CAD平台下基于免疫过程的知识主动推送模型

董思洋，许建新，王克勤，陈 君，秦现生

（1.西北工业大学机电学院，陕西 西安 710072；2.西北工业大学管理学院，陕西 西安 710072）

0 引言

航空产品的可制造性设计是一个典型的知识密集型活动，该活动中的设计人员需要制造知识的支持。但是由于制造知识种类繁多、信息量大，使得产品设计过程中工艺知识的获取效率和准确率都较低。另外，现阶段的实际工作情况是，知识的获取常常被动查询，不能准确表达设计人员的需求，存在输出结果过多和查全率有余、查准率不足等弊端，导致设计人员需要花费大量时间来查找和甄别所需要的知识。因此，需要一个面向产品设计过程的知识管理平台，以主动、及时、准确地向设计人员推送所需要的知识。

可制造性设计一直是学术研究的热点，例如文献［1－4］分别针对制造系统的各个领域进行了大量的评价研究，提出了许多理论和方法；文献［5］针对钣金成型和注塑模进行了可制造性评价的研究，按照定量评价和定性评价两个不同层次对零件进行可制造性评价；文献［6］采用可冲压性评价编码的方法，对零件的冲压工艺性进行评价，给出了冲压工艺性评价的流程图。但上述研究工作是在不同时期面向不同应用领域进行的、侧重于评价方法的研究，从实用性角度来看，没有更多地从零件设计方面考虑产品的可制造性设计，未考虑计算机辅助设计（Computer Aided Design，CAD）环境下零件的结构工艺性和加工工艺性。

目前，很多学者对知识的主动推送问题从不同角度进行了研究［7－12］，为了改变知识被动查询过程中的效率低下等现状，解决知识管理系统中存在的知识泛滥、知识迷航等问题，文献［13－16］从不同角度提出了知识主动推送的概念。例如文献［13］提出基于粗糙集的产品协同设计知识推送方法；文献［14］提出一种基于知识属性相似度的知识推送方法，通过计算知识的属性相似度获取用户的感兴趣信息，实现了无须人工干预的知识自动推送；文献［15］提出一种集人、过程和知识为一体的知识主动推送服务系统的方法，在结构化元知识和知识地图模型的构建基础上，提出基于工作流引擎和知识引擎的双驱动知识主动推送策略；文献［16］利用知识表达、关联等方式，开发了基于知识的飞机设计引导系统，在一定程度上解决了飞机设计过程中的经验知识传承、设计知识推送等问题。但是如何结合CAD软件平台实现可制造性设计中知识的主动推送，从而进一步实现产品零件的可制造性判断等，上述文献均没有提出具体的解决方法。鉴于此，本文将重点研究如何在CAD软件平台上实现制造知识的主动推送和利用。

机体免疫系统（immune system）是一个由众多免疫器官、细胞和分子共同组成的分布式自治系统，在免疫反应性异物（如抗原）侵入机体时，能够自主调动免疫细胞对入侵抗原进行识别和排除，以此维持机体的生理平衡，文献［17－18］从不同角度对免疫系统进行了利用。可制造性设计中知识的主动推送过程和机体的免疫过程有很多相似之处，笔者基于对这种相似现象的考虑，构建了CAD平台上的可制造性设计模型框架，在此基础上针对如何获得相关的制造知识环节，借鉴机体的免疫应答机制（Immune Response Mechanism，IRM），提出一种基于免疫过程面向航空产品的制造知识主动推送模型。该模型分别提出知识的免疫细胞表达模型和知识需求的抗原表达模型，设计了知识主动推送的应答免疫机制，使得针对不同需求时能建立快速、准确的响应，并结合SolidWorks实现可制造性设计中的知识推送。由于制造知识种类繁多，本文重点针对其中的工艺知识进行研究。

1 基于免疫过程的工艺知识主动推送模型

为实现航空工艺知识的主动推送，必须首先考虑三个方面的问题：①知识需求与工艺知识匹配过程模型的构建；②知识需求的分析、获取与表达；③工艺知识的组织模型与表达。结合生物体免疫过程中的相关概念，本文以航空产品设计与制造为对象，提出基于免疫过程的工艺知识主动推送模型（记为OP），如图1所示。

