CN107256009B - 一种基于深度学习的产品数字模型智能装配系统 - Google Patents
一种基于深度学习的产品数字模型智能装配系统 Download PDFInfo
- Publication number
- CN107256009B CN107256009B CN201710528109.6A CN201710528109A CN107256009B CN 107256009 B CN107256009 B CN 107256009B CN 201710528109 A CN201710528109 A CN 201710528109A CN 107256009 B CN107256009 B CN 107256009B
- Authority
- CN
- China
- Prior art keywords
- model
- assembly
- product
- layer
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000012938 design process Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000000047 product Substances 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000006227 byproduct Substances 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims 1
- 230000008676 import Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 22
- 230000009466 transformation Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的产品数字模型智能装配系统,包括四个层次:层次1,用户模块层;层次2,关键技术层;层次3,逻辑层;层次4,数据层;其中用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块;关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块;逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块;数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。该系统可以直接根据零部件数字模型信息,利用深度信念网络的学习性,实现对零部件模型的装配关系确定,极大的方便了产品模型的三维装配设计,缩短设计周期,提高设计效率。
Description
技术领域
本发明涉及一种基于深度学习的产品数字模型智能装配系统,具体涉及一种基于机械制图软件数字模型的智能装配方法。
背景技术
随着市场经济的不断发展以及客户对产品的需求精细化,传统的批量式生产方式不断发生变化。如今更多的产品正向个性化的制造方案转变。固定单一的产品模式已经不能很好地适应客户个性化及多样化的需求,企业为能在不断变化的市场需求中脱颖而出,都在大力推进高效优质的产品设计技术,绝大部分企业已经开始搭建多品种、小批量、低成本的制造平台。因此,在以客户需求为重心的产品定制方式已经成为未来发展趋势的浪潮下,产品设计的高效性则关系到企业的生存与发展。
以客户需求为重心的汽车制造领域也需进一步实施个性化设计与生产。作为设计阶段重要技术的CAD技术也更需满足个性化设计需求。因此,为快速的设计和装配出产品数字模型,大量新型CAD技术不断出现,产品数字模型的智能装配技术便是其中之一。智能装配技术的主要优势就在于当需求变动时,可以迅速的将现有的零部件进行自动装配,避免了逐一手动添加配合关系的繁琐过程。当然,智能装配技术也需要与其他相关技术融合,比如数字模型的分类识别技术、装配意图智能识别与捕捉技术等;所以在个性化需求下,如何迅速设计出符合要求的产品成为提高企业竞争力的关键。
