壓縮包內(nèi)含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985
一個處理夾具的多代理設(shè)計
V. SUBRAMANIAM,* A. SENTHIL KUMAR and K.C. SEOW
機(jī)械的和制造工程學(xué)部門，新加坡國立大學(xué)，新加坡共和國
摘 要：夾具設(shè)計是一個高度復(fù)雜的過程，它需要人類設(shè)計師豐富的經(jīng)驗。除此之外，對于一個給定的加工件，有多種加工途徑。通過開發(fā)CAD/CAM和人工智能，從而可以抑制多種途徑，只有好的設(shè)計(通過測試比較)才會被考慮。
在這篇文章中，一個多代理夾具設(shè)計系統(tǒng)擁有遺傳基因運算法則和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。此系統(tǒng)會捕獲相關(guān)領(lǐng)域的知識然后使用它提出有效地解決辦法。系統(tǒng)被應(yīng)用于一個基本問題，然后將夾具設(shè)計方案與人類設(shè)計師的比較。一般兩種方案都非常接近。
關(guān)鍵詞：夾具設(shè)計，神經(jīng)網(wǎng)絡(luò)，背面增殖，遺傳基因運算法則，多代理
1． 緒論
夾具是用于制造生產(chǎn)中固定工件的，例如加工，裝配，檢查，等等。(David and Reid, 1991; Nee et al., 1995)。對于一個給定的加工件，夾具設(shè)計并不唯一，因為多種設(shè)計途徑都可行。傳統(tǒng)上夾具設(shè)計過多地依賴于設(shè)計師的專業(yè)技術(shù)與經(jīng)驗。由于高度非線性的設(shè)計參數(shù)，對于一個夾具設(shè)計方案也很難進(jìn)行性能評價。因此，對于一個給定的加工件，它也不能立即被加工出來即使有一個理想或者接近理想的加工方案。
這篇文章闡述用人工智能代理取代人類專業(yè)設(shè)計師(Dini, 1997; Nelson and Illington, 1991; Senthil Kumar et al., 1998)例如神經(jīng)網(wǎng)絡(luò)和遺傳運算法則。一個神經(jīng)網(wǎng)絡(luò)和遺傳運算法則的組合(Goonatilake and Khebbal, 1995; Kandel and Langholz, 1992)是形成多代理夾具設(shè)計系統(tǒng)(MAFDS)的基本組成。遺傳運算法則據(jù)報道是一種在多種類似于夾具設(shè)計問題方案中定位最佳或接近最佳的最有效的搜尋裝置。(Arena et al., 1993; Montana, 1995; Goldberg, 1989)。
上文所說得多代理夾具設(shè)計系統(tǒng)包含兩個主要的組成部分，也就是夾具設(shè)計者和夾具求值程序(圖1)。對于特定的夾具設(shè)計問題，工件和加工信息會被很容易的決定下來。夾具設(shè)計者和夾具求值程序在設(shè)計過程中將會使用這個依賴信息。
上文提到的多代理夾具設(shè)計系統(tǒng)，我們可用一個包含一些簡單特征的加工件來解釋，例如孔和階梯(圖2).對于這種加工件，夾具設(shè)計過程所必需的工件和加工信息可以作如下分類：
·工件信息
1． 工件重量
2． 外形尺寸
3． 加工特征
·加工信息
1． 成組尺寸
2． 主軸轉(zhuǎn)速
3． 操作類型
4． 基準(zhǔn)面
5． 主要定位面
6． 次要定位面
圖1 多代理夾具設(shè)計基本框架
另外，這些工件夾具的基本骨架要素可以有如下七部分來描述：
1． 基本定位鍵
2． 側(cè)定位鍵
3． 末端定位鍵
4． 加緊方向
5． 加緊類型
6． 加緊驅(qū)動
7． 夾具體
圖2 用棱鏡分析的工件(定位點)
