基于本体的注塑模改模知识表达与推理研究

王 毅 陈庆新 毛 宁

1.仲恺农业工程学院，广州，510225 2.广东工业大学，广州，510090

0 引言

注塑模具成形面复杂、结构多样，且多为单件定制，即使正确应用通用的模具设计制造原则也难以确保一次试模成功。当一个制品产生缺陷后，多数企业都会倾向于以最经济且快速的方法消除缺陷，即首先调整注塑工艺，然后调整原材料或注塑机，在上述方法全部尝试以后，才会考虑既费时又费力的更改制品结构或模具结构，然后制订相应的模具修改方案。改模工程师制定改模方案时不仅需要传统的模具制造工艺知识，还需要在实践中积累的大量经验知识［1－3］。

改模工程师在描述改模知识时表达的随意和不规范，造成改模知识不能在改模工程师之间共享和重用，更无法归纳其中蕴涵着的改模知识。很多学者结合不同类型模具的结构特点及各自知识应用系统的侧重点，给出了不同的知识表达方式。文献［4－6］分别对注塑模具设计知识、压铸模具知识、注塑模具改模知识进行了基于本体的知识分析与表达，但却未能在此基础上进行知识的推理和归纳。为此，本文在分析基于本体的改模知识归纳模型基础上，结合实例提出了一种基于本体的分层表达改模知识模型，并在此基础上给出了基于本体的知识推理方法。利用本体推理规则对从注塑模具制造企业中收集的改模方案进行知识表达和推理，验证了提出的改模方案表达模型及其知识推理方法［7－8］。

1 基于本体的改模知识表达

本体是共享概念模型的明确的形式化规范说明，具有如下的一些优点：①能规范化和清晰化相关领域的概念和术语，有利于知识的标准化；②具有丰富的概念间关系和概念间的各种约束，满足改模知识复杂性和相关性的要求；③作为语义网的核心，为语义网系统提供知识组织和逻辑关系。本体的核心是在把握事物本质的基础上，通过抽象事物类型及其关系约束的明确定义，实现复杂认知知识的规范描述。本体具有语义上的规范性，能在人与设备间清晰解释，已经广泛应用于知识工程、信息技术、人工智能、医药工程和机械工程等领域［7－10］。

1.1 基于本体的改模知识表达模型

改模知识来源相当广泛，有来自书本的知识，来自技术人员的经验知识。这些知识包括描述性知识、因果性知识、过程性知识、关联性知识。描述性知识主要包括对一些概念的描述，如对模具结构的描述，它们的关系主要包括Is＿a（是…）和Part＿of（…的一部分）这样一些层次性的关系；因果性知识主要包括一些概念之间的因果关系，如改模原因导致的改模问题，这类知识的概念之间的关系有Cause（导致）和Caused＿by（被引起）；过程性知识主要包括一些工艺性知识，如针对某一改模问题采取的改模方案，相关的概念间关系有Follow（采用）和Is＿followed＿by（被采用）；关联性知识主要用于说明概念之间的联系，如塑件上的某一位置有改模问题出现，那么该塑件位置和相对应的模具结构的关系是如何的等，相应的概念之间的关系有Cooperate with（有关联）。利用本体技术可以把这些概念设计成为一个多层的改模知识表达模型［11－13］，见图1。

1.2 概念的设计

通过前面的分析，可以把改模知识概念分为模具结构知识概念、塑件位置概念、改模问题概念、改模原因概念、改模操作方案概念。每个概念都由概念名称、概念关系和概念属性等特征来描述。本文用C表示改模知识中的概念，并采用C＝（N，R，P）的结构来表示，其中，N为改模概念的名称或说明信息，R表示概念之间的关系，P表示概念的属性［12－13］。各类概念的关系如图2所示。

属性主要包括 Concept＿ID、Synonym、Appearance Reason、Status、Action等。Concept＿ID代表概念的ID号。Synonym代表语义相同或相近的概念，包括一些等同和相关概念［14］，如改模问题中的批锋与飞边，模具知识领域中的三板模具和细水口模具等。Appearance Reason和Sta－tus属性是针对改模问题和改模原因设置的。Action是为了表达一些过程性的知识而设计的，如改模操作中的一些操作概念（打磨、研配等）。

图1 基于本体的多层改模知识表达图

图2 各类概念之间的关系

概念之间的关系主要包括Is＿a、Part＿of、Cause、Caused＿by、Follow、Is＿followed＿by、Coorperate＿with。Is＿a表示概念之间的层次关系，它将类与实例联系起来；Part＿of表示模具结构的整体和部分之间的关系；Cause表示改模原因和改模问题之间的关系，即某种改模原因导致某种改模问题；Caused＿by表示改模原因和改模问题之间的关系，即某种改模问题由某种改模原因引起；Follow表示改模问题和改模方案之间的关系，即某种改模问题实施某种改模方案；Is＿followed＿by表示改模问题和改模方案之间的关系，即某种改模方案的实施是由某种改模问题导致的；Coorperate＿with表示塑件位置和模具结构的联系，即某塑件位置出现了问题，与之相关的模具应该是在那个部位出现了问题，这是一种关联关系［15－16］。

