本发明涉及一种船用柴油机关键件的可制造性智能评价方法，尤其涉及一种使可制造性评价方式由规则化向智能化转变的船用柴油机关键件的可制造性智能评价方法。
背景技术：
作为机械领域内一种常用的重要零件，柴油机关键件加工过程复杂且精度要求较高。在生产制造过程中，设计部门和制造部门往往缺乏信息交流，前者在设计中很少考虑到下游阶段的工艺、制造、装配、检测等内容，大量难以制造甚至无法制造的设计结构由此产生。在这种情况下，引入可制造性评价技术对零件进行工艺性分析及制造合理性评价，可以从制造角度判断零件设计的合理性并提供给设计人员修改，使得零件的生产效率、经济效益最优化。当前，可制造性评价的研究多基于规则匹配方法。
在《现代制造技术与装备》2018年第1期，题目为：“基于零件三维模型的可制造性分析技术研究”文章中，采用面向加工特征的特征识别技术建立加工特征模型，通过构建加工工艺性评价知识库、规则库，实现模型的结构工艺性评价。但该文章不足之处是可识别特征范围较小，且只针对零件的结构工艺性展开，整体评价体系的设计具有一定的缺陷性。此外，未阐述工艺规则的构建方法，存在由人工构建规则库的不准确问题，使得工艺规则的不同表达方式造成评价结果的不同。在中国专利“基于特征-资源知识的船用柴油机关重件可制造性三级优化方法”(申请号：201911073722.9)中，采用面和规则的特征识别方法进行特征识别，在此基础上构建了加工元信息模型和加工制造能力知识库，并通过规则匹配方法解决结构工艺性和加工可行性评价问题。该方法虽考虑到了制造资源的动态更新问题，但评价体系设计的仍不够全面，未涉及对零件层面信息的评价。此外，评价体系依旧是基于规则匹配模式，在特征识别和结构工艺性评价方面存在大量主观人为因素，从而影响评价的准确性。
技术实现要素：
发明目的：本发明旨在提供一种船用柴油机关键件可制造性的智能评价方法，解决了当前可制造性评价体系人为干预因素过多的问题，完善了可制造性评价内容，使得可制造性评价方式由规则化向智能化转变。
技术方案：本发明所述的船用柴油机关键件的可制造性智能评价方法，所述船用柴油机关键件的可制造性智能评价方法包括如下步骤：
步骤1：对船用柴油机关键件的加工特征进行分类；
步骤2：分析mbd模型，提取加工特征几何元素并降维处理；
步骤3：构建加工特征分类器，采用基于多角度图像识别综合分析方法进行特征识别；
步骤4：提取mbd模型标注信息，构建零件信息模型和加工特征信息模型；
步骤5：收集企业制造资源信息，构建制造资源信息模型；
步骤6：收集典型案例并采用数据挖掘技术，挖掘船用柴油机关键件的加工特征结构设计工艺规则，生成结构工艺性智能决策模型；
步骤7：采用结构工艺性智能决策方法判断零件的结构工艺性；采用基于约束能力的制造资源双层筛选方法判断零件的加工可行性；
步骤8：基于nx10.0开发此平台，输出可制造性评价报告，所述可制造性评价报告分为结构工艺性评价报告和加工可行性评价报告，所述评价报告包括在可制造性为通过条件下的制造资源列表以及不通过条件下的具体原因。
进一步的，所述船用柴油机关键件的可制造性智能评价方法针对船用柴油机关键件mbd模型进行实施，从零件的特征层和零件层两方面展开结构工艺性、加工进行智能化和自动化可行性综合评价。
进一步的，所述步骤1中，所述加工特征是指面类和/或孔类和/或槽类和/或腔类，所述加工特征是以具有制造语义且无法拆分的最简化特征进行划分。
进一步的，所述步骤2中，所述提取加工特征几何元素并降维处理具体步骤为：
(21)获取mbd模型的某个表面粗糙度pmi属性值，对其关联的对象进行特征轮廓抽取，获取加工特征拓扑结构片体f；
(22)隐藏模型视图中所有可见对象，将加工特征f单独显示；
(23)使加工特征f的基准坐标系与绝对坐标系重合，在此基础上分别以前视图、左视图、俯视图等多个视图于三维软件的图形窗口中对加工特征f进行表达，并结合应用程序接口(api)函数捕捉各视图的窗口截图；