這七個不同部分組合起來就構(gòu)成了夾具的設(shè)計空間(表1)。夾具設(shè)計者使用遺傳基因運算法則通過這個空間來搜索一個理想或者接近理想的夾具設(shè)計。每一個夾具設(shè)計都被描繪成一個上述所列的七個組成的“染色體”(連接串狀)而把每一個單獨組成部分描繪成“因子”。夾具設(shè)計者選擇染色體進(jìn)行復(fù)制基于他們各自不同的價值。更有效率的夾具設(shè)計將通過遺傳傳遞途徑得到發(fā)展，例如“交叉”和“突變”。這種運轉(zhuǎn)循環(huán)將被重復(fù)很多代直到獲得一個適合的好的夾具。
夾具求值程序使用神經(jīng)網(wǎng)絡(luò)來評估單獨染色體合適的價值。每一個染色體(夾具設(shè)計)可以被求取價值通過工件和加工信息，工件結(jié)構(gòu)和下列性能標(biāo)準(zhǔn)：
·裝卸工件的難易程度
·成本
·生產(chǎn)效率
所求的合適的價值被夾具設(shè)計者用于染色體的選擇和再生。
2． 夾具求值程序
夾具求值程序的基本構(gòu)架如圖3所示。夾具求值程序是有三個輸出的神經(jīng)網(wǎng)絡(luò)，裝載，卸載，成本和生產(chǎn)效率。這些輸出是用來評價夾具設(shè)計的性能測量，就像大多數(shù)神經(jīng)網(wǎng)絡(luò)一樣，夾具求值程序在使用之前必須經(jīng)過測試。
對于夾具求值程序的練習(xí)，包含工件，加工信息，夾具和性能標(biāo)準(zhǔn)(在裝載，卸載，成本和生產(chǎn)效率方面)的練習(xí)例子是必需的。然而，充足的工程實例幾乎很難收集。為了越過這段真實的工業(yè)數(shù)據(jù)，筆者創(chuàng)建了一個性能矩陣來敘述夾具求值程序的輸入和輸出(表1),這個矩陣也能提供必需的練習(xí)例子。
三個輸出所對應(yīng)的每一個輸入(性能測量)可由如下語言變量描述：
典型的由專家進(jìn)行的夾具評估一般包括語言上的可變量，例如上面用到的那
些。為了達(dá)到合理評估的目的，一個適當(dāng)?shù)姆謹(jǐn)?shù)就被用于每一個單獨的語言的可變量上了。一個合理的評價已在圖2表2工件中闡明。最初，對3性能測量的每一個輸入的分?jǐn)?shù)和每一個性能測量的總分被記錄，之后合適的價值將被如下計算出來：
合理度=總分(裝載卸載容易度)+總分(生產(chǎn)效率)-總分(成本)
筆者認(rèn)為這個方法忽視了輸入和輸出的聯(lián)合效果，就像表1預(yù)示的那樣對于性能測量的個別輸入的影響是完全不受約束的。盡管這個性能矩陣是不存在的，但是筆者相信它可被用來作為訓(xùn)練實例的源頭，來校驗接近于夾具設(shè)計的多代理的可行性。在將來，由性能測量產(chǎn)生的練習(xí)實例將會被充足的真實工業(yè)數(shù)據(jù)取代。
訓(xùn)練中，夾具求值程序的測試和驗證，有4000個例子被使用，而且這些例子是從16個輸入口隨機(jī)選取的(也就是，3個工件信息，6個加工信息和7個家具構(gòu)成)。為了確保從所有搜索空間中有合理取樣，這個例子的取樣過程就必須做到，在任意兩個例子中，必須有至少四個不同的輸入。在4000個例子中，2500個用來練習(xí)，1000個用來測試，500個用來確認(rèn)。
夾具求值程序最初被練習(xí)使用標(biāo)準(zhǔn)后增殖運算法則。使用這種方法，夾具求值程序迅速的匯聚于局部極小點。后增殖運算法則是基于梯度下降從而經(jīng)常匯聚于局部極小(Montana, 1995; Dirk et al., 1993; Munro, 1993)。近來有人試圖用遺傳基因運算法則取代后增殖運算法則。(Arena et al., 1993; Montana, 1995; Dirk et al., 1993)這種訓(xùn)練法則有潛在的高性能定位點，但是由于遺傳基因運算法則的隨機(jī)行為，我們只能期待一種近似(持續(xù)正常)的練習(xí)(Alba et al., 1993)。這個也曾經(jīng)在當(dāng)?shù)貎?yōu)化機(jī)構(gòu)雜志中報道過，它充分證明了遺傳基因運算法則的優(yōu)異性能(Ulder et al., 1990)。
