基于知识-规则融合与动态置信度量化的双机器人钻铆智能参数推荐方法

doi:10.7527/S1000-6893.2025.32623

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于知识-规则融合与动态置信度量化的双机器人钻铆智能参数推荐方法

陶永¹^,²(), 王潇桐², 刘亚醉², 刘海涛¹, 张宇帆³, 薛雷⁴, 郭瑞军⁵, 任帆⁶, 魏洪兴¹

^1.北京航空航天大学机械工程及自动化学院，北京 102206
^2.北京航空航天大学航空发动机研究院，北京 102206
^3.北京航空航天大学大型飞机高级人才班，北京 102206
^4.中国商飞上海飞机制造有限公司，上海 201324
^5.北京华航唯实机器人科技股份有限公司，北京 100094
^6.南开大学人工智能学院，天津 300350

收稿日期:2025-07-24 修回日期:2025-08-14 接受日期:2025-10-09 出版日期:2025-12-09 发布日期:2025-12-08
通讯作者: 陶永 E-mail:taoy@buaa.edu.cn
基金资助:
国家重点研发计划(2022YFB4700400)

Intelligent parameter recommendation method for dual-robot drilling and riveting with knowledge-rule fusion and dynamic confidence quantification

Yong TAO¹^,²(), Xiaotong WANG², Yazui LIU², Haitao LIU¹, Yufan ZHANG³, Lei XUE⁴, Ruijun GUO⁵, Fan REN⁶, Hongxing WEI¹

^1.School of Mechanical Engineering & Automation，Beihang University，Beijing 102206，China
^2.Research Institute of Aero-Engine，Beihang University，Beijing 102206，China
^3.School of Large Aircraft Advanced Training Center，Beihang University，Beijing 102206，China
^4.COMAC Shanghai Aircraft Manufacturing Co. ，Ltd. ，Shanghai 201324，China
^5.Beijing C. H. L. Robotics Co. ，Ltd. ，Beijing 100094，China
^6.College of Artificial Intelligence，Nankai University，Tianjin 300350，China

Received:2025-07-24 Revised:2025-08-14 Accepted:2025-10-09 Online:2025-12-09 Published:2025-12-08
Contact: Yong TAO E-mail:taoy@buaa.edu.cn
Supported by:
National Key Research and Development Program of China(2022YFB4700400)

摘要/Abstract

摘要：

针对双机器人钻铆工艺参数依赖人工经验、工艺知识碎片化导致的智能化决策难题，提出一种融合知识图谱与规则推理的双机器人钻铆智能参数推荐方法。首先，构建双机器人钻铆工艺多层知识图谱，融合工具、工件、工艺、特征、实例层5层的292个实体与711条关系，实现钻铆材料属性、工艺参数、质量指标的多模态语义关联；接着，提出一种两阶段推理方法，通过层次分析法定权的加权余弦相似度算法匹配相似案例，结合基于优先级的规则引擎进行钻铆机器人参数约束与冲突消解，提升双机器人钻铆推荐参数的准确性与一致性；进而，提出一种基于数据与规则约束的动态置信度计算模型，构建双机器人钻铆的数据规模、质量、分布和规则冲突四维评估方法，基于动态权重置信度量化评估实现双机器人钻铆智能参数推荐结果的可解释性。最后，在中国商飞上海飞机制造有限公司的双机器人钻铆工作站的实验表明，该方法推荐参数综合置信度达0.93，且生成参数符合工艺物理约束，满足工艺要求。所提出的方法为航空制造机器人场景的工艺知识沉淀与智能化决策提供了可行的解决方案。

关键词: 参数推荐, 知识图谱, 钻铆工艺, 知识推理, 工艺知识建模

Abstract:

To address the challenge of intelligent decision-making in dual-robot drilling and riveting， which is often hindered by reliance on manual expertise and fragmented process knowledge， this study proposes an intelligent parameter recommendation method that integrates knowledge graphs with rule reasoning. Initially， a multi-layer knowledge graph for dual-robot drilling and riveting is constructed. This graph comprises 292 entities and 711 relationships， organized across five layers： tool， workpiece， process， feature， and instance. It enables multimodal semantic associations among material properties， process parameters， and quality indicators. Based on this knowledge graph， a two-stage reasoning framework is introduced. In the first stage， similar cases are retrieved using a weighted cosine similarity algorithm， where the weights are determined via the analytic hierarchy process. In the second stage， a priority-based rule engine enforces parameter constraints and resolves conflicts. This framework enhances both the accuracy and consistency of parameter recommendations. Furthermore， a dynamic confidence evaluation model is developed by incorporating data- and rule-based constraints， establishing a four-dimensional assessment along the axes of data scale， data quality， data distribution， and rule conflicts. This dynamic weighting mechanism enhances the interpretability of the recommendation results. Experimental validation on a dual-robot drilling and riveting workstation at COMAC Shanghai Aircraft Manufacturing Co.， Ltd. demonstrates that the proposed method achieves a comprehensive confidence level of 0.93， with the recommended parameters satisfying physical process constraints. Overall， this method provides an effective approach for capturing and reusing process knowledge while supporting intelligent decision-making in complex manufacturing scenarios.

Key words: parameter recommendation, knowledge graph, drilling and riveting process, knowledge reasoning, knowledge modeling

中图分类号:

V262.4

陶永, 王潇桐, 刘亚醉, 刘海涛, 张宇帆, 薛雷, 郭瑞军, 任帆, 魏洪兴. 基于知识-规则融合与动态置信度量化的双机器人钻铆智能参数推荐方法[J]. 航空学报, 2026, 47(8): 432623.

Yong TAO, Xiaotong WANG, Yazui LIU, Haitao LIU, Yufan ZHANG, Lei XUE, Ruijun GUO, Fan REN, Hongxing WEI. Intelligent parameter recommendation method for dual-robot drilling and riveting with knowledge-rule fusion and dynamic confidence quantification[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(8): 432623.

图/表 23

图 1

图 2

表 1

图 3

表 2

图 4

表 3

图 5

表 4

表 5

参数搜索边界设定

参数	描述	初值	下界	上界
$κ s$	安全规则权重	1.5	1.2	2.0
$κ q$	质量规则权重	1.2	1.0	1.8
$κ e$	效率规则权重	1.0	0.8	1.3
$N m a x$	案例上限	15	8	15
$τ$	分布阈值	0.2	0.05	0.3

表 5

表 6

最优参数配置

参数	描述	最优值
$κ s$	安全规则权重	1.59
$κ q$	质量规则权重	1.08
$κ e$	效率规则权重	0.88
$N m a x$	案例上限	8
$τ$	分布阈值	0.15