数字化装配技术作为产品设计中的一项核心技术,经过几年的发展,已由传统的手动装配,经历了柔性装配的转变,发展到数字化装配的阶段。但其装配效率还远远没有达到理想的目标,现有技术有:1、基于装配推理的贝叶斯网络,对未知零部件进行推理装配约束,需要建立一定的零件识别库,才能提高推理结果的准确性;2、语义推理驱动的智能装配技术,提高了协同装配过程的智能化和自动化程度,该方式需要预定义零部件的装配端口以及语义推理规则库;3、一种基于分层的几何约束自动识别方法,提高了装配效率,该方法需要设置不同的分层判断机制,限制了智能装配的灵活性和适应性。
上述装配方式,在一定程度上提高了装配效率,但主要都建立在对典型零部件的归纳和分析,这些在应用范围上有很大程度的限制;因此为进一步提高设计效率和缩短设计周期,有必要提供一种深度学习的产品数字模型智能装配系统,该系统可以直接根据零部件数字模型信息,利用深度信赖网络的学习性,实现对零部件模型的装配关系确定,并对零部件进行位置变换和位姿变换,从而极大的方便了产品模型的三维装配设计,缩短设计周期,提高设计效率。
发明内容
针对现有技术存在的问题,本发明为解决现有技术中存在的问题采用的技术方案如下:
一种基于深度学习的产品数字模型智能装配系统,其特征在于,包括以下四个层次:层次1,用户模块层;层次2,关键技术层;层次3,逻辑层;层次4,数据层;所述用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块;所述关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块;所述逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块;所述的数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。
上述各层次中用户模块层主要包括参数化建模模块、各类板链参数化建模模块、参数修改模块及其智能装配特征定义模块,供设计人员对零部件进行参数化建模、零部件参数以及为智能装配定义装配特征,也是最终呈现给用户的交互界面。对于逻辑层和关键技术层,则是产品数字模型完成智能装配的底层逻辑和技术支撑,是智能装配系统的核心层。数据层是产品数据的来源和存取层,历史产品的装配模型、装配关系数据以及新产品的装配模型数据均在系统的数据层中,其中历史产品的装配数据是深度学习分类识别模型的基础,是智能分类的依据。
所述的深度学习模型建立模块的建立,包括如下步骤:
Step 1:确定DBN(深度信赖网络)模型的层数,根据智能装配系统对装配过程的高效性需求、输入数据向量结构以及网络最高层作为分类器接口等因素,DBN结构确定出输入层、输出层、隐藏层个数;
Step 2:确定输入层节点数与输出层节点数,输入层节点数参照DBN模型输入数据向量,输出层参照模型分类数,以及中间隐藏层节点数参考BP神经网络的部分经验公式:
式(1)中:X为中间隐藏层节点数,n为输入节点数,m为输出节点数,z为[0,10]的常量,n和m根据实际情况赋值;
Step 3:确定学习率,在DBN的训练过程中存在两个学习率,分别为前向堆叠RBM(受限玻尔兹曼机)学习中的学习率ε和反向微调学习中的学习率δ,本文根据经验值,学习率ε和δ按照经验值均取为0.1;
Step 4:确定DBN模型的权重W和偏置量a、b,迭代训练学习过程中各可见层与隐藏层的参数均会被多次迭代更新调整,且初始化参数的具体数值虽对DBN模型的训练时间影响明显,但对结果影响不大,故三个参数可以由随机生成。
所述基于深度学习的分类识别模块的建立,包括如下步骤:
步骤1,提取零部件装配信息数据,分为训练数据和测试数据;
步骤2,将历史产品装配数据输入DBN模型,从低到高层逐层训练DBN中的RBM;
步骤3,根据训练组的标记数据和分类规则,从最高层往最低层反向微调参数,完成DBN模型的整个训练过程;
步骤4,将测试组产品数据输入DBN模型中,输出零部件最有可能的装配方式等相关数据。
所述基于深度学习的分类识别模块的数据流向为:
(a1)、参数化模型库由历史产品装配模型、新产品装配模型组成;
