目录
1目的意义和国内外研究概况 1
1.1目的意义 1
1.2研究现状 1
2拟采用的研究思路 2
2.1建立零件族的构造方法 2
2.1.1零件的工艺相似系数及改进 2
2.1.2零件族构造算法 3
2.2基于BP 网络的新零件匹配 4
2.3开发零件分类成组程序 5
2.4可行性分析 5
3设计预期结果 6
4设计进度安排 6
参考文献 7

1目的意义和国内外研究概况
1.1目的意义
在生产过程中凡直接改变生产对象的尺寸、形状、性能（包括物理性能、化学性能、机械性能等）以及相对位置关系的过程，统称为工艺过程。
    本课题是要研究一种方法，将一批已经确定工艺过程的零件根据工艺相似性分类成族，以及对新的零件进行识别，再分类到与其相似性最高的零件族，以实现好的经济效益。
1.2研究现状
2拟采用的研究思路
根据现在的研究现状，首先建立一种对零件族构造的方法，该方法是对传统生产流程分析法零件相似系数进行改进的基础上，利用聚类分析方法进行零件族构造，然后，建立零件的识别和算法，可借助Matlab 中BP 网络工具箱实现新零件匹配。BP 网络具有记忆功能,适合新零件的匹配[7] 。
2.1建立零件族的构造方法
2.1.1零件的工艺相似系数及改进
1）建立工件与机床的关联矩阵：
设现有零件的集合为：
P = ﹛p1，p2，···，pn﹜
每个零件有其对应的工艺属性。零件工艺属性是指用于描述与零件工艺有关的属
   总体流程图如图1：
图1 总体流程图
性对象符号的集合。由于工艺过程相似的一组零件可以采用同一组机床进行加工，因此，零件的工艺属性可以表示为加工该零件的机床集合，一般用零件-机床关联矩阵来表示零件的工艺属性。设现有零件集合X所涉及的机床集合为:M=﹛m1，m2，···，mt﹜，零件-机床关联矩阵定义为：（利用vb或vc建立矩阵）
                         1  当零件pi在机床mj上加工时
                         0  当零件pi不在在机床mj上加工时
传统上定义的相似系数统计量为[1]：

    式中，Sij表示零件xi与零件xj的相似性系数；Cij表示零件xi与零件xj共同使用的机床数目；Ci为零件xi使用的机床数目；Cj为零件xj使用的机床数目。事实上，上式定义的零件形似系数有一定的局限性。
但（1）式存在一定的缺陷性。需对其进行修改，修改后的相似系数为

