[发明专利]基于可拓聚类的零件分类方法

摘要

一种基于可拓聚类的零件分类方法，包括以下步骤：1)提取零件结构特征节点域；2)确定零件特征变量数值v及区间V；3)建立各个零件结构的距公式；4)确定零件R_i，R_j结构关联度T(i，j)；5)对对称矩阵M进行数值分析；6)确立聚类分析的平均关联度数值：7)对新形成的n－1阶的对称矩阵利用步骤5)中的算法过程，得到n－2阶的对称矩阵，循环上述过程，当最小关联度大于K值时，则终止聚类过程，得到唯一的聚类结果：产品的类别，以及各个类别的零件。本发明提供一种关联度分析清晰、分类效率高、精度高的基于可拓聚类的零件分类方法。

主权项

1、一种基于可拓聚类的零件分类方法，其特征在于：所述零件分类方法包括以下步骤：1)提取零件结构特征节点域：设待分类产品集合An＝{A1，A2，…，An}，其中第i个产品Ai＝{R1m，…，Rrm} (1)该模型表示产品Ai由r个零件Ri组成，其中零件最大结构特征数为m，可以用vrm＝c(Rrm)表示用于聚类分析的结构量值；对于能够实现利润最大化的零件的第i个结构特征vi建立其物元模型为：$R_i=\left[\begin{array}{ccc}{N}_i,& c_{i1},& v_{i1}\\ & ·& ·\\ & ·& ·\\ & ·& ·\\ & c_m,& v_{\mathrm{im}}\end{array}\right]---\left(2\right)im表示零件Ri的特征个数；对于Ri，通过确定零件某一结构特征的变化区间，得到Ai特征值节点域V＝，根据公式(2)得到特征数值区间节点域Xnjm＝，建立节点域模型为Rim：$ R_{\mathrm{mi}}=\left[\begin{array}{ccc}{N}_m,& c_{m1},& X_{m1}\\ & ·& ·\\ & ·& ·\\ & ·& ·\\ & c_{\mathrm{mi}}& X_{\mathrm{mi}}\end{array}\right]---\left(3\right)其中Xnjm(k＝1，...，mi)表示零件Ri的第n个特征数值区间。2)确定结构特征变量数值v：基于市场上的已有产品实现利润最大化的结构特征趋势，利用中点逐渐逼近算法得到零件最优结构特征数值vi；当对结构特征c的要求属于越小越优性，则$ v_{i+1}=\frac{v_i+v_{\min }}{2},i＝1，2，\dots \; (4)$ v_1=\frac{v_{\min }+v_{\max }}{2}当对结构特征c的要求属于越大越优性，则$ v_{i+1}=\frac{v_i+v_{\max }}{2},i＝1，2，\dots \; (5)$ v_1=\frac{v_{\min }+v_{\max }}{2}3)建立各个零件结构的距公式：根据公式(3)(4)和(5)，计算Ri距值到其节点域的关联程度\rho ：$ \rho (v{,v}_i,X)=|v-v_i|-\frac{v_{\max }-v_{\min }}{2}定义结构特征距值：$ K(R_i,R_{\mathrm{im}})=\underset{i=1}{\overset{m}{\Sigma }}{\omega }_i\frac{v_{\max }-\rho (v,v_i,X)}{v_{\max }-v_{\min }}---\left(7\right)距值K(Ri，Rim)表示了Ri的结构特征c的关联数值，\omega 通过层次分析法得到，表示特征元素的权重，$ \underset{i=1}{\overset{m}{\Sigma }}{\omega }_i=1;4)确定Ri，Rj结构关联度T(i，j)：T(i，j)＝|K(Ri，Rim)-K(Rj，Rjm)|\; (8)其中T(i，j)＝T(j，i)，遵循同样的计算方法，对于设计产品的n个结构特征，分别计算得到T(i，j)(i＝1，...，n；j＝1，...，n)，它们构成对称矩阵M：T(i，j)＝0，或T(i，j)越是趋近于0，Ri，Rj之间的关联程度越大；T(i，j)＞0；这种情况下，T(i，j)的值越大，表示两者之间的关联程度越小；5)对对称矩阵M进行数值分析，由于每一行代表一个零件与其它n-1个零件之间的关联度，且T(i，i)＝0(i＝1，...，n)，选取矩阵M中的最小值，设为T(p，q)＝min\{T(i，j)，j＝1，...，n；i＝1，...，n；i\ne j\}，即零件Rp、Rq之间的关联度是最小的；把Rp、Rq划入同一类中，记为\{p，q\}，零件Rp，Rq组成新的零件Rpq，对于任意Ri，它与Rpq之间的关联度为：T(i，pq)＝min\{T(i，p)，T(i，q)\}；当n＞2时，划去矩阵M中的第p行和第q行，加入Rpq，它们共同组成一个新的对称矩阵，其阶数为n-1；6)确立聚类分析的平均关联度数值：设定平均关联度$ K=\frac{\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}T(i,j)}{n^2};7)对新形成的n-1阶的对称关联矩阵利用步骤5)中的算法过程，得到n-2阶的对称矩阵，循环上述过程，当最小关联度大于K值时，则终止聚类过程，得到唯一的聚类结果：零件的类别，以及各个类别的零件。$$$$$$$$$$