(24)对捕捉结果进行图像拼接，获得多个视图组成的单张彩色图像w；
(25)多次旋转加工特征f的空间角度并执行步骤step3-4，将加工特征三维拓扑结构转换为二维多角度彩色图像集wn＝{w1，w2，…wn}，n为旋转次数。
进一步的，所述步骤3中，所述加工特征分类器具是通过训练深度学习模型后得到的，输入信息为彩色特征图片，输出信息为特征类型。
进一步的，所述步骤3中，所述基于多角度图像识别综合分析方法是具体步骤为：
(31)将加工特征f的二维彩色图像集输入到加工特征分类器，返回图像集的预测概率数组
(32)处理所有图像预测数据，将预测的相同特征类型概率相加，计算最大期望et，即
(33)返回加工特征f对应的特征类型，即标签t对应的类型，并以txt文本形式储存。
进一步的，所述步骤4中，所述零件信息模型和加工特征信息模型包括以下属性：所述零件信息模型包括：毛坯的类型、材料，零件的名称、类型、编号、生产方式、零件尺寸、质量；所述加工特征信息模型包括：特征的类型、编号、基本尺寸、精度、表面粗糙度、几何拓扑结构图。
进一步的，所述步骤5中，所述制造资源信息模型包括机床信息模型和刀具信息模型包括以下属性：所述机床信息模型包括：机床的类型、编号、生产方式、工作台尺寸、最大加工质量、可加工毛坯类型、可加工毛坯材料、可加工特征类型、可加工精度、可加工表面粗糙度；所述刀具信息模型包括：刀具的类型、编号、基本尺寸、可加工特征类型、可加工材料、可加工精度、可加工表面粗糙度。
进一步的，所述步骤6中，所述生成结构工艺性智能决策模型的具体步骤为：
(61)整理加工特征的结构设计工艺规则并定义规则标签号，将其分为非数值(a)规则和数值(b)规则两部分；
(62)收集有关表a、b规则的加工特征结构设计案例，不满足a规则的加工特征使其拓扑结构数据降维成多个视图组成的彩色图像集，不满足b规则的加工特征使其设计参数信息编码成向量集，从而生成a规则、b规则的两类挖掘数据库；
(63)构建卷积神经网络和bp神经网络，分别对a规则、b规则的两类挖掘数据库进行规则信息挖掘，待完成后获得a规则、b规则两种结构工艺性智能决策模型。
进一步的，所述步骤7中，所述结构工艺性智能决策方法具体步骤为：
(71)提取加工特征信息模型内的特征类型、特征几何结构图信息，输入非数值规则智能决策模型内，自动决策几何结构合理性；
(72)提取加工特征信息模型内的特征类型、特征基本尺寸、特征精度、表面粗糙度信息，输入数值规则智能决策模型内，自动决策设计参数合理性；
(73)综合分析step1和step2决策数据，存储结构工艺性评价结果。
所述步骤7所述的基于约束能力的制造资源双层筛选方法具体步骤为：
(74)机床粗筛选，粗筛选机床中能满足对零件加工约束的编号集合m1；
(75)刀具粗筛选：粗筛选刀具中能满足对零件加工约束的编号集合t1；
(76)机床精筛选：精筛选机床集合m1中能满足对零件特征加工约束的编号m2，m2∈m1；
(77)刀具精筛选：精筛选刀具集合d1中能满足对零件特征加工约束的编号t2，t2∈t1；
(78)存储m2，t2，得加工可行性的评价结果。
有益效果：与现有技术相比，本发明具有如下显著优点：1、可避免加工特征的复杂提取流程：考虑到mbd模型信息标注的优势，从pmi中直接抽取出加工特征的拓扑结构，避免了其复杂提取流程，提高了mbd模型的数据利用率；2、可解决工艺规则难定义问题：通过对大量不符合工艺规则的案例进行数据挖掘，挖掘隐含规则与特征约束的关系，自动生成评价规则，避免人工定义规则不准确情况；3、可实现智能化评价：采用深度学习相关技术进行特征识别及结构工艺性评价，丰富了可制造性评价内容，减少了过多人为定义规则的因素，促使评价方式由规则化匹配朝着智能化决策转变；4、可降低评价体系的复杂性：将可制造性评价体系基于零件信息模型、加工特征信息模型、制造资源信息模型、结构工艺性智能决策模型这四种模型展开，使评价架构更具有清晰性和集成性；5、可扩大特征识别及可制造性评价的范围：通过将加工特征的三维结构识别问题转化为二维图像识别问题，能有效解决同类加工特征拓扑结构多样性导致的识别难题。