表1 性能矩陣
因此，一個基于遺傳基因運算法則的混合處理方法被提出，該法則使用后傳播作為局部優(yōu)化的形式。局部優(yōu)化曾經(jīng)被使用過一段時期，但經(jīng)驗表明，在質(zhì)的增長上是可以忽略的。這個經(jīng)過測試的運算法則的偽代碼如下：
隨機(jī)產(chǎn)生的神經(jīng)網(wǎng)絡(luò)數(shù)目(遺傳基因運算法則中的染色體)
局部數(shù)目優(yōu)化
染色體合適度評估
直到重復(fù)(終止標(biāo)準(zhǔn))
{ 染色體變異
選擇品
交叉口
染色體后代局部優(yōu)化
染色體后代合適度評估
重新植入
新生代局部優(yōu)化
新生代合適度評估 }
表2 合理的計算采樣
這種混合訓(xùn)練方法有利于開發(fā)遺傳基因運算法則和減弱后傳播訓(xùn)練運算法則，反之亦然。這種混合方法執(zhí)行的細(xì)節(jié)在表3中總結(jié)出來。被培養(yǎng)的神經(jīng)網(wǎng)絡(luò)像染色體一樣被編碼，每一個因子就像斜線或者砝碼一樣。譯碼被設(shè)計好了以至于在神經(jīng)網(wǎng)絡(luò)中屬于同一節(jié)點的斜線和砝碼被集合起來。這個譯碼系統(tǒng)向訓(xùn)練方法內(nèi)整合了可利用的該領(lǐng)域內(nèi)的知識。它同樣允許一個更有效的截面在復(fù)制過程中出現(xiàn)。另外，一個相適應(yīng)的交叉口也被創(chuàng)建，用于斜線和砝碼的連續(xù)屬性。
大多數(shù)神經(jīng)網(wǎng)絡(luò)被制作成使用兩種運算法則，即：
·后傳播運算法則
·遺傳基因運算法則與后傳播的局部優(yōu)化
擁有160個染色體的入口無規(guī)則的產(chǎn)生。每一個染色體是一個神經(jīng)網(wǎng)絡(luò)，通過SSE(立方誤差和)來測量。每一個入口都與2500個訓(xùn)練例子相交結(jié)，使用兩個練習(xí)法則大約近似于中央處理器的時間。這些神經(jīng)網(wǎng)絡(luò)的排序全體被用于測試(1000個例子)與認(rèn)證裝置中?；谄骄阅?，我們把最好和最壞的全體看成每一個訓(xùn)練法則。這些最好和最壞全體的染色體，用升序排列起來(也就是染色體1#和160#分別是最好和最壞的)。我們測試裝置(圖4)和確認(rèn)裝置(圖5)的計算結(jié)果都顯示混合的訓(xùn)練方法比標(biāo)準(zhǔn)的逆向傳播訓(xùn)練法則更有效。
圖3 神經(jīng)網(wǎng)絡(luò)反饋基本構(gòu)架
圖4 用于測試裝置的訓(xùn)練運算法則性能
圖5 用于確認(rèn)裝置的訓(xùn)練運算法則性能
表3 GA-BP混合神經(jīng)網(wǎng)絡(luò)訓(xùn)練運算法則的概要
選擇方法 · 標(biāo)準(zhǔn)滾輪選擇
和理值的秩和定標(biāo)被依照集中比率調(diào)整
復(fù)制品 跨接結(jié)構(gòu) · 結(jié)狀跨接結(jié)構(gòu)
連線 屬于每個節(jié)點的砝碼和斜線被聚集到染色體串中的節(jié)點組。這種二元化法的改良版本確保了在不破壞每一個節(jié)點組完整性的情況下完成交叉。
· 對稱跨接結(jié)構(gòu)
這個算符滿足線和砝碼的連續(xù)屬性需要。它允許來自染色體最初層遺傳物質(zhì)的改寫，因此改善了收斂比率。
突變 · 為個別染色體適當(dāng)?shù)慕⑼蛔儽嚷?