2 基于本体的改模知识推理

2.1 基于本体的单层改模知识推理设计

改模知识概念间关系推理规则：

其中，A、B、…代表改模知识概念名称；∧表示与操作；⇒表示推理。描述性知识层的推理模型如图3所示。

图3 描述性改模知识推理模型

描述性知识层主要包含两种类型的层次关系（Is＿a和Part＿of），如图3所示，A 概念和B概念之间、B概念和C概念之间存在Is＿a的关系，利用上面的规则（1）可以推出概念A和概念C之间存在Is＿a的关系。同理，D概念和E概念之间、E概念和F概念之间存在关系Part＿of，利用规则（2）可以得出概念D和概念F之间暗含着关系Part＿of。D概念和E概念之间是Part＿of的关系，则意味着概念D是概念E的一部分，利用规则（4）可以得出E概念属于D概念。

因果性知识层主要包含的是概念之间的因果性关系Cause和Caused＿by。如图4所示，概念G和概念H之间、概念H和概念I之间存在Cause关系，利用规则（5）可以得出概念G和概念I之间存在Cause关系。利用规则（6）和规则（7）可以得出概念H和概念I之间存在关系Caused＿by。

图4 因果性改模知识层推理模型

过程性改模知识层主要包含针对某一改模问题和改模原因所采取的改模方案，如图5所示，概念J和概念K之间、概念K和概念L之间存在Follow关系，利用规则（8）可以推出概念J和L之间存在Follow关系。同理，利用规则（10）可以得出概念K和概念L之间存在Is＿Followed＿by关系，见图5。

图5 过程性改模知识层推理模型

关联性改模知识层主要包含关联性的知识概念之间的关系，如塑件某一位置发生了问题，则对应的模具位置应该是什么呢？对应的相关模具零部件又是哪些呢？与之相关的设计、制造问题又是哪些呢？所以关联性改模知识层包含的关系是Coorperate＿with。如图6所示，概念M和概念N之间、概念N和概念O之间是Coorperate＿with关系，利用规则（11）可以得出，概念 M和概念O之间存在Coorperate＿with关系。反之，利用规则（12）可以推出概念O和概念N之间存在Coorperate＿with关系，见图6。

图6 关联性改模知识层推理模型

通过前面基于本体的单层改模知识的推理描述，可以把各单层改模知识概念间的关系推理总结成为推理算法，同时把其推理过程描述如下，如图7所示：

（1）输入单层改模知识本体，开始单层改模知识规则推理。

（2）检查输入的改模知识本体是否属于描述性知识层，检查概念之间的关系是否是Is＿a或Part＿of或 Has＿part（具有零部件），如果是，则转入步骤（3）进行关系值的判断，否则转入步骤（4）。

（3）如果关系是Is＿a，执行Is＿a关系的推理（规则1）；如果关系是Part＿of，执行Part＿of关系的推理（规则2）；如果关系是 Has＿part，执行Has＿part关系的推理（规则3）。

（4）检查输入的改模知识本体是否属于因果性知识层，检查概念之间的关系是否是Cause或Caused＿by，如果是，转入步骤（5）进行关系名称的判断，否则转入步骤（6）。

（5）如果关系是Cause，执行Cause关系的推理（规则5）；如果关系是Caused＿by，执行Caused＿by关系的推理（规则6和规则7）。

（6）检查输入的改模知识本体是否属于过程性知识层，检查概念之间关系是否是Follow或Is＿Follow＿by，如果是，转入步骤（7）进行关系名称的判断，否则转入步骤（8）。

（7）如果关系是Follow，执行Follow关系的推理（规则8）；如果关系是Is＿Follow＿by，执行Is＿Follow＿by关系的推理（规则9、规则10）。

（8）检查输入的改模知识本体是否属于关联性知识层，检查概念之间的关系是否是Cooperate＿with，如果是，转入步骤（9）进行关系名称的判断，否则，结束算法。

（9）如果关系是 Transitive（传递性），执行Transitive关系的推理；如果关系是Symmetric（对称性），执行Symmetric的推理。

图7 单层改模知识本体的推理算法

2.2 基于本体的层与层之间的改模知识推理设计

2.2.1规则描述

此处的规则主要是各层与层之间的推理规则，包括描述性知识层与因果性知识层之间的推理，如规则13；描述性知识层与过程性知识层之间的推理，如规则14；描述性知识层与关联性知识层之间的推理，如规则15。