附图说明
图1为基于加工特征的船用柴油机关键件可制造性智能评价方法总流程图；
图2为船用柴油机关键件的加工特征分类结果示意图；
图3船用柴油机关键件的加工特征预处理方式示意图；
图4为船用柴油机关键件的结构工艺性评价流程图；
图5为船用柴油机关键件的加工可行性评价流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1
一种船用柴油机关键件的可制造性智能评价方法，所述船用柴油机关键件的可制造性智能评价方法包括如下步骤：
步骤1：对船用柴油机关键件的加工特征进行分类；
步骤2：分析mbd模型，提取加工特征几何元素并降维处理；
步骤3：构建加工特征分类器，采用基于多角度图像识别综合分析方法进行特征识别；
步骤4：提取mbd模型标注信息，构建零件信息模型和加工特征信息模型；
步骤5：收集企业制造资源信息，构建制造资源信息模型；
步骤6：收集典型案例并采用数据挖掘技术，挖掘船用柴油机关键件的加工特征结构设计工艺规则，生成结构工艺性智能决策模型；
步骤7：采用结构工艺性智能决策方法判断零件的结构工艺性；采用基于约束能力的制造资源双层筛选方法判断零件的加工可行性；
步骤8：基于nx10.0开发此平台，输出可制造性评价报告，所述可制造性评价报告分为结构工艺性评价报告和加工可行性评价报告，所述评价报告包括在可制造性为通过条件下的制造资源列表以及不通过条件下的具体原因。
进一步的，所述船用柴油机关键件的可制造性智能评价方法针对船用柴油机关键件mbd模型进行实施，从零件的特征层和零件层两方面展开结构工艺性、加工进行智能化和自动化可行性综合评价。
进一步的，所述步骤1中，所述加工特征是指面类和/或孔类和/或槽类和/或腔类，所述加工特征是以具有制造语义且无法拆分的最简化特征进行划分。
进一步的，所述步骤2中，所述提取加工特征几何元素并降维处理具体步骤为：
(21)获取mbd模型的某个表面粗糙度pmi属性值，对其关联的对象进行特征轮廓抽取，获取加工特征拓扑结构片体f；
(22)隐藏模型视图中所有可见对象，将加工特征f单独显示；
(23)使加工特征f的基准坐标系与绝对坐标系重合，在此基础上分别以前视图、左视图、俯视图等多个视图于三维软件的图形窗口中对加工特征f进行表达，并结合应用程序接口(api)函数捕捉各视图的窗口截图；
(24)对捕捉结果进行图像拼接，获得多个视图组成的单张彩色图像w；
(25)多次旋转加工特征f的空间角度并执行步骤step3-4，将加工特征三维拓扑结构转换为二维多角度彩色图像集wn＝{w1，w2，…wn}，n为旋转次数。
进一步的，所述步骤3中，所述加工特征分类器具是通过训练深度学习模型后得到的，输入信息为彩色特征图片，输出信息为特征类型。
进一步的，所述步骤3中，所述基于多角度图像识别综合分析方法是具体步骤为：
(31)将加工特征f的二维彩色图像集输入到加工特征分类器，返回图像集的预测概率数组
(32)处理所有图像预测数据，将预测的相同特征类型概率相加，计算最大期望et，即
(33)返回加工特征f对应的特征类型，即标签t对应的类型，并以txt文本形式储存。
进一步的，所述步骤4中，所述零件信息模型和加工特征信息模型包括以下属性：
所述零件信息模型包括：毛坯的类型、材料，零件的名称、类型、编号、生产方式、零件尺寸、质量；所述加工特征信息模型包括：特征的类型、编号、基本尺寸、精度、表面粗糙度、几何拓扑结构图。
