基于近鄰傳播聚類的衛(wèi)星典型構(gòu)件典型工藝過程發(fā)現(xiàn)

王 琳，張永健，鐘詩勝

（1.哈爾濱工業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150001；2.哈爾濱工業(yè)大學(xué)（威海）船舶與海洋工程學(xué)院，山東 威海 264209）

0 引言

一般而言，企業(yè)在對(duì)產(chǎn)品進(jìn)行工藝規(guī)劃時(shí)都是參照原有的工藝過程，而隨著企業(yè)的不斷發(fā)展，積累了大量的工藝數(shù)據(jù)，這些工藝數(shù)據(jù)可以作為企業(yè)的知識(shí)資源。如何挖掘這些知識(shí)并對(duì)其進(jìn)行有效利用，是大規(guī)模定制（Mass Customization，MC）生產(chǎn)模式在企業(yè)制造端成功實(shí)施的關(guān)鍵。典型工藝過程是企業(yè)為典型產(chǎn)品（典型零件或部件）制定的普遍適用的工藝過程，在對(duì)與該典型產(chǎn)品相似的產(chǎn)品進(jìn)行工藝規(guī)劃時(shí)，可借用該過程并對(duì)其進(jìn)行適量修改，即可作為新零部件的工藝過程，以此提高產(chǎn)品工藝規(guī)劃的效率與質(zhì)量。

對(duì)于典型工藝過程的獲取，目前國內(nèi)外的相關(guān)研究主要集中在工藝過程的相似性和聚類分析等方面。文獻(xiàn)［1］用工藝路線間的距離來衡量工藝路線的相似度，并采用凝聚層次聚類算法實(shí)現(xiàn)工藝路線的聚類劃分；文獻(xiàn)［2］將最長相似子序列作為度量因子，對(duì)工藝路線進(jìn)行多級(jí)相似度綜合度量，并采用粒子群優(yōu)化算法實(shí)現(xiàn)了工藝路線的智能聚類劃分；文獻(xiàn)［3］通過建立基于特征的零部件信息模型，研究了基于實(shí)例推理的工藝相似性度量。這些研究主要對(duì)工藝序列的相似性和聚類問題給出了較好的解決方案，但是工藝過程的相似性度量方法仍不理想，另外受各工序與產(chǎn)品特征和車間資源之間存在相關(guān)性、工藝過程表達(dá)的規(guī)范性等因素的影響，計(jì)算結(jié)果與實(shí)際情況往往偏差較大。因此，需要通過建立工藝過程的數(shù)學(xué)模型，以提高其相似性的計(jì)算精度。

為提高工藝設(shè)計(jì)的效率，并對(duì)工藝規(guī)劃過程進(jìn)行優(yōu)化，將圖論引入工藝規(guī)劃的研究中。文獻(xiàn)［4］提出用一般圖對(duì)工藝規(guī)劃進(jìn)行描述的方案；文獻(xiàn)［5－6］通過裝配關(guān)系的特征，采用（加權(quán)）有向圖對(duì)裝配工藝建立描述模型；文獻(xiàn)［7］采用有向圖對(duì)數(shù)控工藝中的機(jī)床工作計(jì)劃進(jìn)行數(shù)學(xué)描述；文獻(xiàn)［8］為實(shí)現(xiàn)零件工藝的聚類，基于加權(quán)有向圖建立了零件工藝的描述模型，將工藝聚類問題轉(zhuǎn)化為有向圖的聚類問題。有向圖在社會(huì)網(wǎng)絡(luò)和信息網(wǎng)絡(luò)等方面應(yīng)用廣泛，而與此相關(guān)的有向圖聚類的研究成果較為豐富，如歐拉距離、曼哈頓距離、余弦相似度、基于Jaccard指數(shù)的相似度量等方法在有向圖頂點(diǎn)的相似性度量方面應(yīng)用廣泛［9］；屬性圖能夠?qū)?fù)雜網(wǎng)絡(luò)進(jìn)行有效描述，鄰域隨機(jī)游動(dòng)距離、Bayesian隨機(jī)模型等為屬性圖的聚類提供了可行方案［10－12］。