图1所示的模型完整地表达了工艺知识的主动推送过程，该模型包括知识输入模块（Knowledge Input Module，KIM）、工艺知识的免疫细胞化表达模 块 （Immune Cells express of Manufacturing Knowledge Module，ICMKM）、知识需求的抗原化表达模块（Antigen expression of Knowledge Demand Module，AKDM）、知 识 需 求 分 析 模 块（Knowledge Demancl Analysis Module，KDAM）以及知识推送的免疫过程模块（Immune Process of Knowledge Push Module，IPKPM）等诸多单元，以集合形式表示为OP＝｛KIM，ICMKM，AKDM，KDAM，IPKPM｝。

下面针对图1中涉及的各个子模块进行详细分析和设计，并分析各子模块构建过程中需要考虑的关键因素。

2 工艺知识主动推送模型的构建

2.1 知识输入模块

KIM模块负责知识的录入、识别、产生和存储，是后续各子模块实现的基础；另外，在ICMKM中采用的免疫细胞化的知识处理方式将工艺知识的创建和使用过程分离开来，使得在知识录入过程中不必关心如何使用，只需考虑工艺知识的存储方式，以及独立地对知识进行增删改等操作。知识输入模块包括以下三个主要步骤：

（1）结构化知识的形成 在知识录入时按照不同类型录入，同时添加其涉及到的属性要求。

（2）知识的分类存储 根据类别将知识归类存入相应的数据库。

（3）知识映射表形成 将所有知识映射为一个映射表，知识更改（增加、删除、修改）之后，同时修改对应的映射表。

由于结构化知识在数据库中的存储方式不是本文研究的重点，此处不再讨论。

2.2 工艺知识的免疫细胞化表示

免疫应答机制中，免疫细胞之间的外形不同，但结构相似。不同的免疫细胞具有相同的DNA（即遗传信息），细胞的多样性仅是对DNA信息选择性表达的结果。与此类似，虽然航空产品可制造性设计中涉及到的工艺知识多种多样，但均可以理解为同一知识映射表根据不同使用条件分化的结果。

定义1 知识的免疫细胞表达模型。将制造工艺知识按照免疫细胞的表达形式进行封装，封装后的知识称为知识的免疫细胞模型，记为KIM（Knowledge Immune Mode，KIM）。KIM 可以用二元组表示，KIM＝｛DNA，MK｝。

其中：DNA＝r1∪r2∪rn为知识映射表，ri（1≤i≤n）表示某一个具体的工艺知识；MK＝｛MK＿KT，MK＿SKC，MK＿KDP｝为具体的表达形式，是对DNA选择性表达的结果，分别从知识类型（MK＿KT）、具体知识信息（MK＿SKC）、知识详细参数（MK＿KDP）三个方面来描述。将工艺过程知识采用免疫细胞模型来表达，每个细胞中均含有所有相同的DNA（即相同的工艺知识映射表），具体知识的类型、性状、适用条件等不同内容（即抗体表达）都是选择性表达的结果。

航空产品零件的可制造性中涉及的知识可以分为工艺建模、测量数据选择、零件设计、工艺路径规划、切削参数、工装设备、刀具七大类。不同知识的关注重点不同，以刀具选择中的麻花钻为例，框架如表1所示。

表1 麻花钻的知识框架表示

续表1

麻花钻的免疫细胞化表示方法如图2所示。

2.3 知识需求分析

为了简化知识需求获取的难度，借助制造特征的概念，知识需求分析模块将产品零件的特征表达为一种知识需求，针对现阶段广泛采用的零件三维设计模式，利用特征识别的方法直接从现有的CAD中对零件进行特征识别，采用可扩展标记语言（eX－tensible Markup Language，XML）文件格式将特征信息传入后续模块，以此经过识别得到的制造特征作为知识需求。

例如某航空结构件的部分设计，在保证强度的前提下为了减轻重量，设计者采用整体壁板上挖去多余材料的方式进行制造。图3即该零件设计图形及生成的XML特征文件，此XML文件经过解析后的各个特征即具体的知识需求。

2.4 知识需求的抗原化表达

2.4.1 知识需求的抗原表达模型构建

在免疫应答中，抗原是诱导免疫应答过程开始的主要因素。抗原的特异性表达是通过抗原决定簇（antigenic determinant）来实现的，它是存在于抗原表面的一种特殊化学基团。类似地，知识需求的出现也是引起知识推送的前提，其特异性表达同样通过不同的决定簇来实现。