进一步的，所述步骤5中，所述制造资源信息模型包括机床信息模型和刀具信息模型包括以下属性：所述机床信息模型包括：机床的类型、编号、生产方式、工作台尺寸、最大加工质量、可加工毛坯类型、可加工毛坯材料、可加工特征类型、可加工精度、可加工表面粗糙度；所述刀具信息模型包括：刀具的类型、编号、基本尺寸、可加工特征类型、可加工材料、可加工精度、可加工表面粗糙度。
进一步的，所述步骤6中，所述生成结构工艺性智能决策模型的具体步骤为：
(61)整理加工特征的结构设计工艺规则并定义规则标签号，将其分为非数值(a)规则和数值(b)规则两部分；
(62)收集有关表a、b规则的加工特征结构设计案例，不满足a规则的加工特征使其拓扑结构数据降维成多个视图组成的彩色图像集，不满足b规则的加工特征使其设计参数信息编码成向量集，从而生成a规则、b规则的两类挖掘数据库；
(63)构建卷积神经网络和bp神经网络，分别对a规则、b规则的两类挖掘数据库进行规则信息挖掘，待完成后获得a规则、b规则两种结构工艺性智能决策模型。
进一步的，所述步骤7中，所述结构工艺性智能决策方法具体步骤为：
(71)提取加工特征信息模型内的特征类型、特征几何结构图信息，输入非数值规则智能决策模型内，自动决策几何结构合理性；
(72)提取加工特征信息模型内的特征类型、特征基本尺寸、特征精度、表面粗糙度信息，输入数值规则智能决策模型内，自动决策设计参数合理性；
(73)综合分析step1和step2决策数据，存储结构工艺性评价结果。
所述步骤7所述的基于约束能力的制造资源双层筛选方法具体步骤为：
(74)机床粗筛选，粗筛选机床中能满足对零件加工约束的编号集合m1；
(75)刀具粗筛选：粗筛选刀具中能满足对零件加工约束的编号集合t1；
(76)机床精筛选：精筛选机床集合m1中能满足对零件特征加工约束的编号m2，m2∈m1；
(77)刀具精筛选：精筛选刀具集合d1中能满足对零件特征加工约束的编号t2，t2∈t1；
(78)存储m2，t2，得加工可行性的评价结果。
实施例2
如图1至图5所示，图1为本方法的总流程图，以连杆为例，一种船用柴油机关键件可制造性智能评价方法按照如下的步骤进行实施：
步骤1，按照加工特征定义，以具有制造语义且无法拆分的最简化特征将船用柴油机关键件的加工特征分为四类：面类、孔类、槽类及腔类。如图2所示，面类可分为平面、柱面、锥面、简单曲面；孔类可分为简单孔、台阶孔、锥孔；槽类可分为外槽、内槽、端面槽、矩形槽、球形槽、u形槽、t形槽、燕尾槽；腔类可分为封闭腔和开口腔。
步骤2，导入连杆的mbd模型，基于模型的标注信息提取加工特征几何元素并进行预处理，将加工特征的三维拓扑结构降维成多角度彩色图集。如图3所示，加工特征的预处理方式具体步骤为：
step1.获取mbd模型的某个表面粗糙度pmi属性值，对其关联的对象进行特征轮廓抽取，获取加工特征拓扑结构片体f；
step2.隐藏模型视图中所有可见对象，将加工特征f单独显示；
step3.使加工特征f的基准坐标系与绝对坐标系重合，在此基础上分别以前视图、左视图、俯视图等多个视图于三维软件的图形窗口中对加工特征f进行表达，并结合应用程序接口(api)函数捕捉各视图的窗口截图；
step4.对捕捉结果进行图像拼接，获得多个视图组成的单张彩色图像w；
step5.多次旋转加工特征f的空间角度并执行步骤step3-4，将加工特征三维拓扑结构转换为二维多角度彩色图像集wn＝{w1，w2，…wn}，n为旋转次数。
步骤3，构建基于深度学习图像识别技术的卷积神经网络模型，通过自创建数据或采集典型柴油机关键件的特征数据等方法来获取和扩容训练数据集，待完成训练后获得加工特征分类器并采用基于多角度图像识别综合分析方法进行特征识别。
基于多角度图像识别综合分析方法具体步骤为：
step1.将加工特征f的二维彩色图像集wn输入到加工特征分类器，返回图像集的预测概率数组