典型工藝過程發(fā)現(xiàn)技術(shù)是在歷史工藝過程數(shù)據(jù)中，利用數(shù)據(jù)挖掘技術(shù)，對(duì)大量的工藝過程進(jìn)行分析，研究工藝過程中工藝單元之間的關(guān)系，獲取工藝過程所具有的共性，從而獲得典型工藝過程的方法。本文采用屬性有向圖對(duì)工藝過程進(jìn)行描述，通過工藝過程屬性有向圖結(jié)構(gòu)與屬性相似度的計(jì)算來提高工藝過程相似性的計(jì)算精度；基于工藝過程的相似性，采用近鄰傳播算法發(fā)現(xiàn)典型工藝過程。

1 典型工藝過程發(fā)現(xiàn)問題的數(shù)學(xué)模型

1.1 基于屬性有向圖的工藝過程描述模型

在有向圖結(jié)構(gòu)中，節(jié)點(diǎn)表示對(duì)象，每條邊都有方向，表示對(duì)象之間的關(guān)系。本文各節(jié)點(diǎn)包含不同的屬性描述信息，因此，首先給出以下定義。

定義 屬性有向圖。屬性有向圖可表示為一個(gè)四元組G＝（V，E，A，F(xiàn)），其中：V為M個(gè)節(jié)點(diǎn)的集合，E＝｛（vi，vj）｜1≤i，j≤M，i≠j｝為有向邊的集合，A＝｛a1，a2，…，aL｝為V中節(jié)點(diǎn)的L種分類屬性的集合。每個(gè)節(jié)點(diǎn)vi的屬性可用長度為L的屬性向量p（vi）＝［a1（vi），a2（vi），…，aL（vi）］進(jìn)行描述，其中aj（vi）為節(jié)點(diǎn)vi在屬性aj上的觀測(cè)值。F＝｛f1，f2，…，fL｝為L個(gè)函數(shù)的集合，其中fi：V→D（ai）為指定某節(jié)點(diǎn)vi的屬性ai在其值域D（ai）中的取值。

一個(gè)工藝過程通常由一組工序經(jīng)過有序排列構(gòu)成，而由于工藝種類的差別或工藝編制人員習(xí)慣的不同，導(dǎo)致工藝過程中工序的表達(dá)與層次劃分千差萬別。為便于工藝過程屬性有向圖模型的建立，在此定義工藝過程由一組工藝單元構(gòu)成，其中工藝單元是指針對(duì)產(chǎn)品的某制造特征采用何種設(shè)備完成的特定操作。給定一組工藝單元集合，作為工藝規(guī)劃時(shí)工藝單元的選擇空間Sp，工藝規(guī)劃可以描述為在符合產(chǎn)品技術(shù)要求及工藝原理的條件下，Sp中的全部或部分工藝單元按照一定的順序進(jìn)行排列。工藝過程可以用屬性有向圖進(jìn)行建模，其中屬性有向圖G中的節(jié)點(diǎn)集V表示工藝過程的工藝單元集，V中的每個(gè)元素可以用屬性向量進(jìn)行描述，即

式中：pn為工藝單元名稱；pf為工藝單元所對(duì)應(yīng)的產(chǎn)品特征；pm為產(chǎn)品特征的關(guān)鍵制造信息（制造特征參數(shù)）；po為產(chǎn)品特征所對(duì)應(yīng)的制造方法；pe為產(chǎn)品特征所對(duì)應(yīng)的設(shè)備；pr為產(chǎn)品特征所對(duì)應(yīng)的制造技術(shù)要求。

屬性向量中的各屬性值由函數(shù)集合F中相應(yīng)的函數(shù)指定，有向邊集E表示工藝過程中工藝單元的操作順序。某類零件工藝過程可以用如圖1所示的有向圖模型表示，圖中虛線表示該類零件可以由兩種工藝過程實(shí)現(xiàn)其加工，因此，工藝過程的有向圖模型即為有向無環(huán)圖中最簡(jiǎn)單的線性圖。

給定兩個(gè)工藝過程Gα和Gβ，兩者的相似度表示為S（Gα，Gβ），可以由工藝單元相似度SN（Gα，Gβ）和工藝路線相似度SS（Gα，Gβ）加權(quán)獲得，即