定义2 知识需求的抗原模型。用抗原模型表达产品设计过程中对工艺知识的需求，针对不同的知识需求，设计不同数目、不同结构的抗原决定簇来反映其特异性。

根据定义2，针对2.1节中提及的不同工艺知识，这里设计了相应的知识需求抗原模型（记为AM），包括需求类型DC、适用条件AC、详细参数DP三种抗原决定簇，集合描述为AM＝｛DC，AC，DP｝。

结合航空产品特点，以一般通孔加工刀具选择的知识需求为例，结合图3中的孔0001H，其抗原表达模型如图4所示。

规定1 单一条件抗原决定簇和多条件抗原决定簇。若某具体的抗原决定簇中有且仅含有一个条件，则其称为单一条件抗原决定簇（single condition antigenic determinant）；若某抗原决定簇需要由多个条件共同描述，则称其为多条件抗原决定簇（multi－condition antigenic determinant）。

图4中的需求类型和适用条件均是单一条件抗原决定簇，而详细参数是由多因素决定的，属于多条件抗原决定簇。

2.4.2 知识需求抗原表达模型的实现

AKDM模块首先将KDAM传入的产品特征数据进行预处理，合并、拆分一些难以加工的特征数据；然后按照2.3.1节提出的抗原模型组织，形成知识需求（特征）的抗原化模型。

根据航空制造特点，如果某些基本单元的知识需求相近，则需要将其合并处理；相反，对于难以提取有效信息的知识需求，需要将其进一步分解为基本单元，然后进行处理。

定义3 基本单元。指能够被直接用于定义抗原模型的结构或特征，其他非基本单元均由基本单元通过空间拓扑关系或逻辑关系组成。

以航空结构件为例，在选择刀具时需要从零件结构特点出发，因此零件的基本特征是一种基本单元。通过总结发现，结构件的特征基本单元包括槽（P）、轮廓（F）、筋（R）、工艺凸台（T）、孔（H）和非圆孔（L）。

以图3所示的零件为例，零件（Part）由两个槽（P）和五个孔（H）构成，忽略零件间的拓扑关系，可以简单地理解为Part＝0001P＋0002P＋0001H＋0002H＋0003H＋0004H＋0005H。

（1）难处理信息的拆分

由于零件的槽特征0001P的设计中存在阶梯槽，需要将其拆分为两个基本单元（即将该槽结构拆分为两个独立的槽结构），进行后续处理，即0001P＝0001＿1P＋0001＿2P，如图5所示。

（2）基本单元信息的合并

对比槽0002P、槽0001＿1P和槽0001＿2P的特征可知，前两者之间的粗糙度、转角、底角半径均相同，0001＿2P的底角半径与前两者不同。槽深都处于易加工范围，刀具不是其决定性因素，因此可以忽略0001＿1P，仅就0002P进行后续处理，即0002P＋0001＿1P＋0001＿2P＝0002P＋0001＿1P，如图6所示。

（3）信息的检查、抽取、封装

评价处理后的信息（TreatInfo），使其必须包含原始文件中的全部信息（OriginalInfo），即

若TreatInfo和OriginalInfo不满足式（1），则需进一步对其进行检查，直至满足式（1）中的条件。

对需求的详细参数，以及所使用的加工环境信息等内容进行抽取，形成抗原模型的抗原决定簇，进一步封装后，形成知识需求的抗原模型。

在槽的加工过程中，R3的底角同样可以由R2底角的铣刀加工，因此槽铣刀选择的抗原模型如图7所示。

孔类特征的加工方法比较特殊，直径不同的孔只能选择不同的钻头来加工，另外还需要根据精度等级等条件选择各自的后续加工方法（扩、铰、镗等）。因此，首先应该对孔特征的加工方式进行信息拆分。

（1）加工方式信息拆分

孔0001H的精度等级为IT7，粗糙度为Ra1.6，因此0001H 的加工方式（ProcessM0001H）为钻（Drill）＋铰（Ream），即

ProcessM0001H＝Drill＋Ream。孔0002H～0005H用来装配电缆，精度等级要求不高，粗糙度为Ra3.2，因此其加工方法（ProcessM0002H～0005H）为钻（Drill）＋扩（Expansion），即

ProcessM0001H～0005H＝Drill＋Expansion。

（2）加工方式信息检查

在过程（1）中同样不能丢失加工信息，处理后的加工效果（EffectTreat）要达到模型标示的效果（EffectOriginal），即EffectTreat和EffectOriginal满足式（1）。

