为减少液压系统设计计算量及提高系统设计可靠性,结合数字孪生与知识图谱技术,构建了基于数字孪生体的液压系统知识模型。搭建基于数字孪生的液压系统知识架构,从物理空间到虚拟空间,形成包含几何、规则、结构及行为4层模型的数字孪生体模型。以此为基础,构建由知识获取、知识表示及知识推理组成的知识模型。运用知识模型推理出新知识并保存至液压系统知识库中,实现知识重用与知识可视化,提高液压系统设计效率。最后,以4JZ-1.0A型履带式辣椒收获机液压系统为例,运用知识模型进行推理,所得液压系统元件型号与理论设计一致,验证了该知识模型的有效性。

在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归(Quantum genetic algorithm-Support vector regression,QGA-SVR)的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。

为提高可制造设计中相关知识的获取效率并确保知识的有效性,在分析知识主动推送过程和免疫反应过程相似性的基础上,在NX平台下建立了基于人工免疫原理的知识推送模型。根据设计知识的特征形式化的描述各个子模块的特征、目的和实现方法,并重新定义了相关的抗体、抗原识别等概念。最后提出了特征知识匹配算法KMAIA,并以链轮为实例验证该方法的有效性。

为解决机械产品智能制造过程中知识的主动推送问题,实现智能化制造中知识资源的优化配置,提出了一种基于改进粒子群算法的知识推送模型。首先以机械产品为对象,构建知识推送模型框架,阐述各个子模块的具体特征信息和功能;其次,对推送过程中的概念知识进行重新定义,并加入到新的知识网络模型中;最后提出了改进粒子群算法,对知识推送匹配过程实施优化。并以底座类零件产品为例进行验证,结果表明该方法有效的提高了检索能力,具有较好的推送效果。

为解决机械概念设计相关知识推送方式的被动性、及时性差、针对性弱等问题，提出一种基于改进人工免疫算法的知识推送方法。首先引入设计意图概念和特征知识概念并进行形式化的表达，以设计意图为标准推送至基于免疫原理的特征知识推送模型系统，并对该推送模型系统中各个子模块的用途、功能特征及设计原理进行详细阐述，针对其中最为重要的知识匹配问题采用改进人工免疫算法实现优化。实验结果表明，该模型减少了任务的完成时间且有较快的收敛速度。