基于关系图谱的汽车检具案例检索*

方喜峰，王书春，孙浩然，周 曦

(1.江苏科技大学机械工程学院，江苏 镇江 212003; 2.江苏省先进制造技术重点实验室，江苏 淮安 223003)

0 引言

在汽车检具行业中，检具保证了车身结构的安全合格，在汽车生产过程中尤为重要。目前汽车检具设计是通过设计师经验设计，导致设计知识不能继承，大量重复劳动，设计时间长、设计效率低等问题。为了解决此类问题，建立检具设计知识库，实现快速设计，使工作高效化，提高产业市场竞争能力，由此可知检具案例检索在汽车检具智能设计过程中起到至关重要的作用。Ramesh M等[1]利用模型特征种类、矢量、特征参数等信息，对模型进行分解来辨别三维模型零件的特征；Ma Q等[2]提出了一种基于设计意图的CAD外形搜索框架,语义树通过节点匹配找到相似的3D模型；Wu C等[3]通过基于几何视图表示的三维零件检索方式与RIMLS技术和自动旋转视图签名相结合来解算零件的几何属性；Qiao H等[4]基于组装语义信息的3D模型检索方式，解决现有3D模型检索方式中的语义不匹配，效率低和精确性差的问题；徐士彪等[5]从三维零件模型外形特征相似性匹配方法、基于外形的CAD模型检索系统、零件模型外形参数提取等多方面，对基于外形特征的零件搜索技术做出了阐述；孙伟等[7]利用零件模型外形面的尺寸信息和拓扑关系表示模型，提出了一种基于拓扑关系逼近的三维模型检索技术，求解检索模型与检索条件中不同种类外形面之间的相似性使用了统一参数方式；李双跃等[8]创建了一种基于模型几何信息和工艺参数集合的模型检索技术来提升夹具案例检索速率。目前检索方法检索到的结果较多，找到满意检索结果耗时较长，检索结果正确率低等问题。考虑到案例检索结果对设计的重要性，通过对检索结果进行分析评价，分配权重值再检索，提高检索的正确率。在检索方法中提出一种基于朴素贝叶斯算法的检具检索方法[9-12]，通过建立一种具有完整检测要求的PMI标注模型[13]，实现对待检测模型检测特征的有效表达，大大缩短分类检索时间。通过调用已有模板资源[14-15]，可以显著提高产品的设计速率。

1 案例检索相关概念

1.1 模型特征信息定义

为有效地进行检具模型检索，引入了检测工艺信息模型的信息定义特征表达[16]，通过检测工艺信息来进行相关检具检索。

(1)模型工艺特征关系图。模型主要是由各特征组合而成，每个特征可以用工艺信息来描述。图1为模型工艺特征关系。

M：零件模型 F：特征模型 T：工艺特征模型图1 模型工艺特征关系图

(2)检测工艺信息模型。该模型是将零部件的基本设计信息以及检测信息在三维的模型上进行三维信息表达，通过NX软件中PMI功能进行尺寸标注和工艺信息标注[17]。其中基本设计信息应包含：

1)概念信息：主要指零件的总体信息，如类型、材料、重量、名称、用途等。

2)基本信息：包括尺寸信息和特征信息，尺寸信息主要指模型的整体尺寸和关键面的尺寸，如大平面的长宽高等。

3)检测信息：模型检测信息主要由零件的检测要求、 原材料等辅助非几何信息表达；检测零件的公差信息、精度要求等工艺约束类非几何信息由标注文本类信息表达。

(3)数据模型。数据模型是检测工艺信息组建的可完整描述模型特征的数据知识。以检测特征模型为核心，定义一个数据模型，该模型为检索的最终模型，存放于案例资源库中。图2所示为检测工艺信息模型的特征与知识库存储数据之间为一对一的关系。

图2 检测工艺信息模型结构

(4)工艺装备模型。工艺装备模型是由检测方法、检具体等要素构成的一种检测工艺装备模型。以检具模型为核心，定义为一个汽车三维模型对应的检具模型，该检测模型为设计优化后的最终模型，并和检测数据知识存放在案例资源库中。图3所示为检测工艺信息模型的特征与工艺装备模型之间为一对一的关系。

图3 检具模型结构

1.2 汽车检具实例库

检具实例库包括汽车检具元件数据库和汽车检具实例数据库，汽车检具元件数据库的建立根据检具元件的几何信息、材料信息、工艺信息等进行保存；汽车检具实例数据库的建立根据汽车待检测信息模型与检具体模型之间对应关系，汽车检具元部件之间的装配关系以及组件的功能关系，为汽车检具实例的检索和实例的修正提供数据支撑。检具实例库如图4所示。