以图3中零件为例，其中孔加工方法Drill中钻头选择的抗原模型如图8所示。

在标准系列刀具中，钻头直径一般最大为φ50 mm，因此在图8a中选择孔的直径为φ50mm，余量可由后续Ream加工来达到。

2.5 知识推送的免疫过程

IPKPM是系统的核心环节，该模块按照免疫原理，实现了工艺知识对知识需求的自主结合和匹配，从而实现工艺知识的主动推送。该模块主要包含以下几个主要步骤：

（1）抗原摄取 监视单元在系统中对应免疫系统中的巨噬细胞，承担免疫监视的任务，及时感知进入系统的知识需求，交给后续识别过程。

临床预防治疗中，缩宫素的应用较多。缩宫素是一种由垂体神经释放的激素，人体下丘脑视上核或者巨细胞分泌而来。缩宫素在释放入患者血液之后，可以迅速对子宫平滑肌产生影响，对其产生兴奋作用，进而引发子宫的节律性收缩，达到加快产程进展等目的[6]。

（2）抗原识别 在发现抗原（知识需求）后，抗原提呈细胞迅速摄取和识别抗原各种类型的决定簇，即完成对该知识DC，AC，DP的判断和获取。

（3）转化和增值 该阶段如果抗原是已知的目标，则进行已有的快速免疫响应，选择解决方案；如果抗原没有出现过，则进行自适应免疫防御，采用基于浓度的调节机制来获取免疫细胞。

基于浓度的调节机制是依据抗原、抗体之间的浓度来调节和控制整个免疫过程，针对某一抗原侵入之后，系统根据抗原、抗体之间相吸引的原则，不断提高与所侵入抗原适应度较高抗体的浓度，从而得到最优解集，同时利用抗体之间的排斥作用保证可行解的多样性。

（4）效应阶段 在获取知识后，系统会根据要求将知识标记作警告或错误消息，与CAD图形关联后推送给用户界面；工艺知识匹配成功后，将针对该问题获得的知识生成免疫记忆细胞，保存到记忆库，当再次遭遇同类型目标时，记忆细胞能迅速增殖和分化，即采用已经制定并曾经成功实施的方案进行快速反应，实现二次免疫应答。

3 CAD平台基于免疫过程的知识主动推送匹配策略

3.1 问题描述

用免疫过程描述知识推送的匹配问题为：在抗原集合X侵入机体后，系统迅速分析，并与已有的免疫细胞进行比较，尽快找出与之匹配的免疫细胞群。在该问题中，抗原和免疫细胞分别对应优化问题的初始解空间和可行解空间，在找出免疫细胞群后将其提供给工艺人员进行后续的人工选择；若找不到相应的免疫细胞群，则需要给出相应的提示信息。

令Y＝｛y1，y2，…，yk｝表示具有k个免疫细胞的集合，其中yi＝｛yi1，yi2，…，yim｝T（1≤i≤k）表示免疫细胞yi的表达形式；X＝｛x1，x2，…，xt｝表示具有t个抗原的集合，其中xj（1≤j≤t）是侵入机体的抗原，xj＝｛xjDC，xjAC，xjDP｝，其中xjDC指抗原的 DC决定簇，xjAC＝｛xjAC1，xjAC2，…，xjACk｝T指抗原的AC决定簇，xjDP＝｛xjDP1，xjDP2，…，xjDPk｝T指抗原DP决定簇。

于是，若针对某个抗原需要选择N个类似的工艺知识与之匹配，则知识推送的匹配问题数学模型为：

其中‖＊‖代表一种几何距离，表示解空间中抗原和免疫细胞之间的相近程度，minN和minK分别表示取集合中最小的N和K个值。

3.2 匹配算法的相关定义

为了解决上述问题，结合本文中对免疫机制、知识需求的抗原化、知识免疫细胞化等内容的研究，本小节首先对传统的人工免疫算法中部分概念进行重新定义；然后提出能够实现工艺知识与需求自主匹配的 KM－AIA（knowledge matching based on artificial Immune algorithm）算法。

定义3 抗原识别。针对航空工艺知识存在的特点，给定一个抗原xj，若在满足式（4）的条件下能够寻得yi，使得式（5）同时成立，则称抗原xj可以被yi识别并与之相应地配对。