由于零件的工艺属性采用了零件-机床关联矩阵，因此，可以构造基于零件-机床关联矩阵的零件工艺相似系为
2.1.2零件族构造算法
    本文根据一种应用K-means聚类算法进行零件族构造的方法.首先对算法中的术语加以说明:“类”指要构造的零件族;“初始中心点”指算法运行前在零件中为每个类选择的一个种子零件;“类均值”指每个类中零件各属性的算术平均值;算法过程基于欧几里德距离，算法描述如下[1]:
（1）连接零件工艺信息数据库，输入欲聚类的零件集合X = ﹛x1，x2，···，xn﹜，并获取零件机床关联矩阵 rij；
（2）输入欲分类的零件族数目k；
（3）为每个零件族选择种子零件：Y=﹛y1，y2，···，yn﹜。由于该算法在划分类的循环过程中每次都重新选择种子，不影响最终的聚类结果，所以初始种子零件可以随机选择。例如取 Y=﹛x1，x2，···，xk﹜；
（4）分别计算各零件xi （i=1,2,···，n）与个零件族yj（j=1,2,···，k）的类相似系数S’ij（i=1,2,···，n；j=1,2,···，k）；
在聚类过程中，假定零件族yi 由零件xj1，xj2，···，xjp 聚类而成，那么，零件xi与零件族yj的类相似系数定义为零件xi与零件族yj内各零件的xj1，xj2，···，xjp的相似系数的平均值，即：
    （5）将零件xi分配到相似系数S′ij的零件族yj中去，从而获得零件组yj的新组合；
（6）重复执行步骤（4）~（5），直至各零件与各零件族y1，y2，···，yk 的类相似系数S’ij不再发生变化。
通过上述过程，即可以根据企业现有的工艺信息将零件进行分类成组。流程图如图2。
图2 聚类算法流程图
2.2基于BP 网络的新零件匹配
BP 网络是一种多层前馈型神经络, 其神经元的传递函数是S 型函数, 输出量为0 到1 之间的连续量, 它可以实现从输入到输出的任意非线性映射.由于权值的调整采用反向传播(Back Propagation)学习算法, 因此也常称其为BP 网络。
运用Matlab 中BP 网络工具箱帮助实现新零件匹配。
   （1）准备工作
     1）由已知量零件-机床关系矩阵转置后直接得到BP网络训练时的输入矩阵；
     2）将聚类后的零件族结果信息转换成零件族-零件关系矩阵；
     3）将该关系矩阵定位网络训练时的目标矩阵，再转化成matlab语言。
     4）根据新零件的加工工艺和BP网络训练时的输入矩阵格式，则仿真新零件时，将其信息写成对应的输入矩阵。
   （2）网络设计
     1）应用new ff()函数建立BP 网络结构, 输入和输出的神经元可以由输入和输出单元的维数决定,隐层神经元数为n .n 可以通过下式求得

其中m 为输入层神经元数。
应用t rain()函数对网络训练之前, 需要预先设置训练参数.应设置训练时间设置 , 训练精度设，其余参数使用缺省值。
    2）对于训练好的网络进行仿真:

由于神经网络输出的是对已知的目标矩阵的仿真矩阵, 为了测试已训练好的网络的仿真效果, 特将仿真矩阵与目标矩阵进行比较，若误差值比较小，则说明参数选得合适，若误差值比较大，则需重新选择参数。
流程图如图3。
图3 新零件匹配流程图
2.3开发零件分类成组程序
    根据上述过程，设计写出各部分的具体算法，再根据这些算法应用Matlab和vb分别编写实现各部分功能的程序。
2.4可行性分析
3设计预期结果
   （1）一批零件分类成组即建立零件分类成组的方法。
   （2）对新零件进行识别归类的算法。
   （3）开发零件分类成组程序。
   （4）实例分析。
   （5）撰写说明书一份。
4设计进度安排
1.查阅相关文献，对课题进行总体分析，再对各部分进行总体设计，完成开题报告（1~2周)
2.建立零件族的构造算法:
（1）零件的工艺相似系数及改进（3~4周）
（2）利用Kmeans算法零件进行聚类（4~6周）
3.建立零件的识别和算法:
（1）基于BP 网络的新零件匹配（7~10周）
（2）新的零件族更新的过程（11周）
4.开发零件分类成组程序（12~13周）
5.实例分析（14周）
6.撰写论文，准备答辩（15~16周）

参考文献
[1]郑华林，邱亚玲，何畏，邓茂云．面向工艺规划的零件分类和识别方法研究，工艺与检测，2009（3):119~121
[2]许惠香,蔡建国.成组技术.北京:机械工业出版社,1993
[3]张越华.零件分类成组的相似程度比较分析.成都大学学报，2003,22（2）:45~46
[4]尺彦孝，王守城，王益强，赵海霞.基于模式识别的计算机辅助零件分类系统设计.青岛化工学院学报，2003,23（3）:245~247
[5]张金萍，刘杰，张利国，李允公.零件自动分类的BP神经网络实现.机床与液压，2008,36(8):9~10
[6]鲁开讲，张宁，杨峰.基于零件分类编码的模糊聚类分析.轻工机械，2003,（3）:7~9
[7]常建娥，刘飞.基于工艺流程的零件成组方法及其实现.武汉大学学报，2008,41（4）:93~95