上述规则中，X、Y、Z等代表改模知识概念，符号“⊆”代表子集，符号“∃”是一个存在量词。

2.2.2描述性改模知识层和因果性改模知识层之间的规则推理模型

如图8所示，概念X和概念Y之间存在因果关系Cause，概念Y和概念Z之间存在Part＿of的关系，利用规则（13）可以得出概念X和概念Z之间也存在因果关系Cause。

2.2.3描述性改模知识层和过程性知识层之间的规则推理模型

如图9所示，概念U和概念V之间存在过程性关系Follow，概念V和概念W之间存在Part＿of的关系，利用规则（14）可以得出概念U和概念W之间存在着关系Follow。

图8 描述性知识层与因果性知识层之间的推理模型

图9 描述性知识层与过程性知识层之间的推理模型

2.2.4描述性知识层和关联性知识层之间的规则推理模型

如图10所示，概念R和概念S之间存在关联性关系Cooperate＿with，概念S和概念T之间存在Part＿of的关系，利用规则（15）可以得出概念R和概念T之间存在关系Cooperate＿with。

图10 描述性知识层与关联性知识层之间的推理模型

通过前面基于本体的层与层之间的改模知识推理描述，可以把各层之间的改模知识概念间关系推理总结成为知识层与层之间的推理算法，流程如图11所示：

（1）输入跨层改模知识本体，如果改模知识本体包含了描述性知识层和因果性知识层，并且关系名称是Part＿of和Cause，转入步骤（2），否则转入步骤（3）。

（2）执行描述性知识层和因果性知识层的跨层规则推理。

（3）检查输入的改模知识本体是否包含了描述性知识层和过程性知识层，并且关系名称是Part＿of和Follow，如果是，转入步骤（4），否则转入步骤（5）。

（4）执行描述性知识层和过程性知识层的跨层规则推理。

（5）检查输入的改模知识本体是否包含了描述性知识层和关联性知识层，并且关系是Part＿of和Cooperate＿with，，如果是，转入步骤（6），否则，结束算法。

（6）执行描述性知识层和关联性知识层的跨层规则推理。

图11 跨层改模知识本体推理流程图

3 实例分析

3.1 多层改模知识本体的建立

描述性知识层主要描述的是模具领域知识，用各种关系描述出领域知识的层次关系，具体见图12。

3.2 改模知识的推理

下面我们将以一个改模问题“批锋”为例来说明改模知识概念之间关系的推理。“批锋”是在试模过程中一种常见的改模问题，经常会出现在分型面、顶出口附近及零件表面（型腔镶块处）。产生的原因经常是制造误差、设计选材的问题，或者塑料流动性过大，解决的办法一般是通过打磨降低粗糙度、通过烧焊或更换零件缩小间隙等方法解决，具体见表1。

图12 部分多层次改模知识本体模型

表1 改模问题“披锋”的部分产生原因与解决办法

3.2.1单层规则推理

下面以因果性知识层为例进行单层改模知识的推理。在因果性知识层中，概念镶件材料问题和镶件之间存在Cause关系，概念镶件和有批锋之间也存在Cause关系，利用推理规则可以得出镶件材料问题和有批锋之间也存在Cause关系。同理可得，批锋和镶件之间、镶件和镶件材料之间存在Caused＿by的关系，利用推理规则可得批锋和镶件材料之间存在Caused＿by的关系。具体推理见图13。

图13 因果性知识层的改模推理

3.2.2多层规则推理

下面以因果性知识层和描述性知识层之间的推理过程作为例子来说明推理过程，从图14可以看出，概念镶件材料问题和批锋之间有Cause的关系，概念批锋和概念外观问题存在Part＿of的关系，利用前面的推理规则，可以得出概念镶件材料问题和概念外观问题之间存在关系Cause，即镶件材料问题可以引发塑件的外观问题，这和实际情况也是吻合的（如表1所示）。

图14 改模问题与注塑领域知识层之间的推理

4 结语

针对注塑模具改模知识领域的实际需求，借鉴现有的本体构建方法，设计了一个基于本体的多层改模知识表达模型，实现了改模知识的统一形式化表达，构建了基于本体的单层改模知识推理和多层改模知识推理，并通过了一个基于“批锋”问题的改模知识验证了其正确性与可行性。本体构建过程中，注塑模具领域知识本体是整个知识表达、推理和语义检索的基础，如何建立全面而适当的注塑模具领域知识本体是未来研究的一个重点。

［1］郁滨，钟汉如.智能消除注塑制品缺陷的研究［J］.中国机械工程，2001，12（6）：624－628.Yu Bin，Zhong Hanru.Research on Intelligent Method of Defect Correction for Injection Part［J］.China Mechanical Engineering，2001，12（6）：624－628.