式中：‖＊‖简单地采用Euclidean距离公式来计算；f（x，y）表示抗体和免疫细胞之间的亲和力；α和ε分别表示抗体与抗原的AC决定簇和DP决定簇匹配时的阈值，匹配时的亲和力小于该值即认为匹配成功。

α和ε的存在使得该过程成为一个不完全精确的匹配过程，有效地保证了免疫细胞对多种抗原的可识别性，即针对某一特定知识需求，尽可能多地选择与其相适应的各种工艺知识。

结合免疫算法中相似免疫细胞的定义，KMAIA算法中对相似免疫细胞和浓度的定义如下：

定义4 相似免疫细胞和浓度。在免疫细胞群中，对于给定的免疫细胞v，计算其免疫细胞群中其他任一免疫细胞w在空间上的接近程度（这里采用Euclidean距离）‖v，w‖；另外，计算v和w针对某个抗原x的亲和力分别记为Axv和Axw。如果存在常数r＞0和m＞0，使得式（6）和式（7）同时成立，则v和w为相似免疫细胞。

抗体群中与免疫细胞v相似的免疫细胞（包括v）的个数称为免疫细胞v的浓度，记为Cv，

定义5 抗体与某免疫细胞群之间的亲和力。抗体和具体某个免疫细胞之间的结合强度即为它们之间的亲和力。

仅用几何距离来描述亲和力有失偏颇［19］，这里采用基于熵值法的亲和力定义方式。

给定抗原x，任取免疫细胞群Y＝｛y1，y2，…，yk｝，其中信息如果满足条件：①x中MK＿KT，MK＿SKC所含的信息与yi（1≤i≤k）中DC，AC决定簇所含的信息完全匹配；②yi（1≤i≤k）的DP决定簇中含有m个元素。则x与Y的亲和力矩阵F的求解过程如下：

（1）提取Y中各个免疫细胞中的详细参数，组成矩阵Y′＝｛y1′，y2′，…，yk′｝。

（2）Y′中数据的规范化，

（3）确定评价指标的熵权，

（4）具体计算各指标的权重：

1）输出熵：

2）指标差异度：

3）计算熵权的值：

4）求解亲和力矩阵F，

式中fi（1≤i≤k）即分别为yi（1≤i≤k）对应的亲和力。

3.3 KM－AIA算法描述

KM－AIA算法将免疫算法与熵值法结合起来，针对将工艺知识主动推送给知识需求的过程特点，给出了解决方案。下面给出KM－AIA算法的具体描述。

输入：抗原种群的规模N，免疫细胞群大小M，免疫选择的亲和力阈值ka，浓度阈值kn，终止条件为最大匹配次数达到MAX。

输出：预测最优匹配免疫细胞群。

步骤1 算法初始化。

针对需要匹配的知识需求，首先确定其抗原模型，形成最初的抗原种群；然后初始化免疫细胞群大小为M，设定亲和力阈值ka、浓度阈值kn，最大增殖次数达到MAX。

步骤2 初始免疫细胞群的产生。

针对已经形成的抗原种群，判别系统是否曾经求解过类似问题，如有则从记忆细胞库中搜寻该类问题的记忆免疫细胞，否则随机产生初始免疫细胞（满足式（3）中的条件，且式（3）中K 取M）。

步骤3 免疫细胞的分化和增殖。

根据免疫算法内容［20］，针对具体问题，由免疫细胞不断地进行分化和增殖，在免疫调节机制下，免疫细胞群体不断更新进化，最终消灭抗原，即搜索到问题的解，实现与抗原的匹配。该步骤终止的标志是免疫细胞群满足式（3）的要求，或最大增殖次数达到MAX。

步骤4 抗体间产生的刺激与抑制。

为了保证最终免疫细胞群的多样性，免疫细胞的增殖过程会受到免疫细胞与抗原之间的亲和力，以及免疫细胞本身浓度的制约。即如果免疫细胞与抗原的亲和力高，该免疫细胞的浓度会被提高；同时，浓度过高的免疫细胞之间也会相互抑制，维持其浓度不再上升。当然免疫细胞是否需要增殖，需要通过计算亲和力和浓度两个值来确定。