表 6

图6

图 7

图 8

表 7

表 8

图 9

表 9

表 10

表 11

表 12

图 10

表 13

参考文献 35

[1]	MEI B， LIANG Z， XIE Y， et al. Positioning accuracy enhancement of a robotic assembly system for thin-walled aerostructure assembly ［J］. Journal of Industrial Information Integration， 2023， 35： 100518.
[2]	CHRISTIAN H， GUDRUN F， NIKOLAUS S， et al. Production planning optimisation for composite aerospace manufacturing ［J］. International Journal of Production Research，2018， 57（18）： 5857-5873.
[3]	ANDREY K， MIKHAIL T， MIKHAIL K. Multivariate manufacturing process planning for aircraft airframe production based on weighted criteria analysis ［J］. The International Journal of Advanced Manufacturing Technology， 2021， 117： 2263-8.
[4]	KO H， WITHERELL P， LU Y， et al. Machine learning and knowledge graph based design rule construction for additive manufacturing［J］. Additive Manufacturing， 2021， 37： 101620.
[5]	SERGIO I， RAQUEL T L. An approach for proactive mobile recommendations based on user-defined rules ［J］. Expert Systems with Applications， 2024， 242： 122714.
[6]	SUBRAMANYA N， KUMAR A R S， VIKAS Y， et al. Manufacturing process planning in aerospace systems ［J］. IOP Conference Series： Materials Scienceand Engineering， 2022， 1258 （1）： 12027.
[7]	ZHANG C， ZHOU G， HU J， et al. Deep learning enabled intelligent process planning for digital twin manufacturing cell ［J］. Knowledge-Based Systems， 2020， 191： 105247.
[8]	XIA L， LIANG Y， LENG J， et al. Maintenance planning recommendation of complex industrial equipment based on knowledge graph and graph neural network ［J］. Reliability Engineering & System Safety， 2023， 232： 109068.
[9]	WU S， SUN F， ZHANG W， et al. Graph neural networks in recommender systems： a survey ［J］. ACM Computing Surveys， 2022， 55（5）： 1-37.
[10]	TIAN L， ZHOU X， WU Y， et al. Knowledge graph and knowledge reasoning： a systematic review ［J］. Journal of Electronic Science and Technology， 2022， 20（2）： 100159.
[11]	CHEN X， JIA S， XIANG Y. A review： knowledge reasoning over knowledge graph ［J］. Expert Systemswith Applications， 2020， 141： 122948.
[12]	GUO L， YAN F， LI T， et al. An automatic method for constructing machining process knowledge base from knowledge graph ［J］. Robotics and Computer-Integrated Manufacturing， 2022， 73： 102222.
[13]	LIU M， LI X， LI J， et al. A knowledge graph-based data representation approach for IIoT-enabled cognitive manufacturing ［J］. Advanced Engineering Informatics， 2022， 51： 101515.
[14]	HUANG Z， GUO X， LIU Y， et al. A smart conflict resolution model using multi-layer knowledge graph for conceptual design ［J］. Advanced Engineering Informatics， 2023， 55： 108887.
[15]	SU C， JIANG Q， HAN Y， et al. Knowledge graph-driven decision support for manufacturing process： a graph neural network-based knowledge reasoning approach ［J］. Advanced Engineering Informatics， 2025， 64： 103098.
[16]	LI X， ZHANG S， HUANG R， et al. Structural modeling of heterogeneous CAM model based on process knowledge graph ［J］. Journal of Computer-Aided Design & Computer Graphics， 2018， 30（7）： 1342-1355.
[17]	WEN P， MA Y， WANG R. Systematic knowledge modeling and extraction methods for manufacturing process planning based on knowledge graph ［J］. Advanced Engineering Informatics， 2023， 58： 102172.
[18]	XIAO B， ZHAO Z， XU B， et al. A novel method for intelligent reasoning of machining step sequencesbased on deep reinforcement learning ［J］. Journal of Manufacturing Systems， 2025， 80： 626-642.
[19]	HU Y， ADRIANE C， WEN G， et al. What can knwledge bring to machine learning？ —a survey of low-shot learning for structured data ［J］. ACM Transactions on Intelligent Systems and Technology， 2022， 13（3）： 1-45.