step2.处理所有图像预测数据，将预测的相同特征类型概率相加，计算最大期望et，即
step3.返回加工特征f对应的特征类型，即标签t对应的类型，并以txt文本形式储存。
步骤4，结合ug二次开发技术，采用c 编程语言遍历mbd模型的pmi标注属性和txt文本内容，提取连杆的零件信息、加工特征信息并以面向对象方式进行建模，所述的零件信息模型和加工特征信息模型分别包括以下属性：零件信息模型：毛坯的类型、材料，零件的名称、类型、编号、生产方式、零件尺寸、质量；即part_model＝{b_type、b_material、p_name、p_type、p_number、p_method、p_size、p_quality}；加工特征信息模型：特征的类型、编号、基本尺寸、精度、表面粗糙度、几何拓扑结构图；即feature_model＝{f_type、f_number、f_size、f_recision、f_surface、f_geometric}。
步骤5，收集企业制造资源信息，结合ug二次开发技术，采用c 编程语言及面向对象方式对制造资源信息进行建模，其中机床信息模型、刀具信息模型包括以下属性：
机床信息模型：机床的类型、编号、生产方式、工作台尺寸、最大加工质量、可加工毛坯类型、可加工毛坯材料、可加工特征类型、可加工精度、可加工表面粗糙度；即machine_model＝{m_type、m_number、m_p_method、m_p_size、m_p_quality、m_b_type、m_b_material、m_f_type、m_f_recision、m_f_surface}；刀具信息模型：刀具的类型、编号、基本尺寸、可加工特征类型、可加工材料、可加工精度、可加工表面粗糙度；即tool_model＝{t_type、t_number、t_f_size、t_f_type、t_b_material、t_f_recision、t_f_surface}；
步骤6，收集船用柴油机关键件的典型案例，采用数据挖掘技术，将案例中的加工特征的拓扑结构数据、设计参数数据分别预处理后输入相应的神经网络，挖掘其隐含的结构设计工艺规则，待完成后生成非数值规则、数值规则两种结构工艺性智能决策模型。具体步骤为：
step1.整理加工特征的结构设计工艺规则并定义规则标签号，将其分为非数值(a)规则和数值(b)规则两部分，部分整理结果如表1、2所示；
表1
表2
step2.收集有关表1、2规则的加工特征结构设计案例，不满足a规则的加工特征使其拓扑结构数据降维成多个视图集成的彩色图像集，不满足b规则的加工特征使其设计参数信息编码成向量集，从而获得a规则、b规则的两类挖掘数据库；
step3.构建卷积神经网络和bp神经网络，分别对a规则、b规则的两类挖掘数据库进行表1和表2所示的规则信息挖掘，待完成后获得a规则、b规则两种结构工艺性智能决策模型。
步骤7，对连杆展开可制造性评价。提取加工特征信息模型中相关数据并输入结构工艺性智能决策模型中，采用结构工艺性智能决策方法判断连杆的结构工艺性；结合零件信息模型、加工特征信息模型、制造资源模型的相关数据，采用基于约束能力的制造资源双层筛选方法判断连杆的加工可行性；
如图3所示，结构工艺性智能决策方法具体步骤为：
step1.提取加工特征信息模型内的特征类型、几何拓扑结构图，输入非数值规则智能决策模型内自动决策几何结构合理性；
即result1＝f(m_type,f_geometric)，result1为a规则对应的标签号；
step2.提取加工特征信息模型内的特征类型、基本尺寸、精度、表面粗糙度信息，输入数值规则智能决策模型内自动决策设计参数合理性；
即result2＝f(m_type,f_size,f_recision,f_surface)，result2为b规则对应的标签号；