KM－AIA算法流程如图9所示。算法具体步骤如下：

步骤1 产生抗原。针对知识需求确定推送问题的抗原模型和抗原种群。

步骤2 算法初始化。分别设定M，ka，kn，MAX等值，以及免疫算法中的交叉概率Pc和变异概率Pm；针对具体问题产生初始免疫细胞群。

步骤3 遍历抗原种群，判断记忆库中是否含有相似问题解。如果存在，则直接提取相似问题解，转步骤3，重复循环，否则转步骤4。若遍历结束，则转步骤9。

步骤4 针对具体抗原，产生初始免疫细胞群体InitialGroup。

步骤5 计算具体某抗原和免疫细胞群中各值之间的亲和力和浓度。根据定义4计算各免疫细胞的浓度；根据定义5中的相关定义及计算方法，计算抗原与各免疫细胞之间的亲和力，并按照亲和度由大到小降序排列，得到InitialGroup＝｛ImmuneC1，ImmuneC2，…，ImmuneCN｝。其中f（x，ImmuneCi）≥f（x，ImmuneCi＋1），0≤i＜N，f（a，b）表示a和b间的亲和力；计算是否满足单个抗原寻找免疫细胞的停止条件，如果满足，则将解决方案生成记忆细胞，存入记忆库，转步骤4。

步骤6 对InitialGroup中与抗原亲和力小于阈值ka的免疫细胞进行剔出操作；随机选择浓度小于阈值kn的免疫细胞个体进入下一代。

步骤7 在选择操作的基础上，根据设置的交叉概率Pc和变异概率Pm选择免疫细胞进行常规的交叉和变异操作，更新InitialGroup，转步骤5。

步骤8 退出。

4 原型系统验证

4.1 工艺知识主动推送系统的实现

以某航空制造企业实际生产数据为例，并以SolidWorks为平台搭建基于免疫过程的工艺知识主动推送模型（ApmPk＿I），实现常见工艺知识的主动推送，进一步完成产品零件的快速可制造性检验。

在FeatureWorks功能的支持下，SolidWorks能够较容易地实现对输入零件实体的特征识别。在此基础上，利用C＃的开发语言和Oracle 9i数据库，在Visual Studio 2010和 Windows7的环境下，针对SolidWorks 2008进行二次开发形成ApmPk＿I系统，其主界面如图10所示。

ApmPk＿I平台在SolidWorks软件中增添了“制造工艺性检查”菜单，以实现对零件的可制造性检测。其中子菜单“设置”供用户设置待检查的项目，如图11所示。

工艺检验设置中给出了常见的包括工艺凸台工装设计、切削参数约束等在内的七大类检验内容。用户在进行可制造性检查之前，必须自行设置当前文档中零件所需要检查的项目。

4.2 CAD平台下工艺知识的主动推送

以图10所示的零件为例。该零件属于某飞机结构件的部分结构，含有典型的槽、孔、筋等常见结构，且形状较复杂，因此其可制造性检查具有典型性。

通过分析可知，图10中的零件存在一些不足，如表2所示。

表2 图10零件存在的设计不足和缺陷

因此，这里选择了图11中的工艺凸台设计、难加工零件结构、刀具约束三个待测项目进行测试，结果如图12所示。

系统针对不同的检测结果给出了相对应的提示，并记录于备注中，详细列表如表3所示。

对比表1和表2可知，ApmPk＿I系统在工艺凸台设计、难加工零件特征修改、槽腔底角和转角检测、粗糙度检查等方面均已实现自动检测；同时，ApmPk＿I还实现了所需要的知识的主动推送，给出了零件的设计建议，供设计人员参考。

4.3 KM－AIA算法验证

（1）测试内容

KM－AIA根据人工免疫算法（Immune Algorithm，IA）改进而来。本节主要作如下两项测试：①针对两个同样知识需求，对比其初次求解时间和再次求解时间；②对KM－AIA算法与传统的基于免疫响应过程的免疫算法进行仿真测试。

（2）测试用例

以4.2节中的示例内容重新作测试，将其中的IA和KM－AIA算法利用MATLAB重新实现。

（3）测试数据

在系统设计之初，笔者已经以某航空企业制造过程的实际数据预置于ApmPk－I系统的Oracle数据库中。因此，测试直接选择其中工艺凸台设计、难加工零件结构、刀具约束三个项目中涉及的知识，共计100 199条知识数据进行测试。