式中ω為加權(quán)系數(shù)，0≤ω≤1。

1.2 工藝過程有向圖模型中相似度算法

1.2.1 工藝單元相似性

對(duì)相似產(chǎn)品（包括零部件）而言，其工藝過程一般具有相似性，但在具體產(chǎn)品進(jìn)行工藝規(guī)劃時(shí)，相似產(chǎn)品的工藝過程所包含的工藝單元的數(shù)量難以保證相同；即使工藝單元數(shù)量相同，各對(duì)應(yīng)的工藝單元的具體內(nèi)容也很難保證一致；因此相似產(chǎn)品的工藝過程的工藝單元通常不存在完全等價(jià)的對(duì)應(yīng)關(guān)系。工藝單元之間的差異性可由工藝單元節(jié)點(diǎn)的相似度來度量，對(duì)工藝單元節(jié)點(diǎn)進(jìn)行匹配，基于匹配結(jié)果可得到整個(gè)工藝過程關(guān)于工藝單元的相似度。

Kuhn－Munkres算法是加權(quán)二分圖最優(yōu)匹配問題常用的求解算法，該算法基于可行頂標(biāo)的概念，通過不斷修改頂標(biāo)搜尋二分圖相等子圖的完備匹配。Kuhn－Munkres算法的具體步驟不在此贅述，若通過Kuhn－Munkres算法得到二分圖Gαβ的最優(yōu)匹配為M，則可獲得工藝單元相似度SN（Gα，Gβ），

前文中提到工藝單元節(jié)點(diǎn)可用特征向量進(jìn)行描述，因此工藝單元節(jié)點(diǎn)的相似度可用其特征向量間的相似度進(jìn)行度量，本文采用余弦相似度來度量。有兩個(gè)工藝單元節(jié)點(diǎn)的特征向量pi＝（pi1，pi2，…，piL）和pj＝（pj1，pj2，…，pjL），則這兩個(gè)節(jié)點(diǎn)的相似度可用兩向量間夾角的余弦表示，即工藝單元節(jié)點(diǎn)的相似度

1.2.2 工藝路線相似性

工藝過程的工藝路線相似性可通過圖的鄰接矩陣體現(xiàn)。工藝過程Gα的鄰接矩陣可表示為Eα，其中元素的大小作為工藝單元節(jié)點(diǎn)Cαi到Cαj的有向邊的權(quán)重，表示工藝單元Cαj對(duì)Cαi的依賴程度∈［0，1］。當(dāng)＝0時(shí)，表示兩工藝單元節(jié)點(diǎn)間無關(guān)聯(lián)關(guān)系；當(dāng)＝1時(shí)，表示工藝單元Cαj完全依賴于工藝單元Cαi。當(dāng)對(duì)兩個(gè)工藝過程Gα和Gβ進(jìn)行比較時(shí)，由于工藝過程中的工藝單元節(jié)點(diǎn)不對(duì)等，需要對(duì)相應(yīng)的鄰接矩陣進(jìn)行規(guī)范。假設(shè)Gα和Gβ分別為如圖1所示的兩個(gè)工藝過程v1→v2→v3→v4→v5→v7和v1→v2→v6→v5→v7，分別對(duì)其鄰接矩陣進(jìn)行規(guī)范化，得到規(guī)范化結(jié)構(gòu)矩陣NEα和NEβ，如圖3所示。