[20]	LIU S， STEBNER A P， KAPPES B B， et al. Machine learning for knowledge transfer across multiple metals additive manufacturing printers ［J］. Additive Manufacturing， 2021， 39： 101877.
[21]	JOAO M， LUIS G T， ANDRÉ C R， et al. A novel jigless process applied to a robotic cell for aircraft structural assembly ［J］. The International Journal of Advanced Manufacturing Technology， 2020， 109： 1177-1187.
[22]	GUO S， AGARWAL M， COOPER C， et al. Machine learning for metal additive manufacturing： towards a physics-informed data-driven paradigm ［J］. Journal of Manufacturing Systems， 2022， 62： 145-163.
[23]	陈勇刚，刘康妮，王帅. 基于BiGRU-Attention改进的航空设备故障知识图谱构建［J］. 航空学报， 2024， 45（18）： 229916.
	CHEN Y G， LIU K N， WANG S. Fault knowledge graph construction for aviation equipment based on BiGRU-Attention improvement ［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（18）： 229916 （in Chinese）.
[24]	聂同攀，曾继炎，程玉杰，等. 面向飞机电源系统故障诊断的知识图谱构建技术及应用［J］. 航空学报， 2022， 43（8）： 625499.
	NIE T P， ZENG J Y， CHENG Y J， et al. Knowledge graph construction technology and its application in aircraft power system fault diagnosis ［J］. Acta Aeronautica et Astronautica Sinica， 2022，43（8）： 625499 （in Chinese）.
[25]	CASTRESE D M， ANDREA R， AGNESE P， et al. An interactive graph-based tool to support the designing of human-robot collaborative workplaces ［J］. International Journal on Interactive Design and Manufacturing， 2023， 18： 6255-6270.
[26]	肖彪，徐宝德，彭仕鑫，等. 基于知识图谱的复杂薄壁零件机械加工工艺知识建模研究［J］. 航空制造技术， 2024， 67（11）： 76-86.
	XIAO B， XU B D， PENG S X， et al. Study on machining knowledge modeling of complex thin-walled parts based on knowledge graph ［J］. Aeronautical Manufacturing Technology， 2024， 67（11）： 76-86 （in Chinese）.
[27]	GUO L， LI X， YAN F， et al. A method for constructing a machining knowledge graph using an improved transformer ［J］. Expert Systems with Applications， 2024， 237： 121448.
[28]	XIONG C， XIAO J， LI Z， et al. Knowledge graph network-driven process reasoning for laser metal additive manufacturing based on relation mining ［J］. Applied Intelligence， 2024， 54（22）： 11472-11483.
[29]	HUANG Z C， GUO X， CHONG J，et al. mKGMPP： a multi-layer knowledge graph integration framework and its inference method for manufacturing process planning ［J］. Advanced Engineering Informatics， 2025， 65： 103266.
[30]	ZHENG P， XIA L， LI C， et al. Towards self-X cognitive manufacturing network： an industrial knowledge graph-based multi-agent reinforcement learning approach ［J］. Journal of Manufacturing Systems， 2021， 61： 16-26.
[31]	ZHOU B， HUA B， GU X， et al. An end-to-end tabular information-oriented causality event evolutionary knowledge graph for manufacturing documents ［J］. Advanced Engineering Informatics， 2021， 50： 101441.
[32]	HUA Y， WANG R， WANG Z， et al. Knowledge graph with deep reinforcement learning for intelligent generation of machining process design ［J］. Journal of Engineering Design， 2024， 36（11）： 2072-2106.
[33]	SU C， HAN Y， JIANG Q， et al. Optimizing manufacturing process with knowledge graph-based adaptive neural network： approach to industry 5.0 consumer electronics ［J］. IEEE Transactions on Consumer Electronics， 2025， 71（2）： 4164-4178.
[34]	TIWARY N， MOHD N S A， FAUZI F， et al. Max explainability score-A quantitative metric for explainability evaluation in knowledge graph-based recommendations ［J］. Computers and Electrical Engineering， 2024， 116： 109190.
[35]	WANG L， CHENG H， WANG R， et al. Machining scheme selection of features based on process knowledge graph and improved cosine similarity matching［J］. Machines， 2025， 13（3）： 188.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

