本发明涉及，更具体地说，涉及一种基于模拟退火算法的模具数据匹配方法、装置、设备、系统及计算机可读存储介质。
背景技术：
模具行业是典型的单一产品定制模式，具有复杂结构和高度差异化工程需求的特点。由于模具分型面的复杂性，结构的多样化和成型条件，即使遵循所有的模具设计和制造原则，开始时仍难以确保成功的模具试验。此外，由于关键部件的不可替代性的特点，高度依赖工程师的知识经验，需要制定解决方案，保证整个设计活动的准确性和快速性。进而，由于模具行业具有精度高，效率高，耐用性高等特点，已广泛应用于各种领域。成型件占电脑，家用电器，医疗器械，汽车等消费品的70％以上。随着模具行业的蓬勃发展，已经引起了广泛的关注缩短产品开发时间，加强企业竞争力。然而，由于设计错误和复杂的制造过程，企业经常需要重新设计和修改模具，导致模具制造和模制产品不良，从而浪费时间，金钱和人力。模具设计具的经验依赖性高，且有与模具制造过程直接相关的特点，制造商经常以具体参数记录案例，为提高设计活动提供了巨大的潜在价值。
因此，如何为模具设计提供最相近的案例数据，为模具设计提供设计依据，是本领域技术人员需要解决的问题。
技术实现要素：
本发明的目的在于提供一种基于模拟退火算法的模具数据匹配方法、装置、设备、系统及计算机可读存储介质，以为模具设计提供最相近的案例数据，为模具设计提供设计依据。
为实现上述目的，本发明实施例提供了如下技术方案：
一种模具数据匹配方法，包括：
提取目标模具数据的特征信息；
利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度；
判断是否存在相似度大于预定阈值的历史模具数据；
若存在，则将相似度大于预定阈值的历史模具数据作为与所述目标模具数据匹配的历史模具数据。
其中，所述知识库的生成方法包括：
提取历史模具数据的特征信息；
利用潜在语义分析技术，以及与每个历史模具数据对应的特征信息，构建所述知识库。
其中，所述利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度，包括：
通过模拟退火算法计算知识库中每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度；
利用每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度，以及每个特征信息的选择权重，计算每个历史模具数据与所述目标模具数据的相似度。
一种模具数据匹配装置，包括：
特征提取模块，用于提取目标模具数据的特征信息；
相似度计算模块，用于利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度；
判断模块，用于判断是否存在相似度大于预定阈值的历史模具数据；
选取模块，用于存在相似度大于预定阈值的历史模具数据时，将相似度大于预定阈值的历史模具数据作为与所述目标模具数据匹配的历史模具数据。
其中，还包括知识库构建模块；所述知识库构建模块包括：
特征提取单元，用于提取历史模具数据的特征信息；
构建单元，用于利用潜在语义分析技术，以及与每个历史模具数据对应的特征信息，构建所述知识库。
其中，所述相似度计算模块包括：
第一计算单元，用于通过模拟退火算法计算知识库中每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度；
第二计算单元，用于利用每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度，以及每个特征信息的选择权重，计算每个历史模具数据与所述目标模具数据的相似度。
一种模具数据匹配设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述模具数据匹配方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述模具数据匹配方法的步骤。
一种模具数据匹配系统，包括：输入层、上述任意一项的模具数据匹配装置，以及输出层；
所述输入层，用于获取目标模具数据，并将所述目标模具数据输入至模具数据匹配装置；
所述输出层，用于输出模具数据匹配装置选取的与所述目标模具数据匹配的历史模具数据。