由工藝過程Gα和Gβ的規(guī)范化結(jié)構(gòu)矩陣得到結(jié)構(gòu)比較矩陣DEαβ，矩陣中的元素

由此可得工藝過程Gα和Gβ的結(jié)構(gòu)比較矩陣，如圖4所示。

由工藝過程Gα和Gβ的結(jié)構(gòu)比較矩陣，可以得到工藝過程Gα和Gβ的工藝路線結(jié)構(gòu)相似度

式中：N為規(guī)范化結(jié)構(gòu)矩陣的列數(shù)；若≠1，則xij＝1，否則xij＝0。

2 典型工藝過程聚類

設(shè)有工藝過程集合GS，其大小為N，通過前文方法可以得到工藝過程集合GS中任意兩工藝過程Gi和Gj的相似度S（Gi，Gj），其中i，j∈｛1，2，…，N｝。工藝過程集合的兩兩相似度可以構(gòu)成其相似度矩陣SIMG＝［S（Gi，Gj）］N×N?；谠撓嗨凭仃噷?duì)工藝過程集合進(jìn)行聚類分析，進(jìn)而可挖掘典型工藝過程。工藝過程的聚類具有聚類數(shù)量未知的特點(diǎn)，近鄰傳播（Affinity Propagation，AP）聚類算法［13］無需指定聚類數(shù)目及初始聚類的中心點(diǎn)，而且該算法運(yùn)算速度快、穩(wěn)定性好、聚類精度高，滿足工藝過程聚類的實(shí)際需求。因此，本文基于近鄰傳播聚類，結(jié)合工藝過程聚類的有效性評(píng)價(jià)，建立典型工藝過程挖掘的半監(jiān)督聚類算法。

2.1 工藝過程聚類的有效性及評(píng)價(jià)

設(shè)工藝過程集合GS被聚為K類，Ck表示第k個(gè)聚類，1＜k≤K，gk表示Ck的聚類中心。gk作為聚類中心，與聚類Ck中其他工藝過程最為相似，聚類Ck中的其他工藝過程可以通過對(duì)聚類中心gk進(jìn)行少許修改而獲得。因此，工藝過程的聚類中心具有典型性，可作為典型工藝過程。在聚類Ck中，滿足simG（gi，gk）＜αk，其中g(shù)i∈Ck，1≤i≤｜Ck｜，則稱該聚類的工藝過程集合為聚類中心gk的鄰域，αk為鄰域半徑。某聚類為一個(gè)有效的聚類，需滿足以下條件：①聚類Ck中工藝過程的數(shù)量應(yīng)滿足具體要求，即｜Ck｜≥η，η為聚類中最少的工藝過程數(shù)量，若｜Ck｜＜η，則可認(rèn)定該聚類不具備足夠的參考價(jià)值；②聚類中心gk與聚類Ck中其他工藝過程之間的相似度應(yīng)滿足特定的約束，即當(dāng)聚類中心gk的鄰域半徑αk小于規(guī)定值時(shí)，該聚類中心作為典型工藝過程才具有意義。

在聚類完成后，需對(duì)工藝過程聚類結(jié)果的優(yōu)劣進(jìn)行評(píng)價(jià)。Silhouette指標(biāo)作為眾多評(píng)價(jià)指標(biāo)之一，由于其性能好、簡(jiǎn)單易用，故將其作為工藝過程聚類的評(píng)價(jià)指標(biāo)。Silhouette指標(biāo)體現(xiàn)了聚類內(nèi)部的緊密程度和聚類之間的稀疏程度。對(duì)于任意有效工藝過程聚類Ci中的任一工藝過程實(shí)例gi，其Silhouette指標(biāo)為

式中：a（i）為工藝過程實(shí)例gi與工藝過程聚類Ci中其他工藝過程實(shí)例的平均距離，

b（i）為工藝過程實(shí)例gi與其他有效工藝過程聚類的距離，

單個(gè)工藝過程聚類中所有工藝過程實(shí)例的Sil平均值包含了該類的緊密性，而整個(gè)工藝過程數(shù)據(jù)集的所有工藝過程實(shí)例的Sil平均值則反映了聚類結(jié)果的質(zhì)量，Silhouette指標(biāo)越大表示聚類質(zhì)量越好。

2.2 基于近鄰傳播聚類的典型工藝過程發(fā)現(xiàn)算法

近鄰傳播聚類算法是在由聚類樣本之間的相似度形成的相似矩陣SIM的基礎(chǔ)上進(jìn)行聚類的，而矩陣元素的取值一般為距離的負(fù)值。對(duì)于工藝過程聚類，AP算法將所有工藝過程樣本作為可能的聚類中心，并通過樣本間不斷地進(jìn)行信息傳遞形成最終聚類。在工藝過程樣本之間存在可信度r（i，j）和可用度a（i，j）兩種信息量參數(shù)。其中：r（i，j）是指相對(duì)于其他工藝過程，gj適合作為gi的典型工藝過程的程度；a（i，j）是指相對(duì)于其他工藝過程，gi選擇gj作為其典型工藝過程的合適程度。AP算法的核心過程就是兩個(gè)信息量交替更新的過程，如式（10）～式（12）所示：