這種個別的突變比率分配允許在不牢固的染色體中出現(xiàn)更多的突變。使用這種方法就會通過突變盡可能的減少遺傳物質(zhì)。
合適度評估 · 后傳播法
自身創(chuàng)造的產(chǎn)物由于BP而被局部優(yōu)化。BP在產(chǎn)物上面適合兩種運用：
1． 局部優(yōu)化自身產(chǎn)物。這適當(dāng)?shù)母纳屏怂麄兊暮线m度，因此可以防止好的產(chǎn)物被放棄。
2． 提供產(chǎn)物的合適度值
再插入方法 · 杰出的再插入
在產(chǎn)物評估出合適度之后，它們與父代染色體結(jié)合，從而形成染色體層。這個層的染色體成員被挑出來形成下一代。
這種方法被采用在優(yōu)化過程后期來克服過渡的變動。
局部最低額 · 逆向傳播
這個增加收斂比率
3． 夾具設(shè)計者
夾具設(shè)計者關(guān)心上述提到的MAFDS，也對任何工件的簡潔夾具設(shè)計方案負(fù)責(zé)。夾具設(shè)計者使用遺傳基因運算法則搜尋夾具設(shè)計空間來用于一個合適的夾具。
被用于夾具設(shè)計者的運算法則 (偽代碼) 是依下列各項：(注意，這個偽代碼預(yù)示著夾具求值程序已經(jīng)被測試而且有能力推廣萃取于訓(xùn)練例子中的夾具領(lǐng)域知識)
隨機(jī)發(fā)生的一個夾具設(shè)計方法的總和(在遺傳基因運算法則中的染色體)。
用于夾具求值程序中染色體合適度評估。
重復(fù)直到(中止條件)
{ 精選品
跨接結(jié)構(gòu)
突變
用于夾具求值程序的后代染色體合適度評估
再插入 }
表4 夾具設(shè)計者摘要
選擇方式 · 標(biāo)準(zhǔn)點線機(jī)齒輪選擇
對整個調(diào)查合理度的隊列與縮放比例是固定的
復(fù)制品 跨接結(jié)構(gòu) · 多節(jié)點跨接結(jié)構(gòu)
操作碼
可利用的標(biāo)準(zhǔn)多節(jié)點跨接結(jié)構(gòu)被使用
突變 · 個別染色體的適當(dāng)突變比率
這種個別突變比率的分配允許更多的突變發(fā)生在不牢固的染色體上。使用這種方法，在突變時就會更可能損失少一些遺傳物質(zhì)。
合適度評估 · 夾具求值程序(NN)
NN過去習(xí)慣于滿足不同輸入關(guān)聯(lián)之間的非線性本性。
再插入方法 · 高效率再插入
當(dāng)后代產(chǎn)物通過合適度評估之后，他們與從父代那里過來的染色體結(jié)合形成染色體層。這個染色體層的一部分被選擇來形成下一代。
這種方法被用來在優(yōu)化過程中消除過多的變動。
表5 集中收斂比率
夾具設(shè)計細(xì)節(jié)已經(jīng)在表4種表示出來。MAFDS的一些特征如下：
· 夾具求值程序包含了設(shè)計知識，這就使其能夠更快的評估夾具設(shè)計。
夾具設(shè)計程序被設(shè)計得很容易適合額外的實例，因為MAFDS的測試與
設(shè)計階段是彼此獨立的。
· 系統(tǒng)不僅僅能提供一個最佳方案，而且能提供一組不理想的方案。這
就會幫助設(shè)計者從中選擇交流，如果需要的話。這種工具在傳統(tǒng)的優(yōu)
化技術(shù)中是沒有的，例如線性規(guī)劃設(shè)計。
為了測試MAFDS的效力，我們創(chuàng)造了330個樣本。每一個樣本都向MAFDS
反饋一個輸入，由三個工件信息和六個加工過程信息組成。系統(tǒng)的輸出是七個
夾具信息。為了在這個問題中確保樣品被很好的分布，問題選擇程序被迫于在兩
種樣品問題中選擇，這樣至少有兩條輸入是不相同的。
對于每一個樣本問題，十個不同的初始總值被隨機(jī)發(fā)生之后被最優(yōu)化用于
MAFDS。這些測試問題的結(jié)果在表5種展示出來。結(jié)果表明需要系統(tǒng)來定位全局最小值的每一代是14.3那一代，在50代里面，樣本的99.9%都擁有定位最小值。在3300個樣本中只有四個實驗(0.1%)沒有達(dá)到球形最小值。因此，基于這些結(jié)果，夾具設(shè)計者可以非常有效地為不同的樣本找到最好的夾具方案。
4． 研究與學(xué)習(xí)
為了論證MAFDS的可行性，在圖6中展示了一個“震動手臂”，用來做研究。之后我們在MAFDS和人類設(shè)計師提供的夾具方案中進(jìn)行比較和分析。
在MAFDS上的輸入信息，用來加工#1孔(圖6)，在表6中展示出來。為了公平比較，人類設(shè)計師被限制使用在表1中所示的7個夾具成分來設(shè)計夾具。
使用表6中的信息，利用MAFDS可以獲得夾具外形而夾具設(shè)計師的思路在表7種展示出來。這兩種解決方法都嚴(yán)格的存在于7個夾具成分中。不相一致的僅僅是基本定位的選擇與夾具體的選擇。
表6 機(jī)械振動手臂的工件與加工信息
表7 夾具設(shè)計方案比較
通過仔細(xì)對機(jī)械振動手臂(圖6和表6)進(jìn)行檢查，我們發(fā)現(xiàn)鉆孔操作是必需的，工件的基準(zhǔn)有一個機(jī)械再加工層。為了演練這個操作，一個適當(dāng)?shù)膴A具方案可以使用3點或者平面定位。一個夾具設(shè)計師一般選擇3點定位，因為在基準(zhǔn)上的機(jī)械再加工面是不可以忽略的，而且平面基準(zhǔn)定位類型對這個工件不太適合。如果有充足的定位區(qū)域用來定位，則MAFDS將無法決定使用哪一個。在缺乏這種信息的情況下，系統(tǒng)選擇平面作為定位面是合理的。如果所生產(chǎn)的工件的成組尺寸較小，則組合夾具體類型將會更合適。這個夾具體類型是可再利用的，成本也高。另一方面，如果成組尺寸很大，則焊接的夾具體類型比較合適。這個夾具體是不可再生的，但是他的單位成本是非常低的，從而形成一個合理的夾具。在我們的個別研究中，若成組尺寸處于中等，則任一個夾具體類型都是合理的選擇。
5． 總結(jié)