通过以上方案可知，本发明实施例提供的一种模具数据匹配方法，包括：提取目标模具数据的特征信息；利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度；判断是否存在相似度大于预定阈值的历史模具数据，若存在，则将相似度大于预定阈值的历史模具数据作为与所述目标模具数据匹配的历史模具数据。可见，本方案通过目标模具数据的特征信息与历史模具数据的特征信息进行相似度计算，可以从知识库中搜索出与目标模具数据相似的历史模具数据案例，从而为模具设计提供最相近的案例数据，为模具设计提供设计依据，促进模具重新设计的准确性和效率；本发明还公开了一种模具数据匹配装置、设备及计算机可读存储介质，同样能实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于模拟退火算法的模具数据匹配方法流程示意图；
图2为本发明实施例公开的一种基于模拟退火算法的模具数据匹配装置结构示意图；
图3为本发明实施例公开的一种基于模拟退火算法的模具数据匹配系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于模拟退火算法的模具数据匹配方法、装置、设备、系统及计算机可读存储介质，以为模具设计提供最相近的案例数据，为模具设计提供设计依据。
参见图1，本发明实施例提供的一种模具数据匹配方法，包括：
s101、提取目标模具数据的特征信息；
具体的，在本实施例中，目标模具数据是输入系统的设计问题，对于每个以设计问题，它包括四个代表性的方面，包括产品名称，现有问题，问题的原因和辅助信息。也就是说，目标模具数据的特征信息至少包括产品名称，现有问题，问题的原因和辅助信息等。
s102、利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度；
本方案中的知识库是在学习阶段生成的，具体来说，知识库的生成方法包括：提取历史模具数据的特征信息；利用潜在语义分析技术，以及与每个历史模具数据对应的特征信息，构建所述知识库。
可以理解的是，学习阶段所建立的知识库中的内容，是便于后续的应用阶段的检索过程中检索出与输入的设计问题最匹配的数据。具体来说，知识库的构建是通过对历史改模案例的特征提取和潜在语义分析来完成的。
其中，特征提取是用于提取现有改模案例中的重要特征。例如，有一个重新设计的案例，其中包含以下信息：“手套箱分离表面有轻微的边缘(注塑塑料模具产品)。原因是分离面的精度不够好。解决方案是研磨分型面以提高分型面的精度。则经过特征提取后得到的各特征信息为：所提供的信息是产品名称为“手套箱”；现有问题是“分开表面有轻微的边缘”；原因是“分离面的精度不够好”；解决方案是“研磨分型面”，没有辅助信息。
进一步，经过特征提取之后，对各特征进行潜在语义分析(latentsemanticanalysis，lsa)处理各特征，具体来说，在进行潜在语义分析之前，已经对历史改模案例进行了特征提取，这些特征是一系列词，而词在使用过程中往往存在一词多义或多词一义的问题，而潜在语义分析能够挖掘出词所对应的潜在语义，剔除其它无意义的语义，从而达到对数据进行降噪和降维的目的，并生成最终的知识库。需要说明的是，本方案所使用的潜在语义分析技术与传统的矢量空间模型相比，lsa具有精度高，体积小的特点，可以大大简化文档检索算法的计算复杂度。并在聚类过程之后，基于每个特征的平均值获得每个聚类的质心。
s103、判断是否存在相似度大于预定阈值的历史模具数据；若存在，则将相似度大于预定阈值的历史模具数据作为与所述目标模具数据匹配的历史模具数据。
具体的，在本方案在学习阶段，需要提取重新设计案例的条特征，并通过潜在语义分析之后生成知识库；在应用阶段，则根据需要匹配的目标模具数据的特征值，并通过模拟退火算法saa计算目标模具数据与知识库中的历史模具数据的相似度，当目标模具数据与知识库中的历史模具数据的相似度大于预定阈值，则提取该历史模具数据作为案例，也就是本方案中的匹配的历史模具数据。
