基于HDBSCAN聚类算法的实例推理与规则提取

针对复杂装配对象具有结构复杂、开发周期长、装配成本高等特点导致的装配工艺编制较慢、效率低的问题，为实现装配工艺重用，在规则提取过程中，利用Apriori关联规则算法提取出满足约束参数的强关联规则，作为知识检索的条件与结论放入规则库中；在实例推理过程中，提出基于DBSCAN聚类算法快速定位与目标装配对象相似的子实例集，即与目标对象最相似的簇，缩小实例检索的范围以提高匹配的效率。结果表明，该方法使检索范围缩小了50倍，实例匹配速度明显加快。

在工艺设计阶段，工程师往往在编写复杂装配体的工艺文件与设备工艺卡时会耗费大量的时间，通常会借鉴以往工艺文件中相似的工艺内容，查询以往成熟的工艺方法，以及检索相应的装配工艺知识。

这样人工的编写方式都会降低工艺工程师的工作效率，使得新产品的设计成本增高。而工艺重用可以通过在设计过程中调用以往的成熟工艺知识，在此基础上进行创新，以提高工程师设计效率。

装配工艺知识主要来自于企业制定的工艺标准、行业内部的规范以及相关专家的设计经验等等。大量的装配实例，都存储在企业的CAPP 系统之中[1]，其中不仅含有规范化的工艺知识，而且还是广大工程师智慧与经验的结晶。但是这些实例并不是有序的规则，也不是结构化的信息，许多有价值的信息也隐匿在其中，设计人员在对这些知识的利用上有着较大的困难。

在对于型号多样的同类产品而言， 装配件的结构大多相似。

对这类产品进行装配工艺知识的重用[2]， 可以避免许多无效的劳动，提高工程师的设计效率，使工程师把更多的精力花在对新装配件的工艺设计之上。实例推理技术可以借助装配对象内部的信息，使用相似度检索方法将与目标装配对象相似的装配对象实例匹配出来， 复用相似对象的工艺知识， 达到辅助工艺人员有效地进行产品工艺设计工作的作用。

2. Apriori 算法基本原理 关联规则挖掘通常是指挖掘两个对象之间的关联信息，采用统计学习的方法来从大量数据之中提取出频繁项集，作为专家经验来二次利用。关联规则的基本概念主要有以下几个： 项集：指的是由多个元素组成的一个集合， 其中元素之间应当是一个独立的个体， k 个元素组成的项集即为k 阶项集，k 项集如式(1) [3]： {}123, , , kkIi i ii=⋅⋅⋅ (1) 对象：包含同一个事务内， 任意一个对象中可能包含一个或多个元素， 对象之间互不相交， A 对象， B 对象的关系如式(2)： , , , AI BI ABABI⊆⊆∩= ∅∪= (2) 事务集：在关联规则中，每个项集都有其从属于的事务，而特定的事务一起组成了事务集，包含n个事务的事务集表示如式(3)： {}123, , , , nnTt t tt=⋅⋅⋅ (3) 支持度：指的是某一项集的事务个数在事务集中所占的比例，如式(4)： ( )()count ITSupport IT⊆= (4)