关系	关系类型	关系定义
是ID	实体-子实体	各实体身份的唯一标识符
有关系	实体-子实体	实体与子实体间的组成关系及各实体包含的参数
有是	实体-实体	实体间的包含关系，二者互为对应
满足要求	层-实体	不同层内实体包含的质量要求，二者互为对应
使用机器人	层-层	链接实例层与工具层，包括机器人实体与刀具实体
使用刀具	层-层	链接实例层与工具层，包括机器人实体与刀具实体
有加工工件	层-层	链接实例层与工件层
使用钻孔工艺	层-层	链接实例层与工艺层，包括钻孔实体与铆接实体
使用铆接工艺	层-层	链接实例层与工艺层，包括钻孔实体与铆接实体
有钻铆质量	层-层	链接实例层与特征层

参数	特征/单位
X₁	墩头高度/mm
X₂	墩头直径/mm
X₃	铆接干涉量/mm
X₄	钉头平齐度/mm
X₅	材料强度/MPa
X₆	工件质量/kg

规则分类	规则编号	触发条件	推荐措施
安全规则	IC-01	连续3次干涉量>0.08 mm	更换高刚性刀具（抗弯≥2 000 MPa），分步钻削工艺
	RH-01	墩头高度>上限（2.05 mm）	铆接力×0.95
	RG-01	工件质量>550 kg	报警：更换更高负载机型
	…	…	…
质量规则	IC-02	叠层厚度差ΔH>0.1 mm	转速=基准转速×（1+0.075ΔH）
	SF-01	平齐度<0.05 mm	进给速度×0.9
	SF-02	平齐度<0.05 mm	振动幅度>3 μm时更换高负载机器人组
	SF-03	毛刺高度>0.04 mm	铆接力×0.9
	…	…	…
效率规则	MA-01	材料=钛合金	基准转速=4 000+孔径×500，铆接力≤1.2 kN，陶瓷刀具
	SF-04	毛刺高度>0.04 mm	进行刀具磨损检测
	…	…	…

参数	工艺要求
材料	铝锂合金2060 T8E
工件质量/kg	100
孔径/mm	5
墩头高度/mm	2
墩头直径/mm	7
铆接干涉量/mm	0.05
钉头平齐度/mm	0.03

参数	案例1	案例2	案例3	案例4	案例5
钻孔进给/（mm·min^-1）	100	125	225	125	260
制孔转速/（r·min^-1）	4 300	4 000	4 500	3 000	5 000
锪窝转速/（r·min^-1）	1 360	1 000	1 600	1 000	1 800
锪窝进给/（mm·min^-1）	140	110	180	100	240
铆接压力/kN	0.4	0.4	0.4	0.4	0.4
铆接气压/MPa	0.2	0.2	0.2	0.2	0.2
锤铆时间/s	2	2	2	2	2
压紧力/N	450	450	450	450	450
顶紧力/N	350	350	350	350	350
刀具	刀具3	刀具3	刀具3	刀具3	刀具3
机器人组合	KR500+IRB8700	KR500+IRB8700	KR500+IRB8700	KR500+IRB8700	KR500+IRB8700
相似度	0.90	0.88	0.90	0.89	0.87

基于知识-规则融合与动态置信度量化的双机器人钻铆智能参数推荐方法

Intelligent parameter recommendation method for dual-robot drilling and riveting with knowledge-rule fusion and dynamic confidence quantification

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 35

相关文章 7

编辑推荐

Metrics

本文评价

参数	工艺要求
材料	钛合金TC4
工件质量/kg	120
孔径/mm	5
墩头高度/mm	2.20
墩头直径/mm	6.20
铆接干涉量/mm	0.10
钉头平齐度/mm	0.07

参数	基线推荐	PCA推荐	加权推荐	规则修正
钻孔进给/（mm·min^-1）	未找到相似案例	184	162	150
制孔转速/（r·min^-1）		3 994	4 500	6 500
锪窝转速/（r·min^-1）		1 539	1 520	1 500
锪窝进给/（mm·min^-1）		169	100	110
铆接压力/kN		0.6	0.4	0.4
铆接气压/MPa		0.2	0.2	0.2
锤铆时间/s		2.3	2.2	2.5
压紧力/N		500	450	450
顶紧力/N		260	350	350
刀具		刀具3	刀具3	更换陶瓷刀具
机器人组合		KR300+KR300	KR300+KR300	KR300+KR300
案例相似度		0.64	0.74	0.82
综合置信度		0.78	0.81	0.84