进而，在全部匹配完之后，可以判断提取案例的数量是否为零，若为零，则说明未匹配到案例，则基于传统的方法重新设计；如果提取案例的数量大于零，则基于已经提取的案例重新设计；重新设计之后，需要从重新设计的方案中提取解决方案，并进行cae模拟，如果不合格，则重新设计；如果合格，则判断该重新设计的方案是否为改进方案，如果不是改进方案，则结束流程；如果是改进方案，则将该案例的相关数据加入知识库。
可以看出，本方案通过目标模具数据的特征信息与历史模具数据的特征信息进行相似度计算，可以从知识库中搜索出与目标模具数据相似的历史模具数据案例，从而为模具设计提供最相近的案例数据，为模具设计提供设计依据，通过这种方式将历史注塑模具修改数据分析和重新利用，促进了模具重新设计的准确性和效率。
基于上述实施例，在本实施例中，利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度，包括：
通过模拟退火算法计算知识库中每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度；
利用每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度，以及每个特征信息的选择权重，计算每个历史模具数据与所述目标模具数据的相似度。
具体的，在本实施例中的应用阶段，具体是通过模拟退火算法(simulatedannealingalgorithm，saa)从知识库中匹配与输入的目标模具数据相似度较高的历史模具数据。saa是一种典型的全局优化方法，具有偶尔接受更差解决方案的特点，其概率有助于跳出任何局部最优值。为了实现有效和高效的检索，在应用阶段可以通过以下两种计算方式来确定最终的历史模具数据。
第一种方式是通过传统的模拟退火算法class-saa，这种经典的saa应用于案例的中心，以寻求与输入的设计问题具有最高相似性的案例。算法以随机初始点s0和温度t0开始。为了更好地探索整个案例空间，考虑到以前的改模设计的离散确定性特征，初始t0是一个常数。从案例空间移动的机制是从先前点的邻域随机选择的。假设si是在迭代k中具有目标函数f(si)的选择点，则下一个点si+1具有目标函数f(si+1)的值。如果f(si+1)≥f(si)，点si+1被接受为新的估计解。另一方面，如果f(si+1)<f(si)，则点si+1成为有机会接受点(一般标准)。因此，产生均匀随机数uk～u[0,1](均匀分布在区间[0,1]上)。如果uk＜exp[-[f(si-f(si+1))]/t0]，点si+1以概率exp[-[f(si-f(si+1))]/t0]被接受为最优的近似解；否则si仍然是最优的近似解。当算法的最优值在10个连续步骤中保持不变时，算法终止。
第二种方法为本方案基于传统的模拟退火算法class-saa所改进生成的，具体为模拟退火算法individual-saa，对于individual-saa，它用于搜索用于实现全局优化解决方案的最佳案例中的情况。类似的程序在individual-saa中进行。此外，individual-saa是找出具有比阈值更大的相似性的情况。因此，一旦individual-saa提取的案例得到相似性，就有一个比较。终止条件是达到期望数量的情况，或者算法的最优值在10个连续步骤中保持不变。
如果本方案中的输入为：改模设计的问题；相似度阈值ts；输出为：拥有与输入改模问题相似度大于阈值的改模案例；则本实施例中模拟退火算法individual-saa的具体步骤如下：
步骤1：初始温度t0，初始解状态s0(迭代算法的起始点)；
步骤2：另k＝0，并且生成一个新的解sk+1；
步骤3：计算t＝c(sk+1)-c(sk)和t'＝c(sk+1)-ts的增量，其中c(s)由下文的公式1计算求得；
步骤4：如果t＜0和t'＜0，sk仍然是最优的近似解；
如果t＜0和t'≥0，则基于metropolis准则接受sk+1，并将其视为输出情况；
如果t≥0且t'＜0，则基于metropolis准则接受sk+1；
如果t≥0且t'≥0，则sk+1被接收并输出。
步骤5：如果满足终止条件，则输出当前的最优解。如果不是，令k＝i+1，并重复执行步骤2～步骤5。
具体来说，假设最佳相似度选择标准是{产品名称，现有问题，原因，结构和模具精度}。有经验的模具工人可以通过分配选择标准的相对权重来表达实际的偏好。例如，如果工人认为产品名称是找到类似情况的重要因素，则可以将较高的值分配给产品名称问题。产品名称和现有问题被认为是更重要的因素，选择标准的相对权重为{0.300，0.300，0.200，0.200}。因此，可以如等式1所示计算相似度，也即上述步骤中的c(s)：