图4 检具实例库

1.3 检索结果分析关系图谱

传统检具检索过程主要有两个重要内容：①检索信息②检索结果。检索算法根据检索信息进入数据库得到相应的结果，这是一条单线流程，由于汽车模型检测信息众多，检测的结果只能满足局部检测要求，很难充分利用检测信息，这导致检测结果存在较大的误差。检索结果分析关系图谱，是在算法检索结果的基础上分析检索信息与检索结果的关系，把信息和检具零件模型一一对应，关系图谱表如表1所示。

表1 关系图谱表

在算法进行学习分类时，将结果和检索信息进行关联分析，将信息内容和结构进行拆分学习。算法在分类过程中会将信息聚类与分类，将分类结果和检具体各零件建立关系图，在进行下一次检索过程将关系图谱引入到检索结果分析中来调整检索结果，提高检索的准确率。关系图谱模型如图5所示。

图5 关系图谱模型

1.4 贝叶斯分类器

在检具案例数据库中检具分类占有非常重要的地位，数据分类在智能化过程中被大量应用。朴素贝叶斯分类根据模型类别的属性来将模型分成不同的类别并进行聚类。朴素贝叶斯分类过程概括为两步，①分类器分类，划分训练集与测试机进行训练。②使用新的模型进行测试分类，得到模型分类结果并验证。朴素贝叶斯算法是一种对于概率的计算，排除线性数学的局限性，适用范围更广。朴素贝叶斯算法是通过计算模型属于某一类的概率，确定模型属于概率最大的类别。朴素贝叶斯算法是通过模型各个属性来判断类别，属性越多，准确率越高，扩展性强，而非单一属性决定结果。朴素贝叶斯算法的样本数据源要求低，属性值没有强制要求，可线性也可非线性。

朴素贝叶斯算法实质是一种基于条件概率的计算方法，当A事件发生情况下B事件所发生的概率，记作p(B|A)计算公式如下：

(1)

在H样本空间中，B1,B2,…,Bn是H的完整描述，A为事件，且p(Bi)>0(i=1,2,…,n)则事件A全概率公式为：

(2)

事件B1,B2,…Bn构成样本空间，A为事件，同时p(A)>0,p(Bi)>0(i=1,2,…,n)，则由式(1)、式(2)可得到如下贝叶斯公式。

(3)

2 传统贝叶斯汽车检具检索方法

2.1 贝叶斯分类器实现

在已有的汽车检具训练实例集，添加对新的实例划分。假设有新的待检测模型实例W，其属性值可以表示为： (x1,x2,…,xn)， 通过对属性值的计算推荐此实例概率最高的类标记s(x) ， 其中s属于有限集合S，预测计算公式为：

s(x)=argmaxp(x1,x2,…,xn|s)p(s)

s∈S

(4)

汽车检具分类的算法过程实现：

(1)每个检具模型训练样本可表示为：(xi,yj)， 设共有N个这样的样本,xi是n维空间(X1,X2,…,XN)中的一个输入样本， 即每个样本都有n个特征属性；yj为第i个样本的类标签，yj∈{s1,s2,…,sm}，其中m为类别数。

(2)选取新的未知类别样本Q，将该样本各属性值输入，朴素贝叶斯分类器将划分Q属于哪一类别： 在条件Q下，具有最高后验概率的类，计算如式(5)所示：

(5)

(3)计算p(Q|si)。由于当属性值很多时计算完整的p(Q|si)将会很复杂且计算时间较长，描述模型各面特征时，特征之间关联性差，利用朴素贝叶斯算法，在给定类标记时属性值之间是相互条件独立，即：

p(Q|si)=p(x1|s1)p(x2|s2)p(xl|si)。

(4)对于{s1,s2,…,sm}，计算每个类si{i∈(1,2,…,m)}中p(Q|si)p(si)的值。 当且仅当式(6)成立时，待划分样本才被划分到C类中。

p(si|Q)>p(sj|Q),1≤i,j≤m,j≠i

(6)

2.2 汽车检具检索流程

检索过程中读取产品模型检测工艺信息，数据化导入算法，再进行数据单元概率计算，将概率统计，得到概率最大的模型，进而得到与检测模型相似的检具模型，实现检索过程，具体流程如图6所示。