参数	推荐参数	历史最优参数
材料	7075 T6	2060 T8E
工件质量/kg	103	100
墩头高度/mm	2.50	2
墩头直径/mm	7.50	7
铆接干涉量/mm	0.05	0.05
钉头平齐度/mm	0.05	0.03
孔径/mm	5	5
钻孔进给/（mm·min^-1）	125	100
制孔转速/（r·min^-1）	4 720	4 300
锪窝转速/（r·min^-1）	1 200	1 360
锪窝进给/（mm·min^-1）	110	140
铆接压力/kN	0.4	0.4
铆接气压/MPa	0.35	0.2
锤铆时间/s	1.75	2
压紧力/N	500	450
顶紧力/N	350	350
刀具	刀具3	刀具3
机器人组合	KR300+KR300	KR300+KR300
案例相似度	0.91
综合置信度	0.93

序号	墩头高度/mm	墩头直径/mm	铆接干涉量/mm	钉头平齐度/mm
1	2.35	7.67	0.05	0.03
2	2.51	7.28	0.04	0.06
3	2.71	7.31	0.03	0.03
4	2.58	7.26	0.03	0.04
5	2.63	7.28	0.05	0.05
6	2.19	7.31	0.05	0.02
7	2.38	7.60	0.04	0.03
8	2.61	7.30	0.03	0.03
9	2.67	7.31	0.05	0.06
10	2.59	7.20	0.04	0.06
11	2.35	7.67	0.05	0.03
12	2.51	7.28	0.03	0.02
13	2.71	7.31	0.05	0.01
14	2.58	7.26	0.06	0.03
15	2.63	7.28	0.07	0.04
16	2.63	7.31	0.07	0.02
17	2.19	7.60	0.08	0.04
18	2.38	7.30	0.07	0.02
19	2.61	7.30	0.14	0.04
20	2.67	7.20	0.09	0.04
21	2.63	7.03	0.06	0.01
22	2.94	7.00	0.07	0.04
23	2.81	7.00	0.08	0.03
24	2.56	7.45	0.06	0.04
25	2.66	6.93	0.08	0.03
26	2.38	7.05	0.08	0.03
27	2.32	7.50	0.07	0.04
28	2.79	7.12	0.09	0.04
29	2.66	7.04	0.09	0.03
30	2.31	6.92	0.09	0.02
平均值	2.55	7.27	0.06	0.03
标准差	0.178	0.201	0.026	0.013

[1]	王佐旭, 王鑫, 孟爽, 郑联语. 知识-用户行为驱动的飞机工装设计知识推送方法[J]. 航空学报, 2025, 46(9): 431417-431417.
[2]	安凯, 黄伟, 王振国, 徐小平, 孟玉珊. AI驱动高速飞行器多学科发展知识图谱分析[J]. 航空学报, 2024, 45(S1): 730566-730566.
[3]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[4]	曹明, 王鹏, 左洪福, 曾海军, 孙见忠, 杨卫东, 魏芳, 陈雪峰. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ: 地面综合诊断、寿命管理和智能维护维修决策[J]. 航空学报, 2022, 43(9): 625574-625574.
[5]	聂同攀, 曾继炎, 程玉杰, 马梁. 面向飞机电源系统故障诊断的知识图谱构建技术及应用[J]. 航空学报, 2022, 43(8): 625499-625499.
[6]	陈奥, 解永春, 王勇, 李林峰. 基于深度图推理的卫星背板部件检测方法[J]. 航空学报, 2021, 42(11): 525045-525045.
[7]	席平, 张宝源, 宁涛. 基于开放式知识表示的智能化产品设计[J]. 航空学报, 2012, 33(9): 1746-1754.