注塑模模架设计KBE系统及其智能关键技术给出了推理的流程图，通过面向子目标的方法提高了KBE系统的知识表示和推理能力;将事例推理的方法结合在KBE系统中，提高了系统对以往成功事例的能力;利用神经网络的自学习能力，解决了模架中镶块和前后模设计的计算问题。通过实际的应用，该系统能够有效地提高模具企业的模具设计和分析能力。
1994-2(知识统统数据挖掘及其在工领域的应e用lish提升到计e算。机辅助助设r计层次：实现这一飞跃，以通工程设计是一个经验性较强的行业，设计人员在长期的工作中积累的经验与知识对工程设计过程起着十分重要的影响-因此，尽管CAD技术应用越来越广泛，但目前CAD技术大部分还停留在计算机辅助绘图层次，这无疑难以胜任对产品开发的高质量、短周期低成本要求-因此需要将传统的CAD过集成人工智能和工程领域知识，构成工程设计KBE(Knowledge Based Engineering)系统来达到。
本文认为KBE是一种存储并处理与产品模型有关的知识，并基于产品模型的计算机软件系统，这些知识包含了产品的设计、分析与制造方法等。因此KBE系统包括知识系统、知识获取、产品建模和分析技术等部分。知识系统主要用于工程设计知识的表示和处理，体现了系统的智能化水平，知识系统的知识表示将集成多种方法，以期利用各种方法的优点，更有效地表达专家的知识;知识获取技术主要用于工程设计知识的获取，包括自动获取和人工获取，可以修正和提炼各领域专家的知识，改善工程设计能力和工程分析能力;产品建模和分析技术包括计算机辅助图形技术(CAGD)和计算机辅助工程技术(CAE)，它们是工程设计KBE系统的基础，知识系统和知识获取技术都将建立在其基础上。因此，结合当前模具企业的需求和当前KBE技术的进展，本文进行了模架设计KBE系统及其关键技术的研究。
模架设计：KBE系统框架通过对当前模架设计过程的分析，设计了模架设计的数据流图。从此可以看出，工程师从拿到注塑产品开始，就按部就班设计模具的各个机构，并且各机构设计的基本知识完全不同，不可能用统一的知识表示(事例信息、材料信息、工艺信息等)。因此在各个机构的设计中，应建立基于应用领域的不同设计子系统，然后综合成为模架设计KBE系统。
模架设计KBE系统的系统框架如所示，采用Pro-Engineer软件进行次开发。在系统中结合领域知识进行工程设计，完成模架的结构设计，包括镶块设计、前后模设计、模架零件干涉检查适用模架的型号和选用的标准件。其中领域知识采用：框架掘则结构知识进行表示(用于浇口设计等)神经网络进行表示(镶块设计和前后模尺寸设计)CASE进行表示(模架设计事例以及模架型号等)等方法。在知识获取方面，采用人工交互和分类模式，共同提取浇口设计、镶块设计和前后模设计等知识。
KBE系统的知识表示和推理工程设计中的知识是关于工程设计过程中各种关系和过程的知识，为了有效地支持工程设计活动，必须用适当的手段来表达各种关系和过程，这就是知识表示。同时知识表示方法是研究用机器语言表示知识的可行性和有效性的方法，可看成是一组描述事物的约定，可以把人类知识表示成机器能处理的数据结构。
S方法是产生式规则、但是框架结构具有组织成块知识的良好特性，因此将两者进行有机的结合，建立基于框架掘则的系统，可以提供工程设计系统良好的开发、调试和管理帮助。在应用上，模架设计KBE系统本身是建立于应用子领域的设计子系统之上，然后再综合成为一个统一的系统，其中各个子领域的知识基本上互不干涉，而且结构上完全不同，这些特点为建立基于框架掘则的智能系统提供了有益的应用基础。
C：=浮点数框架-见的Backus范式本文采用基于框架规则的数据结构表示领域知识：具体的框架表示工程设计领域的子目标，并集成解决该子目标的知识(规则等)，各个框架通过解决目标的因果关系和上下级关系，共同构成领域的框架树。
上述的框架规则范式构成了注塑模模架设计KBE系统的知识表示语言，注塑模架设计KBE系统的所有工程知识都用此语言表示。但是KBE系统中有些子领域并不合适用规则推理的方式进行计算，如镶块设计、前后模尺寸设计和模架设计事例的选择，因此在“变量计算方式”中增加了“函数计算方式”，由此拓宽了KBE系统的使用范围，使得众多的计算和推理方法，如神经网络、基于事例的推理等，可以无缝地融合于注塑模模架设计KBE系统中。
