Y的不確定性。H（X,Y）表示X與Y的共熵；p（x,y）為隨機(jī)變量（X,Y）的聯(lián)合概率分布函數(shù)；p（x）,p（y）為X,Y的邊緣概率分布函數(shù)。

本研究計(jì)算制造屬性與單一評(píng)價(jià)屬性之間的相互信息并通過式(10)估計(jì)單一E屬性權(quán)重,多E屬性綜合權(quán)重由式(11)給出,w'k為第k個(gè)E屬性權(quán)重,因此在評(píng)估案例相似性時(shí)可根據(jù)檢索需求依據(jù)式(11)調(diào)整各個(gè)E屬性權(quán)重提高檢索可靠性與準(zhǔn)確性。

3.2.5 案例知識(shí)庫(kù)維護(hù)

隨著制造過程的案例積累,案例數(shù)量會(huì)持續(xù)增加,而盲目擴(kuò)大案例庫(kù)容量必然會(huì)導(dǎo)致案例匹配的效率降低。因此本研究提出如圖5所示解決方案,新案例在與標(biāo)記案例匹配經(jīng)最近鄰算法搜索到最大相似性案例后,若兩案例相似度高于閥值則不入案例庫(kù),只將源案例出現(xiàn)頻數(shù)+1；若相似度在可接受范圍內(nèi),將該案例劃入標(biāo)記案例所在類庫(kù)；若分類器無法實(shí)現(xiàn)分類或案例相似性匹配不理想,則將新案例保留,同時(shí)標(biāo)記為特殊案例與標(biāo)記案例,特例存儲(chǔ)器數(shù)量+1,待計(jì)數(shù)器到達(dá)閥值,則啟發(fā)案例庫(kù)重新優(yōu)化分類器與建立聚類劃分模型。

4 實(shí)驗(yàn)驗(yàn)證

本研究基于某電梯零部件企業(yè)數(shù)控加工車間工序制造過程數(shù)據(jù)進(jìn)行系統(tǒng)搭建與數(shù)據(jù)實(shí)驗(yàn)。基于java開發(fā)工具,數(shù)據(jù)庫(kù)選用Microsoft SQL Server 2008,操作系統(tǒng)windows 7,由于該車間設(shè)備普遍開放串口通信,為便于車間應(yīng)用維護(hù)本研究基于串口RS232與數(shù)控宏指令鑲嵌來實(shí)現(xiàn)設(shè)備狀態(tài)獲取與NC文件的上傳下載。終端數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)運(yùn)行如圖6所示。該企業(yè)制造車間30臺(tái)數(shù)控設(shè)備平均每天可完成工序案例數(shù)為15條,每年可產(chǎn)生超過4500條工序案例。選擇其中4000條源案例構(gòu)建知識(shí)庫(kù)模型,選其中400條案例用于測(cè)試。

圖6 車間系統(tǒng)實(shí)際應(yīng)用效果圖

在案例知識(shí)獲取時(shí),首先經(jīng)初始分類器依據(jù)表2中相關(guān)制造類別屬性將初始案例分為18個(gè)特征類；選其中案例x1所在A1類作為聚類劃分實(shí)驗(yàn)對(duì)象,該類內(nèi)含392條案例,然后關(guān)聯(lián)計(jì)算每條案例的E屬性值,基于實(shí)際生產(chǎn)維護(hù)需求,E屬性選擇成本、質(zhì)量、效率三種屬性。其中效率評(píng)價(jià)屬性計(jì)算方法如下：