式中sim（gi，gj）為相似矩陣SIM的矩陣元素，一般取sim（gi，gj）＝－（1－simG（gi，gj）），i≠j。

鑒于前文對(duì)工藝過程聚類有效性的闡述，將AP算法用于工藝過程的聚類時(shí)需做以下工作：

（1）典型工藝過程的過濾初選 由于AP算法將所有工藝過程樣本都視為潛在的聚類中心，在考慮工藝過程聚類的有效性時(shí)，可以對(duì)工藝過程數(shù)據(jù)樣本進(jìn)行必要的過濾篩選。根據(jù)有效聚類的條件，對(duì)于給定的工藝過程樣本gi，若｜N（gi，ε）｜＜η，則gi不能作為有效聚類的中心，因此可在AP算法初始化時(shí)將其對(duì)應(yīng)的偏好參數(shù)設(shè)置為最小值；若｜N（gi，ε）｜＝0，則gi為游離的工藝過程，可從工藝過程的數(shù)據(jù)集中直接刪除以減少算法的復(fù)雜度。

（2）相似度矩陣的稀疏化 由有效聚類的條件可知，聚類中心的鄰域半徑允許取的最大值為ε，而AP算法迭代過程中可信度與可用度的信息傳遞只需在相似度小于ε的工藝過程樣本之間產(chǎn)生。因此，對(duì)相似度矩陣SIM的所有元素進(jìn)行遍歷，將相似度大于ε的元素設(shè)置為最小值，從而將相似度矩陣稀疏化。

（3）最佳聚類數(shù)的確定 在AP算法中，偏好參數(shù)p影響著最終聚類的數(shù)目，由于p的取值暫無確定的方法，在給定取值的情況下所得的聚類結(jié)果不能確保為最優(yōu)結(jié)果。本文參照文獻(xiàn)［14］給出的確定偏好參數(shù)取值區(qū)間［pmin，pmax］的方法，通過調(diào)節(jié)步長pstep遍歷取值空間，首先通過Silhouette指標(biāo)來評(píng)價(jià)聚類的有效性，而后采用IGP指標(biāo)［15］對(duì)有效的聚類結(jié)果進(jìn)行評(píng)價(jià)，以獲得最佳聚類數(shù)目。IGP指標(biāo)是基于概率統(tǒng)計(jì)思想提出的有效性評(píng)價(jià)指標(biāo)，用來衡量在某一聚類中距離每個(gè)樣本最近的樣本是否在同一聚類中。對(duì)于類標(biāo)為k的聚類，IGP指標(biāo)定義為