为KBE系统基于框架规则的推理算法。
从流程图中可以看出，该算法的主要特点是充分利用规则系统的前向和反向推理，使系统的推理集中在某一个子目标中，以尽量缩小推理范围。虚线部分表示在某些推理计算过程中需要对更深层次的子目标进行推理计算，因此需递归调用子目标的推理过程。这样构成了基于框架树的完整的推理算法。
模架设计中基于事例的推理技术作为一种有效的推理技术，在各个行业得到了渗透和应用。CBR的核心思想是人类经验的再应用，因此非常适用于一些弱理论领域。模具加工过程是一个复杂的、理论性还不太清楚的过程，影响因素很多，很难用精确的理论模型进行描述，因此属于弱理设计时，往往是回忆以往旧的、相类似的产品或特征的设计结果，借鉴其设计方法或思想，经过适当地修改就可以适应新的情况，解决新的问题，这就从客观上为CBR技术在模具行业的应用提供了基础。所以CBR技术在模具行业的研究应用和发展具有可行性，并且是一个极富有希望和发展前途的研究和应框架规则系统推理流程图当前在注塑模CBR的研究主要偏重于理论方面，面向工厂实际的较少。在工厂实际中，模具设计工程师最需要的是类似模具的设计方案。因此本文建立了基于注塑件产品的模具设计CBR系统，并集成于注塑模模架设计KBE系统。该事例推理系统主要用于向模具设计工程师提供设计参数和设计方案基于数据流图的分析和注塑模模架设计KBE系统的需求，将已有的事例按其注塑件类型和尺寸分成不同的类别，故事例库采用层次组织方法，而每个事例采用统一数据结构表示的组织方法。
用当前事例推理的检索策略主要有最相邻近策4-2015ChinaAcademicournalElectronic略、归纳推理策略和知识引导策略，针对本系统，拟采用加权量邻近法，即用注塑模事例中若干重要的关键字(注塑件类型，注塑件长、宽高)形成索引。因此事例匹配为非完全匹配，每次选取以事例相似度来衡量当前需求和已有事例的匹配程度。其事例的相似度S计算如下：其中：Mi为各个关键字的匹配值;Wi为各个关键字的权值，其中注塑件类型的权值取为3.注塑件的长、宽和高各取为1，这样可避免由于产品类型不同但尺寸类似事例，该相似度算法匹配上不同类型的产品作为事例。
模架设计中的神经网络技术在模架设计过程中，工程师应针对注塑件的不同尺寸和形状，确定采用镶块和前后模板的尺寸，目前大多数的方法是应用理论研究或经验公式的成果直接进行数值计算，但是实践上这些计算成果存在很大差距，经过与实际成功设计的模具数据对比，计算模架尺寸的重要参数(模架壁厚和后模底部厚度)均比实际的大50%以上，有的达到200%.由于理论公式的推导均存在不同程度的简化，因此误差较大。为解决这方面的问题，采用与理论推导不同的方法，直接从实际的成功事例中进行学习，构造神经网络进行计算。
多层前馈神经网络(MLN)利用反向传播(BP)算法能逼近任意能量有限的非线性函数关系，以及其在程序中的易实现性，自问世以来，就在信号处理、模式识别以及工程分类中得到了广泛的应用和重视。实际上，BP算法是最优化理论中最速下降法在MLN中的具体应用。本系统中采用的BP算法如下：设给定n个样本(Xi，Yi)，Ei为第i个样本的目标函数，反向误差传播算法的权值修正为w(k+ 1)=w(k)其中：Z为学习率，用来控制学习的步长;T为学习时避免迭代进入一个“V”形深谷而设置的惯量项;w(k)为多层前馈网的权值矩阵;E为多层前馈网目标和输出之间的均方差函数。
KBE系统的多层前馈网运用实际成功的事例进行学习，采用注塑件尺寸和一模件数为已知状态，模架镶块尺寸、模架壁厚和前后模底部厚度为输出。检验误差约为30%，比理论经验公式的效果好;并且随着应用的深入和事例的增加，神经网络的学习能力将使系统的误差逐渐减少，更加趋近于实际采用的尺寸数值。
结语通过对当前模具企业模具设计和制造流程的分析，结合工程设计领域KBE技术的发展，提出了进行注塑模模架设计KBE系统研究的思路。给出了注塑模模架设计KBE系统的基本框架，并对其关键技术(知识表示和推理，基于事例的推理，神经网络技术)进行了分析。通过注塑模模架设计KBE系统的实际应用，证明该系统能够有效地提高模具工程师的模具设计和分析能力。
力创，专注制造立式注塑机，双色注塑机，小型注塑机，全自动注塑机，立式成型机