(b1)、进而利用训练好的DBN识别模型,将产品模型识别为典型零部件识别库、非典型零部件识别库;
(c1)、根据识别好的模型,采用差异性的装配规则,完整产品模型的智能装配;
(d1)、如果产品装配模型为新产品装配模型,装配好之后,将产品装配模型导入历史产品装配模型,扩大产品模型库。
所述的智能装配算法模块,包含典型零部件智能装配算法和非典型零部件智能装配算法两类。
所述典型零部件智能装配算法的装配流程为:
(a2)、首先对典型零部件确定其自身的配合类型,即判断该典型零部件与已完成装配过程的装配之间是否为第Ⅰ类:二元配合;
(b2)、如果是第I类二元配合方式,进一步确定是否“线-线型约束”、“面-面型约束”等,接着,判断配合方式,重合、平行、或垂直;确定配合方式,最后施加约束关系,完成装配;
(c2)、如果不是第I类二元配合方式,由配合元素的类型与装配约束之间存在的关系逐级推理各类配合元素的位置关系。
所述非典型零部件智能装配算法的装配流程为:
(a3)、若零部件为非典型零部件,首先判断零部件的后缀名是否为装配体;
(b3)、若该模型为零件,则通过函数获取该零件的轮廓尺寸,并建立该零部件的最小包络体,通过定义最小包络体的装配特征,并将其加入非典型零部件库;
(c3)、若该模型为装配体,则通过函数获取该装配体的轮廓尺寸,并建立该装配体的最小包络体,通过定义最小包络体的装配特征,并将其加入非典型零部件库;
(d3)、对加入非典型零部件库的模型,利用识别已有的装配特征组,添加相应的配合关系,从而完成模型的装配。
本发明具有如下优点:
本发明可以通过参数模块快速设计出产品的三维零部件,并且,该系统可以直接根据零部件数字模型信息,利用深度信念网络的学习性,实现对零部件模型的装配关系确定,并对零部件进行位置变换和位姿变换,从而极大的方便了产品模型的三维装配设计,缩短设计周期,提高设计效率。
附图说明
图1为本发明方法中所包含的系统结构图;
图2为本发明方法中深度信念网络模型架构图;
图3为本发明方法的系统流程图;
图4本本发明方法中典型零部件的智能装配流程图;
图5本为发明方法中非典型零部件的智能装配流程图;
图6本为发明方法中典型零部件的智能装配例子-汽车生产线设备夹具装配图;
图7本为发明方法中典型零部件的智能装配例子-“线-线型约束”简化模型图;
图8本为发明方法中典型零部件的智能装配例子-“线-线型约束”零部件坐标系的建立及其初始位姿;
图9本为发明方法中非典型零部件的智能装配过程;
其中:1-支座,2-夹具,A-基准轴1,B-基准轴2;
图2中V1-5是输入层神经元,O1-5代表输出层的神经元,h1-3 (1-3)代表不同隐藏层之间的神经元,H1-3分别代表不同的隐藏层。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明,如图1-9所示,基于深度学习的智能装配系统包括三个主要部分:零部件参数设计、零部件分类识别和零部件智能装配。本发明在零部件设计时,首先建立通用零件库,然后在SolidWorks(本实施例中取机械制图软件为SolidWorks为例)中设置关联方程式变量,在后续设计过程中,可以利用参数化设计功能,通过修改模型关键变量来快速生成零部件模型。
零部件分类识别通过利用深度信赖网络(DBN)的层级结构以及DBN模型的训练学习等理论,结合DBN模型,引入零部件区分度DC的概念,且对零部件的分类特征进行重构定义,面向DBN模型构建零部件装配信息模型,将零部件装配信息向量化,并用于DBN模型的训练,进一步完成对零部件模型的分类识别。
零部件智能装配是对识别好的典型零部件和非典型零部件,对不同类别的零部件分别建立典型和非典型零部件模型库,对其采用差异化的装配方式,采用典型和非典型零部件模型库中零部件相应的智能装配方案。针对典型零部件配合关系简单的特点,从零部件的配合类型与配合关系元素的角度,通过零部件的坐标变换或配合关系的多层决策算法来实现典型零部件的智能装配。针对非典型零部件,则通过构建零部件的最小包络体,将非典型零部件复杂的装配转化为最小包络体的简单装配,使非典型零部件实现智能装配,最终完成产品智能装配系统的搭建。
本发明的方法中,典型零部件的智能装配算法包括如下步骤:
步骤1,对于其配合关系的几何元素组合中是否涉及曲面将配合方式分为两类:二元配合和多元配合;
步骤2,“线-线型约束”的DBN智能判别过程,在装配过程中,当两零部件之间的轴线处于相互重合、平行及垂直三种位置关系之一时,表明两零部件间的“线-线型约束”已产生。“线-线型约束”限定待装配零部件在与其装配特征回转轴正交的另外两个轴向上的移动和转动。如图6中为汽车生产线上汽车轮毂夹具设备,属于工位机械设备装配,其结构外形虽然复杂,但其装配特征较为简单,可抽象为轴孔配合,即需智能装配系统添加“线-线型约束”。其简化装配模型如图7所示,设两圆柱体的轴线方向的单位向量分别为两轴线(或两方向向量)之间的夹角为α,然后分别在两轴线上任取两点a、b,连接a、b两点,设两点之间连线的单位向量为且β为与之间的夹角;
步骤3,由构建的“线-线型约束”简化模型分析可知,产生重合、平行以及垂直三种不同位置关系的“线-线型约束”应满足的条件也各不相同:
(1)重合时应满足的角度与距离关系条件:①两零部件装配特征的回转轴线趋于平行,即两轴线的夹角α应趋向系统给定的阈值θ定1且收敛于0;②两零部件轴线上任两点的连线与轴线也趋于平行,即与之间的夹角β应趋向系统给定的阈值θ定2且收敛于0;③两轴线的距离d≤d定且趋于0;其中,θ定1、θ定2及d定为系统设定值,根据装配灵敏度进行设置;
(2)平行与重合应满足的角度关系条件相同,但与重合的区别在于平行时线与线的垂直距离d>0,在智能装配系统中通过该垂直距离来区分两种位置关系,在系统实际装配过程中也是通过先角度变换,再通过距离变换实现平行的位置关系;
(3)垂直时应满足的条件:①两零部件装配特征的回转轴线夹角应趋向π/2,即角度π/2-α应趋向系统给定的阈值θ定1且收敛于0;②两轴线上任意两点的连线与一个轴趋于垂直,即与的夹角β应满足类似α的条件;
因此,智能装配系统根据以上条件自动判别待装配典型零部件的“线-线型约束”的位置关系。判别“线-线型约束”的位置关系如表1所示:
表1“线-线型约束”的数学判别模型
步骤4,当待装配零部件满足“线-线型约束”,系统自动为零部件添加约束,即对零部件作一系列坐标变换,在进行坐标变换时需要建立零部件的三维空间坐标系,如图8所示,在已完成装配过程的零部件Pj上某一点为坐标原点O,建立适合的三维空间坐标系XYZ,设待装配零部件Pi与已完成装配过程的零部件Pj的轴Li与Lj在坐标平面YOZ、XOZ、XOY上投影的夹角分别为α、β、又知轴线Li与Lj上对应点之间的距离在X轴、Y轴、Z轴方向的投影分别为Δdx、Δdy、Δdz。因此,系统自动对待装配零部件Pi经过旋转变换和平移变换,使两零部件间产生“线-线型约束”。
本发明的方法中,非典型零部件的智能装配算法包括如下步骤如下:
步骤1,系统请求用户指定装配特征组,形成一个包含点、线、面的装配特征组,将该零件进行装配特征定义到SolidWorks所附加的Attribute属性中。
步骤2,获取待装配组件Po与已完成装配过程的零部件Pj装配特征组之间的最小距离dmin,最小距离dmin系统采用多层循环嵌套的冒泡法获取。
步骤3,设最小包络体Po与已完成装配过程的零部件Pj分别包含n、m个装配特征AF,即AFGn、AFGm,且Pj中有t个装配特征已被占用。
步骤4:从最小包络体Po上的装配特征组AFGn中任选一个装配特征AFn1,其装配特征点为Gpn1,从Pj中任选一个装配特征AFm1,其装配特征点为Gpm1,初始化最邻近装配特征点间的欧式距离
步骤5:先以初始点Gpn1不变,遍历Pj上装配特征组AFGm中所有装配特征,其中遍历到第j个特征AFmj,且0<j≤m,若装配特征特征AFmj的占位标记Lj=1,则直接跳过该特征进行下一个装配特征的遍历,否则获取该装配特征的特征点Gpmj坐标;
步骤6:计算两特征点Gpn1与Gpmj的距离若d1j<dmin,则将d1j赋值于dmin,否则,dmin值不变,直至AFGm中所有装配特征遍历一遍;
步骤7:然后再分别以特征点Gpn2、Gpn2......Gpnn重复步骤3、步骤4,即遍历最小包络体Po上的装配特征组AFGn中所有装配特征AFni,其中0<i≤n,当遍历完AFGn、AFGm中所有的装配特征即可获取最小包络体Po与已完成装配过程的零部件Pj两者装配特征点之间的最小距离dmin;