表2 工序制造類別屬性信息部分內(nèi)容

表3 A1類特征類內(nèi)案例M屬性部分內(nèi)容

考慮影響E屬性的主要影響因素，從案例數(shù)據(jù)篩選工裝可靠性x1、設(shè)備可靠性x2、上道工序質(zhì)量x3、制造過程切削率x4、工人技術(shù)水平x5，共5個(gè)M屬性作為特征類內(nèi)部聚類劃分的依據(jù)，部分?jǐn)?shù)據(jù)內(nèi)容如表3所示。試驗(yàn)基于python工具實(shí)現(xiàn)案例特征類內(nèi)部聚類劃分與分離系數(shù)計(jì)算，發(fā)現(xiàn)當(dāng)簇?cái)?shù)c小于5時(shí)，隨著c的增加，分離系數(shù)PC(+)減小，聚類性能變差。但是如果c過小，在案例檢索匹配過程中運(yùn)算復(fù)雜度會(huì)增加。綜合考慮算法效率，取式(6)內(nèi)參數(shù)值m=2，簇?cái)?shù)c=3，聚類效果如圖7所示，解得此時(shí)分離系數(shù)PC(+)=0.650，認(rèn)為聚類效果符合需求。經(jīng)劃分后的聚類中心作為標(biāo)記案例如表4所示，其中c1，c2，c3分別對(duì)應(yīng)圖7中類號(hào)0，1，2。

圖7 FCM聚類劃分效果圖

表4 標(biāo)記案例M屬性數(shù)值信息表

為評(píng)估案例全局相似性以及約簡(jiǎn)相似案例，選取源案例依據(jù)式(9)、式(10)依次計(jì)算制造屬性與單一評(píng)價(jià)屬性的互信息，計(jì)算過程中，采用直方圖法評(píng)估無偏估計(jì)中的概率密度，計(jì)算結(jié)果如表5所示。

表5 E屬性與M屬性相互信息與權(quán)重值

以現(xiàn)有目標(biāo)案例x=[79.6，87.5，92.2，86.5，92]為例，要求E效率：E質(zhì)量：E成本=2：1：1，結(jié)合表5與式(11)求得對(duì)應(yīng)wj=[0.2874，0.2247，0.2013，0.1502，0.1364]，依據(jù)式(7)、式(8)計(jì)算目標(biāo)案例與標(biāo)記案例相似度，依次解得sim=[0.9331，0.9708，0.9460]，可知目標(biāo)案例與標(biāo)記案例c2相似。將該目標(biāo)案例到標(biāo)記案例對(duì)應(yīng)類庫(kù)進(jìn)一步檢索，求其最終sim，若sim＞0.995則將該案例舍棄，將匹配到的案例頻數(shù)項(xiàng)+1；若sim＜0.85則標(biāo)記為該特征類下的標(biāo)記案例，同時(shí)存入特殊案例庫(kù)；若0.995＞sim＞0.85將該目標(biāo)案例直接存入該類庫(kù)。所有測(cè)試案例檢索完成，并按照?qǐng)D5流程完成案例知識(shí)庫(kù)維護(hù)后，400條車間工序案例經(jīng)知識(shí)獲取更新到18個(gè)特征類下的共46小類，該數(shù)控車間主要加工軸套、盤蓋類電梯零部件，因此上表2中的特征類代表中A1、C1類知識(shí)含量明顯上升，其他特征類知識(shí)含量均有小幅度上升，說明本研究提出的工序制造過程案例知識(shí)自動(dòng)獲取方法是有效的，且可以實(shí)現(xiàn)案例知識(shí)庫(kù)的自動(dòng)生長(zhǎng)與優(yōu)化。

5 結(jié)論

隨著工業(yè)化與信息化的不斷發(fā)展與融合，基于車間制造過程知識(shí)是實(shí)現(xiàn)車間智能運(yùn)維的必經(jīng)之路。本研究從車間制造業(yè)務(wù)流程優(yōu)化出發(fā)，實(shí)現(xiàn)了基于智能終端的車間實(shí)時(shí)制造過程數(shù)據(jù)的多層次采集；通過聚類劃分與互信息的方法，基于制造過程采集數(shù)據(jù)實(shí)現(xiàn)了工序制造案例知識(shí)庫(kù)的自動(dòng)生長(zhǎng)與優(yōu)化，并通過實(shí)際應(yīng)用證明了方法的有效性。為實(shí)現(xiàn)基于案例的車間智能維護(hù)奠定了基礎(chǔ)。