其中sim(pa，pb)是输入设计问题与知识库中现有案例之间的相似性；ωk是第k个选择标准的相对权重；在本方案中，选择标准即为上述实施例中的特征信息；sim(pak,pbk)是输入问题与现有情况之间的第k个选择标准的相似性。应用tf-idf(termfrequency–inversedocumentfrequency，加权技术)，其将词汇的上下文信息的概率分布作为词之间的语义相似性计算的参考。根据词频统计，出现在语料库中的每个选择标准中的所有单词都用词频表示为n维向量：更具体地说，我们可以呈现知识中的第k个选择标准存储库pak＝＜pak1,pak2,......,pakn＞。类似地，目标搜索的n维向量pbk＝＜pbk1,pbk2,......,pbkn＞。相似性由两个矢量之间的角度的余弦表示，如等式2所示：
其中pak是知识库中情况a的第k个选择标准的n维向量，而pbk是输入设计问题的第k个选择标准。
下面对本发明实施例提供的模具数据匹配装置进行介绍，下文描述的模具数据匹配装置与上文描述的模具数据匹配方法可以相互参照。
参见图2，本发明实施例提供的一种模具数据匹配装置，包括：
特征提取模块110，用于提取目标模具数据的特征信息；
相似度计算模块120，用于利用所述特征信息与知识库中每个历史模具数据的特征信息进行相似度匹配，得到每个历史模具数据与所述目标模具数据的相似度；
判断模块130，用于判断是否存在相似度大于预定阈值的历史模具数据；
选取模块140，用于存在相似度大于预定阈值的历史模具数据时，将相似度大于预定阈值的历史模具数据作为与所述目标模具数据匹配的历史模具数据。
其中，本方案还包括知识库构建模块；所述知识库构建模块包括：
特征提取单元，用于提取历史模具数据的特征信息；
构建单元，用于利用潜在语义分析技术，以及与每个历史模具数据对应的特征信息，构建所述知识库。
其中，所述相似度计算模块包括：
第一计算单元，用于通过模拟退火算法计算知识库中每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度；
第二计算单元，用于利用每个历史模具数据的特征信息，与所述目标模具数据对应的特征信息的相似度，以及每个特征信息的选择权重，计算每个历史模具数据与所述目标模具数据的相似度。
本发明实施例还公开了一种模具数据匹配设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上所模具数据匹配方法的步骤。
具体的，该存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述模具数据匹配方法的步骤。
参见图3，为本发明实施例还公开了一种模具数据匹配系统，包括：输入层200、上述实施例所述的模具数据匹配装置100，以及输出层300；
所述输入层200，用于获取目标模具数据，并将所述目标模具数据输入至模具数据匹配装置；
所述输出层300，用于输出模具数据匹配装置选取的与所述目标模具数据匹配的历史模具数据。
具体的，本系统一共有有三层，即输入层、基于模拟退火算法的注塑模具修改知识(saa-basedimmk)系统，即上文所述的模具数据匹配，以及输出层。输入层：用于输入设计问题，即由设计问题组成，对于每个问题，它包括四个代表性的方面，包括产品名称，现有问题，问题的原因和辅助信息。
immk系统：由特征提取，潜在语义分析(lsa)，知识库，saa和重新设计检索等五个部分组成。为了重新使用修改模具案例，有必要在确保原文的意义的基础上对文本进行预处理。为了解决这个问题，最有效的方法是减小维数。lsa是分析一组术语之间的关系的典型技术，用于聚类提取的特征以建立知识库。saa是一个优秀的全局优化和快速收敛算法，可以用于实现对知识库的高效的检索过程。
输出层：根据输入层中得到的问题，再通过saa算法对知识库中的案例进行相似度匹配，得到可选的改模案例，输出层就是由这些案例组成。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。