step3.综合处理step1和step2决策数据，存储结构工艺性的评价结果。
如图4所示，基于约束能力的制造资源双层筛选方法具体步骤为：
step1.机床粗筛选，粗筛选机床中能满足对连杆加工约束的编号集合m1；
约束条件为：bool(p_method∈m_p_method)∩bool(p_size≤m_p_size)∩bool(p_quality≤m_p_quality)∩bool(b_type∈m_b_type)∩bool(b_material∈m_b_material)＝1；
step2.刀具粗筛选：粗筛选刀具中能满足对连杆加工约束的编号集合d1。
约束条件为：bool(b_material∈t_b_material)＝1；
step3.机床精筛选：精筛选机床集合m1中能满足对连杆特征加工约束的编号m2，m2∈m1；
约束条件为：bool(f_type∈t_f_type)∩bool(f_recision≤m_f_recision)∩bool(f_surface≤m_f_surface)＝1；
step4.刀具精筛选：精筛选刀具集合d1中能满足对连杆特征加工约束的编号d2，d2∈d1；
约束条件为：bool(f_type∈t_f_type)∩bool(f_size≤t_f_size)∩bool(f_recision≤t_f_recision)∩bool(f_surface≤t_f_surface)＝1；
step5.存储m2，d2，为加工可行性的评价结果。
步骤8，输出连杆的可制造性评价报告，包括结构工艺性报告文档、加工可行性报告文档。根据报告的内容逐条修改，解决模型设计不正确问题。
1.一种船用柴油机关键件的可制造性智能评价方法，其特征在于，所述船用柴油机关键件的可制造性智能评价方法包括如下步骤：
步骤1：对船用柴油机关键件的加工特征进行分类；
步骤2：分析mbd模型，提取加工特征几何元素并降维处理；
步骤3：构建加工特征分类器，采用基于多角度图像识别综合分析方法进行特征识别；
步骤4：提取mbd模型标注信息，构建零件信息模型和加工特征信息模型；
步骤5：收集企业制造资源信息，构建制造资源信息模型；
步骤6：收集典型案例并采用数据挖掘技术，挖掘船用柴油机关键件的加工特征结构设计工艺规则，生成结构工艺性智能决策模型；
步骤7：采用结构工艺性智能决策方法判断零件的结构工艺性；采用基于约束能力的制造资源双层筛选方法判断零件的加工可行性；
步骤8：基于nx10.0开发此平台，输出可制造性评价报告，所述可制造性评价报告分为结构工艺性评价报告和加工可行性评价报告，所述评价报告包括在可制造性为通过条件下的制造资源列表以及不通过条件下的具体原因。
2.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，其特征在于，所述船用柴油机关键件的可制造性智能评价方法针对船用柴油机关键件mbd模型进行实施，从零件的特征层和零件层两方面展开结构工艺性、加工进行智能化和自动化可行性综合评价。
3.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，其特征在于，所述步骤1中，所述加工特征是指面类和/或孔类和/或槽类和/或腔类，所述加工特征是以具有制造语义且无法拆分的最简化特征进行划分。
4.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤2中，所述提取加工特征几何元素并降维处理具体步骤为：
(21)获取mbd模型的某个表面粗糙度pmi属性值，对其关联的对象进行特征轮廓抽取，获取加工特征拓扑结构片体f；
(22)隐藏模型视图中所有可见对象，将加工特征f单独显示；
(23)使加工特征f的基准坐标系与绝对坐标系重合，在此基础上分别以前视图、左视图、俯视图等多个视图于三维软件的图形窗口中对加工特征f进行表达，并结合应用程序接口(api)函数捕捉各视图的窗口截图；