（4）测试过程

1）测试1 首先，选择图10中含有孔结构的槽腔作为抗原输入系统，作出KM－AIA算法的“时间—知识筛选”曲线图；然后，将该槽腔作为抗原重新输入系统，记录“时间—知识筛选”曲线。将前后两次测试作对比，如图13所示。

2）测试2 首先依然选择图10中含有孔结构的槽腔结构，利用IA算法完成知识的选择和推送；然后利用KM－AIA算法重新求解该问题。对比二者的收敛过程，如图14所示。

IA与KM－AIA算法最终选择知识的结果如表3所示。

表3 ApmPk＿I系统对图10所示零件的检测结果

（5）测试结果

通过上述测试示例可以得出如下结论：

1）由图13可以看出，相比于IA算法，KM－AIA在相同条件下能够对工艺知识的主动推送起到积极作用，可以明显地改善推送目的和效果。

2）由图14可以看出，KM－AIA的收敛速度明显快于IA算法。

3）对比表4两种算法的检索结果可以明显看出，IA算法中的①和④并不是输入槽腔结构所需要得到的知识，即KM－AIA算法的查准率高于IA算法。

表4 IA与KM－AIA算法测试结果对比

5 结束语

本文研究了航空产品在CAD平台下可制造性设计中的知识推送问题，提出了基于免疫过程的工艺知识主动推送模型。类比于机体免疫过程中的抗原、免疫细胞等概念，构建了知识需求的抗原表达模型和工艺知识的免疫细胞表达模型；提出了成功适用于该模型的KM－AIA算法，通过实验发现，与传统IA算法相比，KM－AIA算法在改善知识推送效果的同时，实现了工艺知识向产品设计推送的主动性、精确性和及时性，获得了满意的效果。

下一步的工作重点是：①如何结合工作流程及时获取所需要的知识进行推送，增强企业的竞争优势；②进一步考虑复杂CAD模型下的知识推送，提高设计效率和质量。

［1］ SONG Yuyin，CHENG Ye，CAI Fuzhi，et al.Study on knowledge－based integrateddesign for manufacture of mechanical parts［J］.Journal of Tsinghua University：Science ＆ Technology，1999，39（8）：21－24（in Chinese）.［宋玉银，成 晔，蔡复之，等.基于知识的集成化机械零件DFM方法研究［J］.清华大学学报：自然科学版，1999，39（8）：21－24.］

［2］ SONG Yuyin，XIAO Yihui，CHENG Ye，et al.Study of product manufacturability and evaluation methods［J］.Journal of Tsinghua University：Science ＆ Technology，1998，38（7）：111－114（in Chinese）.［宋玉银，肖亦辉，成 晔，等.产品可制造性及其评价方法的研究［J］.清华大学学报：自然科学版，1998，38（7）：111－114.］

［3］ SUN Zhaoyang，WANG Gang，LU Min，et al.Concept framework of manufacturability evaluation for the engineering way of acquiring product［J］.Journal of Harbin Institute of Technology，2005，37（11）：1476－1478（in Chinese）.［孙朝阳，王 刚，吕 民，等.面向工程途径的产品可制造性评价概念体系［J］.哈尔滨工业大学学报，2005，37（11）：1476－1478.］

［4］ LIU Hongjun，MO Rong，FAN Qingming，et al.Manufacturability evaluation method for aeroengine blade［J］.Computer Integrated Manufacturing Systems，2009，15（7）：1328－1335（in Chinese）.［刘红军，莫 蓉，范庆明，等.面向航空发动机叶片的可制造性评价方法［J］.计算机集成制造系统，2009，15（7）：1328－1335.］

［5］ ZHAO Zuozhi，SHAH 段 .Domain independent shell for DfM and its application to sheet metal forming and injection molding［J］.Computer－Aided Design，2005，37（9）：881－898.

［6］ ZHANG Hongli，LANG Weifeng，LI Lei.How to realize manufacturability evaluation of stamping parts［J］.Journal of Shandong Jiaotong University，2003，11（3）：15－17（in Chinese）.［张洪丽，郎伟锋，李 磊.冲压零件工艺性评价的程序实现［J］.山东交通学院学报，2003，11（3）：15－17.］

［7］ PAN Xuwei，GU Xinjian，CHENG Yaodong，et al.Model of knowledge management integrating context［J］.Computer Integrated Manufacturing Systems，2006，12（2）：225－230（in Chinese）.［潘旭伟，顾新建，程耀东，等.集成情境的知识管理模型［J］.计算机集成制造系统，2006，12（2）：225－230.］

［8］ TOSD.An advanced architecture for push services［C］／／Proceedings of the 4th International Conference on Web in formation Systems Engineering Workshops（WISEWp03）.Washington，D.C.，USA：IEEE，2003：193－200.