式中：jN為距離樣本j最近的樣本；Class（j）為樣本j的類標(biāo)；＃為滿足條件的個(gè)數(shù)。

所有有效聚類的IGP指標(biāo)越大，表示聚類的質(zhì)量越好，其最大值對(duì)應(yīng)的聚類數(shù)即為最佳聚類數(shù)。

基于以上工作，可以得到基于AP算法的工藝過程半監(jiān)督最優(yōu)聚類算法流程，如圖5所示。

3 實(shí)例驗(yàn)證

下面以衛(wèi)星結(jié)構(gòu)板的制造工藝為研究對(duì)象，驗(yàn)證典型工藝過程發(fā)現(xiàn)算法的有效性。衛(wèi)星結(jié)構(gòu)板是各型號(hào)衛(wèi)星上都大量采用的一類典型件，由于其功能、結(jié)構(gòu)基本相似，研制流程基本一致，涵蓋了面板機(jī)加、蜂窩芯材機(jī)加、嵌入件機(jī)加、嵌入件裝配膠接等工藝過程。本文以面板機(jī)加工藝為例，從某衛(wèi)星研制單位的結(jié)構(gòu)板的歷史工藝中取100個(gè)面板機(jī)加工藝過程實(shí)例，由于所取得的工藝過程實(shí)例的原始表達(dá)不能完全滿足建立屬性有向圖模型的條件，根據(jù)1.1節(jié)中的描述，對(duì)工藝過程實(shí)例的表達(dá)進(jìn)行再組織，建立了以備料、鈑、銑輪廓、鉆孔、鏜孔、料＿檢、鈑＿檢、數(shù)＿檢和入庫等為工藝單元為基礎(chǔ)的工藝過程實(shí)例庫，對(duì)該工藝過程實(shí)例庫進(jìn)行聚類分析并發(fā)現(xiàn)面板機(jī)加的典型工藝過程。由結(jié)構(gòu)板面板材料、制造特征及其關(guān)鍵參數(shù)等因素，可以確定面板的機(jī)加工藝分為5種類型，包括一般金屬面板機(jī)加兩類、加強(qiáng)金屬面板機(jī)加兩類和復(fù)合材料面板機(jī)加一類。所取的100個(gè)面板機(jī)加工藝過程實(shí)例包含這5種類型的工藝過程，其中包含了10個(gè)特殊面板機(jī)加工藝作為干擾樣本。

衛(wèi)星結(jié)構(gòu)板機(jī)加工藝過程聚類設(shè)置其有效聚類中所包含的最少工藝過程實(shí)例數(shù)為15，最大鄰域半徑為0.5，偏好參數(shù)調(diào)節(jié)步長為0.05。采用上文的聚類算法對(duì)衛(wèi)星結(jié)構(gòu)板機(jī)加工藝過程實(shí)例進(jìn)行聚類。當(dāng)偏好參數(shù)p＝－0.65時(shí)，聚類評(píng)價(jià)指標(biāo)Sil取得最大值3.349 6，此時(shí)，聚類數(shù)目為6和有效聚類數(shù)目為5，同時(shí)有效聚類數(shù)目為5時(shí)，其IGP指標(biāo)取得最大值4.721 9，如圖6和圖7所示。參照文獻(xiàn)［16］中偏好參數(shù)的選取方法，由兩圖中曲線的變化趨勢(shì)可知，p較小時(shí)，聚類中所包含的工藝過程實(shí)例數(shù)量較多，有效聚類數(shù)量與實(shí)際聚類數(shù)量相近，聚類質(zhì)量較高，且Sil與IGP指標(biāo)變化趨勢(shì)一致。此外，數(shù)據(jù)挖掘中常用的聚類方法還包括k－means方法、層次聚類方法等，其中，k－means方法對(duì)初始聚類中心的選擇較為敏感，且聚類之前需指定目標(biāo)聚類數(shù)目，不適用于典型工藝過程的聚類；層次聚類雖然無需事先確定聚類數(shù)目，但根據(jù)聚類層次樹來確定最終的聚類結(jié)果仍存在困難，在此以所選取的工藝過程實(shí)例之間的相似度作為層次聚類中樣本之間的距離，對(duì)工藝過程實(shí)例進(jìn)行層次聚類，結(jié)果如圖8所示，從圖中的聚類層次樹很難確定聚類結(jié)果。因此，相對(duì)于層次聚類，采用AP算法可以實(shí)現(xiàn)工藝過程的聚類。

4 結(jié)束語

本文針對(duì)工藝過程歷史數(shù)據(jù)重用率低的問題，采用AP算法對(duì)歷史工藝過程數(shù)據(jù)進(jìn)行聚類分析，從而獲取典型工藝過程。首先利用屬性有向圖對(duì)工藝過程進(jìn)行描述，便于計(jì)算工藝過程實(shí)例間的相似度；將工藝過程的相似度矩陣作為AP聚類算法的輸入進(jìn)行聚類分析，并以Sil和IGP作為聚類結(jié)果的評(píng)價(jià)指標(biāo)，以確定有效聚類及其最佳聚類數(shù)目。通過衛(wèi)星結(jié)構(gòu)板機(jī)加工藝的實(shí)例仿真驗(yàn)證了算法的有效性。在進(jìn)行實(shí)例驗(yàn)證的過程中，雖然樣本數(shù)量小、工藝過程實(shí)例的復(fù)雜度低，但工藝過程實(shí)例相似度的計(jì)算相對(duì)繁雜，因此降低工藝過程相似度計(jì)算的復(fù)雜性是后續(xù)的研究問題之一。

［1］ LIU S，ZHANG Z，TIAN X.A typical process route discovery method based on clustering analysis［J］.The International Journal of Advanced Manufacturing Technology，2007，35（1/2）：186－194.