(24)对捕捉结果进行图像拼接，获得多个视图组成的单张彩色图像w；
(25)多次旋转加工特征f的空间角度并执行步骤step3-4，将加工特征三维拓扑结构转换为二维多角度彩色图像集wn＝{w1，w2，…wn}，n为旋转次数。
5.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤3中，所述加工特征分类器具是通过训练深度学习模型后得到的，输入信息为彩色特征图片，输出信息为特征类型。
6.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤3中，所述基于多角度图像识别综合分析方法是具体步骤为：
(31)将加工特征f的二维彩色图像集输入到加工特征分类器，返回图像集的预测概率数组
(32)处理所有图像预测数据，将预测的相同特征类型概率相加，计算最大期望et，即
(33)返回加工特征f对应的特征类型，即标签t对应的类型，并以txt文本形式储存。
7.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤4中，所述零件信息模型和加工特征信息模型包括以下属性：
所述零件信息模型包括：毛坯的类型、材料，零件的名称、类型、编号、生产方式、零件尺寸、质量；
所述加工特征信息模型包括：特征的类型、编号、基本尺寸、精度、表面粗糙度、几何拓扑结构图。
8.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤5中，所述制造资源信息模型包括机床信息模型和刀具信息模型包括以下属性：
所述机床信息模型包括：机床的类型、编号、生产方式、工作台尺寸、最大加工质量、可加工毛坯类型、可加工毛坯材料、可加工特征类型、可加工精度、可加工表面粗糙度；
所述刀具信息模型包括：刀具的类型、编号、基本尺寸、可加工特征类型、可加工材料、可加工精度、可加工表面粗糙度。
9.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤6中，所述生成结构工艺性智能决策模型的具体步骤为：
(61)整理加工特征的结构设计工艺规则并定义规则标签号，将其分为非数值(a)规则和数值(b)规则两部分；
(62)收集有关表a、b规则的加工特征结构设计案例，不满足a规则的加工特征使其拓扑结构数据降维成多个视图组成的彩色图像集，不满足b规则的加工特征使其设计参数信息编码成向量集，从而生成a规则、b规则的两类挖掘数据库；
(63)构建卷积神经网络和bp神经网络，分别对a规则、b规则的两类挖掘数据库进行规则信息挖掘，待完成后获得a规则、b规则两种结构工艺性智能决策模型。
10.如权利要求1所述的船用柴油机关键件的可制造性智能评价方法，特征在于，所述步骤7中，所述结构工艺性智能决策方法具体步骤为：
(71)提取加工特征信息模型内的特征类型、特征几何结构图信息，输入非数值规则智能决策模型内，自动决策几何结构合理性；
(72)提取加工特征信息模型内的特征类型、特征基本尺寸、特征精度、表面粗糙度信息，输入数值规则智能决策模型内，自动决策设计参数合理性；
(73)综合分析step1和step2决策数据，存储结构工艺性评价结果；
所述步骤7所述的基于约束能力的制造资源双层筛选方法具体步骤为：
(74)机床粗筛选，粗筛选机床中能满足对零件加工约束的编号集合m1；
(75)刀具粗筛选：粗筛选刀具中能满足对零件加工约束的编号集合t1；
(76)机床精筛选：精筛选机床集合m1中能满足对零件特征加工约束的编号m2，m2∈m1；
(77)刀具精筛选：精筛选刀具集合d1中能满足对零件特征加工约束的编号t2，t2∈t1；
(78)存储m2，t2，得加工可行性的评价结果。
技术总结