為了縮減來自于人類專業(yè)設(shè)計師設(shè)計中的依賴性與不明確性，一個MAFDS由基于神經(jīng)網(wǎng)絡(luò)的夾具求值程序和基于遺傳基因運算法則的夾具設(shè)計理念所構(gòu)成。筆者所示的夾具求值程序在GA逆向傳播訓(xùn)練方案中被最好的測試過。
基于已獲得的結(jié)果，這個家具設(shè)計的多代理方法能夠為樣品試驗提供理想或者接近理想的方案。另外，系統(tǒng)是動態(tài)的，能夠不斷學(xué)習(xí)。當(dāng)更多的設(shè)計思路可供練習(xí)，系統(tǒng)對夾具設(shè)計方案性能評估的可靠性和精確度會得到改良。從而，這將會導(dǎo)致設(shè)計更加優(yōu)化。
一個發(fā)展著的MAFDS系統(tǒng)可以從一個專業(yè)的人類設(shè)計師那里清晰和一貫的汲取廣泛的知識。人類設(shè)計師對于同樣的問題有時可以提出很多不同的解決方案，或者對同一問題不同的設(shè)計師提出不同的解決方案。
當(dāng)對事件進(jìn)行深入的學(xué)習(xí)時，MAFDS的缺點是當(dāng)前存儲的信息是非常有限的。例如，它無法在一個工件的基準(zhǔn)面上找到可利用的區(qū)域用于定位。解決這個問題的途徑是要求包含更多工件與加工過程細(xì)節(jié)信息的輸入更加精確。筆者目前正在深入研究這個問題。
參考文獻(xiàn)
Alba, E., Aldana, J. F. and Troya, J. M. (1993) Genetic algorithms as heuristics for optimizing ANN design. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 683-690.
Arena, P., Caponetto, R., Fortuna, L. and Xibilia, M. G. (1993) M.L.P. Optimal topology via genetic algorithms. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 670-674.
David, T. and Reid (1991) Fundamentals of Tool Design, Society of Manufacturing Engineers.
Dini, G. (1997) Literature database on application of arti.cial intelligent methods in manufacturing engineering. CIRP, 46, 681±690.
Dirk, T., Suykens, J., Vandewalle, J. and Moor, B. D. (1993) Genetic weights optimization of a feedforward neural network controller. Artificial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 658-663.
Goldberg, D. E. (1989) Genetic Algorithm in Search, Optimization, and Machine Learning, Addison- Wesley, New York.
Goonatilake, S. and Khebbal, S. (1995) Intelligent hybrid system: issues, classi.cations and future directions. Intelligent Hybrid System, 1-20.
Kandel, A. and Langholz, G. (1992) Hybrid Architecture for Intelligent System, CRC Press.
Montana, D. J. (1995) Neural network weights selection using genetic algorithms. Intelligent Hybrid System, 85-104.
Munro, P. W. (1993) Genetic search for optimal representation in neural networks. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 628-634.
Nee, A.Y.C., Whybrew, K. and Senthil Kumar, A. (1995) Advanced Fixture Design for FMS, Springer-Verlag, UK.
Nelson, M. M. and Illingworth, W. T. (1991) A Practical Guide to Intelligent System, Addison-Wesley, New York.
Senthil Kumar A., Subramaniam, V. and Seow, K. C. (1998) Conceptual design using GA. Accepted for publication in International Journal of Advanced Manufacturing Technology.
Ulder, N. L. J., Aarts, E. H. L., Bandelt, H. J., Laarhovan, P. J. M. V. and Pesch, E. (1990) Genetic local search algorithms for the travelling salesman problem.
Parallel Problem Solving from Nature, Proceedings from the .rst Workshop, PPSN I, Dortmund, FRG, 109-116.