［2］ ZHANG Hui，QIU Lemiao，ZHANG Shuyou，et al.Typical product process route extraction method on intelligent clustering analysis［J］.Computer Integrated Manufacturing Systems，2013，19（3）：490－498（in Chinese）.［張 輝，裘樂淼，張樹有，等.基于智能聚類分析的產(chǎn)品典型工藝路線提取方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19（3）：490－498.］

［3］ LONG Hongneng，YIN Guofu，CHENG Erjing，et al.Algorithm of process similarity analysis from case－based reasoning［J］.Journal of Sichuan University：Engineer Science Edition，2004，36（1）：77－82（in Chinese）.［龍紅能，殷國富，成爾京，等.基于實(shí)例推理的相似工藝度量算法［J］.四川大學(xué)學(xué)報(bào)：工程科學(xué)版，2004，36（1）：77－82.］

［4］ THIMM G，JIANG F，BENG T S，et al.A graph representation scheme for process planning of machined parts［J］.The International Journal of Advanced Manufacturing Technology，2002，20（6）：429－438.

［5］ DEMOLY F，YAN X T，EYNARD B，et al.An assembly oriented design framework for product structure engineering and assembly sequence planning［J］.Robotics and Computer－Integrated Manufacturing，2011，27（1）：33－46.

［6］ ZHANG Zhiying，LI Zhen，JIANG Zhibin.Computer－aided block assembly process planning in shipbuilding based on rulereasoning［J］.Chinese Journal of Mechanical Engineering，2008，21（2）：99－103.

［7］ BERGER U，KRETZSCHMANN R，NOACK J.An Approach for a Knowledge－based NC programming system［EB/OL］.［2014－02－13］.http：//www－docs.tu－cottbus.de/automatisierungstechnik/public/2008＿Kretzschmann＿M(jìn)adeira.pdf.

［8］ ZHAO Gang，JIANG Pingyu.Weighted directed graph based part clustering model［J］.Computer Integrated Manufacturing Systems，2006，12（7）：1007－1012（in Chinese）.［趙 剛，江平宇.基于加權(quán)有向圖的零件聚類模型研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2006，12（7）：1007－1012.］

［9］ SCHAEFFER S E.Graph clustering［J］.Computer Science Review，2007，1（1）：27－64.

［10］ ZHOU Y，CHENG H，YU J X.Graph clustering based on structural/attribute similarities［J］.Proceedings of the VLDB Endowment，2009，2（1）：718－729.

［11］ CHENG H，ZHOU Y，YU J X.Clustering large attributed graphs：a balance between structural and attribute similarities［J］.ACM Transactions on Knowledge Discovery from Data，2011，5（2）：1－33.

［12］ XU Zhiqiang，KE Yiping，WANG Yi，et al.A model－based approach to attributed graph clustering［C］//Proceedings of the 2012ACM SIGMOD International Conference on Management of Data.New York，N.Y.，USA：ACM，2012：505－516.

［13］ WANG Xianhui，QIN Zheng，ZHANG Xuanping，et al.Cluster ensemble algorithm using affinity propagation［J］.Journal of Xi'an Jiaotong University，2011，45（8）：1－6（in Chinese）.［王羨慧，覃 征，張選平，等.采用仿射傳播的聚類集成算法［J］.西安交通大學(xué)學(xué)報(bào)，2011，45（8）：1－6.］

［14］ FREY B J，DUECK D.Clustering by passing messages between data points［J］.Science，2007，315（5814）：972.

［15］ KAPP A V，TIBSHIRANI R.Are clusters found in one dataset present in another dataset？［J］.Biostatistics，2007，8（1）：9－31.

［16］ ZHANG Yongjian.Research on methods and applications of complex product design process optimization［D］.Harbin：Harbin Institute of Technology，2011（in Chinese）.［張永健.復(fù)雜產(chǎn)品設(shè)計(jì)過程優(yōu)化方法及其應(yīng)用研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2011.］