［2］金新明，朱学峰.一种用于注塑过程参数设定的智能方法［J］.中国机械工程，2001，12（10）：1162－1164.Jin Xinming，Zhu Xuefeng.An Intelligent Method for Setting of Injection Process Parameters［J］.China Mechanical Engineering，2001，12（10）：1162－1164.

［3］陈晨，毛宁，陈庆新.基于变精度粗糙集的改模知识分层递阶归纳［J］.计算机集成制造系统，2009，15（11）：2259－2265.Chen Chen，Mao Ning，Chen Qingxin.Knowledge Hierarchical Induction for Injection Mould Repairs Based on Variable Precision Rough Sets［J］.Computer Integrated Manufacturing Systems，2009，15（11）：2259－2265.

［4］沈卫华，毛宁，陈庆新，等.基于客户沟通与设计评审的模具设计知识管理系统［J］.模具工业，2006，32（1）：10－13.Shen Weihua，Mao Ning，Chen Qingxin，et al.Management System for the Mould Design Knowledge Based on Communication with Customer and Design Review［J］.Die ＆ Mould Industry，2006，32（1）：10－13.

［5］杜松晏，毛宁，陈庆新.基于OWL语言的注塑模改模知识表示方法［J］.中国制造业信息化，2010，39（9）：11－16.Du Songyan，Mao Ning，Chen Qingxin.The Representation of Knowledge for Injection Mould Modification Based on OWL［J］.Manufacture Information Engineering of China，2010，39（9）：11－16.

［6］熊平原，王毅，毛宁，等.基于压铸模本体的领域概念自动抽取方法研究［J］.机械设计与制造，2011（7）：224－225.Xiong Pingyuan，Wang Yi，Mao Ning，et al.Study on Automatic Domain Concept Extraction Based on Casting Mould Ontology［J］.Machinery Design ＆Manufacture，2011（7）：224－225.

［7］陈磊，潘翔，叶修梓，等.基于本体的产品知识表达和检索技术研究［J］.浙江大学学报（工学版），2008，42（12）：2037－2042.Chen Lei，Pan Xiang，Ye Xiuzi，et al.Ontologybased Product Knowledge Representation and Retrieval［J］.Journal of Zhejiang University（Engineering Science），2008，42（12）：2037－2042.

［8］黄卫东，王有远，谢强，等.基于本体的设计知识检索研究［J］.中国机械工程，2007，18（21）：2566－2569.Huang Weidong，Wang Youyuan，Xie Qiang，et al.Research on Management of Design Knowledge Based on Ontology in the Integrated Product Development［J］.China Mechanical Engineering，2007，18（21）：2566－2569.

［9］余旭，刘继红，何苗.基于领域本体的复杂产品设计知识检索技术［J］.计算机集成制造系统，2011，17（2）：225－231.YuXu，Liu Jihong，He Miao.Design Knowledge Retrieval Technology Based on Domain Ontology for Complex Products［J］.Computer Integrated Manufacturing Systems，2011，17（2）：225－231.

［10］周扬，李青.飞机故障知识的本体建模及语义检索［J］.计算机工程与应用，2011，47（8）：12－15.Zhou Yang，Li Qing.Ontology Modeling and Semantic Retrieval for Aircraft Fault Knowledge［J］.Computer Engineering and Application，2011，47（8）：12－15.

［11］Chen Yuh－Jen.Development of a Method for Ontology－based Empirical Knowledge Representation and Reasoning［J］.Decision Support Systems，2010，50：1－20.

［12］Guo T，Schwartz D G，Burstein F，et al.Codifying Collaborative Knowledge Using Wikipedia as a Basis for Automated Ontology Learning［J］.Knowledge Management Research ＆ Practice，2009（7）：206－217.

［13］Foguem B K，Coudert T，Béler C，et al.Knowledge Formalization in Experience Feedback Processes：An Ontology－based Approach［J］.Computers in Industry，2008，59（7）：694－710.

［14］Bradley J H，Paul R，Seeman E.Analyzing the Structure of Expert Knowledge［J］.Information＆ Management，2006，43（1）：77－91.

［15］Schulz S，Hahn U.Part－whole Representation and Reasoning in Formal Biomedical Ontologies［J］.Artificial Intelligence in Medicine，2005，34（3）：179－200.

［16］Xu W L，Kuhnert L，Foster K，et al.Object－oriented Knowledge Representation and Discovery of Human Ehewing Behaviors［J］.Engineering Applications of Artificial Intelligence，2007，20 （7）：1000－1012.