图6 传统检索流程

3 检具检索方法

传统检索方法依据算法分类，近似值计算来实现检具模型的检索，检索结果往往不满足设计要求。以汽车前保为例，前保包含了引擎盖、车大灯、翼子板、车轮板等检索对象，其信息内容多，检测要求较高，在贝叶斯算法中会出现信息特征值在数据库中没有问题，造成分类时计算概率等于零，造成检索结果出错，同时检索到的检具模型只能满足部分检测对象，检索效果满足性差，因此需要提高检索结果的正确率。利用结果分析关系图谱来约束未利用的检索信息，提高检索面积，提高检索准确率，检索流程如图7所示。

图7 基于关系图谱的检索流程

实现步骤如下：

步骤1：利用传统贝叶斯算法进行相似性检索，得到一类检具设计案例。具体过程如下：

①读取模型：该过程针对已经定义了三维标注信息的模型。通过模型读取的方式，遍历PMI模型上定义的CAD特征信息和检测特征等信息，所获取的信息类型与上述信息定义的信息完全相同。实行分类读取，获取不同层次类别上的属性信息，有利于有序高效调用所需的信息。信息模型如表2所示。

表2 信息模型

②计算先验概率p(C)和条件概p(w|g)的值。计算方法如式(7)所示。其中N是数据知识库中所有模型的总个数，Ng是训练集中类别为g的模型个数。

(7)

在类别g下各属性值出现的条件概率p(w|g)的估计方法如式(8)所示：

(8)

由式(8)中p(文本i|C)可知，新的模型特征值参数存在出现训练集中没有出现过的特征值参数，这会导致最后出现类别的概率都为零，大大影响判断能力。为了去除该现象，采用Laplacian correction,具体来说，令N表示训练集D中可能的类别数，Ni表示第i个属性可能的取值数，则有式(9)、式(10)进行平滑修正。

(9)

(10)

通过计算得到一个相似度高的设计案例。

步骤2：利用结果分析得到的关联性来对比设计结果，对检测结果进行修正，得到新的设计案例。

① 对检索到的汽车前保整体模型进行划分，每个模块记为M(j)，结果分析可以得到划分后的局部检测案例模型，记为M(i)。

② 将检索到的一类检具案例模块M(j)和局部案例模型模块M(i)进行对比，若M(i)=M(j)(i=1,2,3,...,n;j=1,2,3,...,n)表示检索结果正确，若M(i)≠M(j)(i,j=1,2,3,...,n)，表示检索结果不正确，需要重新检索。

步骤3：检查检索案例结果。

重复②、③步骤，记录权重分配次数为p，由检具设计人员检查检索结果，并对细小结构进行调整使其适应新的待检测模型，输出检具设计案例。

4 实例验证

在汽车检具实例库中, 对检具设计实例的检索是面向零件结构和检测工艺特征的, 即着重于零件的结构特征和检测特征内容。下面以汽车前保一个例子进行说明。

如图8所示为汽车前保模拟块的检测特征信息，模型尺寸为966.2 mm、104.2 mm，检测位置为上表面，形位特征为平面度，公差值为0.02 mm。检索满足模型的结构和检测要求的检具设计方案。

图8 汽车前保模拟块

4.1 检索信息数据模型

将待检测模型PMI标注信息进行向量数据转换[18]，用于检索系统检索信息输入，通过对输入信息的计算得到近似的检具工艺装备模型。检索信息数据模型如表3所示。

表3 检索信息数据模型

4.2 测试结果

对传统贝叶斯方式检索和基于结果分析的关系图谱检索方式进行检索结果对比实验，对测试模型数据进行检索测试。对同一个模型进行6次检索，相似度对比结果如图9所示，检索正确率如图10所示。最终检测检具模型结果如图11、图12所示。

图9 相似度对比结果

图10 正确率对比结果

图11 检索结果概率分布

图12 检测结果检具模型

5 结论

本文提出基于结果分析的关系图谱检索方法，在一定程度上提高检索准确率，更直观表示数据结构和检具模型结构，显著提高了检具设计效率。

(1) 此方法能够形成待检测特征的完整的数据表达，通过数据表达对待检测点有针对性地进行一一检索，提高了通用性。

(2) 此方法通过结果关系图谱，显著提高了检索结果的准确率，大大提高了检索效率。

(3) 此方法通过建立检具模板，由待检测模型参数驱动模板参数变更实现检具快速设计，提高检具设计效率。