［9］ LIU Xinyu.Research on the theoretical framework of processbased knowledge pushing system and its application［D］.Shenyang：Northeastern University，2005（in Chinese）.［刘新宇.基于流程的知识推送系统的理论框架与应用研究［D］.沈阳：东北大学，2005.］

［10］ MA Sha，WANG Yungan.Feature－based information modelling technique［J］.China Mechanical Engineering，1994，3（4）：10－13（in Chinese）.［马 莎，王运赣.基于特征信息建模技术［J］.中国机械工程，1994，3（4）：10－13.］

［11］ FENG Yong，FAN Zhiping，FENG Bo，et al.Construction of knowledge push system in customer service center of enterprise［J］.Computer Integrated Manufacturing Systems，2007，13（5）：1015－1019（in Chinese）.［冯 勇，樊治平，冯博，等.企业客户服务中心知识推送系统构建研究［J］.计算机集成制造系统，2007，13（5）：1015－1019.］

［12］ WANG Shengfa，GU Xinjian，GUO Jianfeng，et al.Knowledge active push for product design［J］.Computer Integrated Manufacturing Systems，2007，13（2）：234－239（in Chinese）.［王生发，顾新建，郭剑锋，等.面向产品设计的知识主动推送研究［J］.计算机集成制造系统，2007，13（2）：234－239.］

［13］ YANG Jie，YANG Yu，WANG Weili，et al.Research on rough theory－based knowledge push in product collaborative design［J］.China Mechanical Engineering，2009，20（20）：2452－2456（in Chinese）.［杨 洁，杨 育，王伟立，等.基于粗糙集的产品协同设计知识推送方法研究［J］.中国机械工程，2009，20（20）：2452－2456.］

［14］ ZHOU Mingjian，LIAO Qiang.Knowledge push based on attribute similarity［J］.Computer Engineering and Applications，2011，47（32）：135－137（in Chinese）.［周明建，廖强.基于属性相似度的知识推送［J］.计算机工程与应用，2011，47（32）：135－137.］

［15］ SHI Meihong，WANG Ting，CHEN Yongdang，et al.Knowledge push system based on business process and knowledge need［J］.Computer Integrated Manufacturing Systems，2011，17（4）：882－887（in Chinese）.［石美红，王婷，陈永当，等.基于业务过程和知识需求的知识推送系统［J］.计算机集成制造系统，2011，17（4）：882－887.］

［16］ ZHANG Chao，JIN Meng，XIA Zhiyong，et al.Research on knowledge assistant system for aircraft design［J］.Aeronautical Computing Technique，2011，41（4）：63－66（in Chinese）.［张 超，金 梦，夏志勇，等.飞机设计过程中的知识辅助技术研究［J］.航空计算技术，2011，41（4）：63－66.］

［17］ YANG He，ZHENG Xing，LIANG Yiwen.Design of artificial antigen presenting cells in artificial immune systems［J］.Journal of Chinese Computer Systems，2012，33（5）：1121－1125（in Chinese）.［杨 鹤，郑 幸，梁意文.人工免疫系统中人工抗原提呈细胞的设计［J］.小型微型计算机系统，2012，33（5）：1121－1125.］

［18］ ZHANG Wei.Multi－objective optimization algorithm and preference multi－objective decision making based on artificial immune system［D］.Xi'an：Xidian University，2011（in Chinese）.［张 伟.基于人工免疫系统的多目标优化算法和偏好多目标决策［D］.西安：西安电子科技大学，2011.］

［19］ ZHENG Rirong，MAO Zongyuan，LUO Xinxian.A study on modified artificial immune algorithms［J］.Computer Engineering and Applications，2003，39（34）：35－37（in Chinese）.［郑日荣，毛宗源，罗欣贤.改进人工免疫算法的分析研究［J］.计算机工程与应用，2003，39（34）：35－37.］

［20］ LIU Li.Research of the principles and applications of artificial immune network［D］.Wuxi：Jiangnan University，2008（in Chinese）.［刘 丽.人工免疫网络研究及应用［D］.无锡：江南大学，2008.］