步骤8:若最终获取的dmin≤Ad,则智能装配系统自动在具有该最小距离的装配特征之间实施装配操作,完成装配;若最终获取的dmin>Ad,则通过用户指定目标组件,使组件Po与组件Pj完成装配(Ad为用户设定的装配精度,可针对模型信息进行调整);
步骤9:在装配过程中利用SolidWorks的干涉检查,对其装配方向进行确定,如果装配体有干涉则自动进行反向装配。本发明提供的方法是提高机械产品三维模型设计效率的更经济有效的技术方法,是降低设计成本、缩短开发周期和提高自主开发能力的重要工具。
本发明的保护范围并不限于上述的实施例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内,则本发明的意图也包含这些改动和变形在内。
Claims (5)
1.一种基于深度学习的产品数字模型智能装配系统,其特征在于,包括以下四个层次:层次1,用户模块层;层次2,关键技术层;层次3,逻辑层;层次4,数据层;
所述用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块;所述关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块;所述逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块;所述的数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库;
所述的深度学习模型建立模块的建立,包括如下步骤:
Step1:确定DBN(深度信赖网络)模型的层数,根据智能装配系统对装配过程的高效性需求、输入数据向量结构以及网络最高层作为分类器接口因素,DBN结构确定出输入层、输出层、隐藏层个数;
Step2:确定输入层节点数与输出层节点数,输入层节点数参照DBN模型输入数据向量,输出层参照模型分类数,以及中间隐藏层节点数参考BP神经网络的经验公式:
式(1)中:X为中间隐藏层节点数,n为输入节点数,m为输出节点数,z为[0,10]的常量,n和m根据实际情况赋值;
Step3:确定学习率,在DBN的训练过程中存在两个学习率,分别为前向堆叠RBM(受限玻尔兹曼机)学习中的学习率ε和反向微调学习中的学习率δ;
Step4:确定DBN模型的权重W和偏置量a、b,迭代训练学习过程中各可见层与隐藏层的参数均会被多次迭代更新调整,且初始化参数的具体数值虽对DBN模型的训练时间影响明显,但对结果影响不大,故三个参数由随机生成;
所述基于深度学习的分类识别模块的建立,包括如下步骤:
步骤1,提取零部件装配信息数据,分为训练数据和测试数据;
步骤2,将历史产品装配数据输入DBN模型,从低到高层逐层训练DBN中的RBM;
步骤3,根据训练组的标记数据和分类规则,从最高层往最低层反向微调参数,完成DBN模型的整个训练过程;
步骤4,将测试组产品数据输入DBN模型中,输出零部件的装配方式相关数据。
2.如权利要求1所述的一种基于深度学习的产品数字模型智能装配系统,其特征在于,所述基于深度学习的分类识别模块的数据流向为:
(a1)、参数化模型库由历史产品装配模型、新产品装配模型组成;
(b1)、进而利用训练好的DBN识别模型,将产品模型识别为典型零部件识别库、非典型零部件识别库;
(c1)、根据识别好的模型,采用差异性的装配规则,完整产品模型的智能装配;
(d1)、如果产品装配模型为新产品装配模型,装配好之后,将产品装配模型导入历史产品装配模型,扩大产品模型库。
3.如权利要求1所述的一种基于深度学习的产品数字模型智能装配系统,其特征在于,所述的智能装配算法模块,包含典型零部件智能装配算法和非典型零部件智能装配算法两类。
4.如权利要求3所述的一种基于深度学习的产品数字模型智能装配系统,其特征在于,所述典型零部件智能装配算法的装配流程为:
(a2)、首先对典型零部件确定其自身的配合类型,即判断该典型零部件与已完成装配过程的装配之间是否为第Ⅰ类:二元配合;
(b2)、如果是第I类二元配合方式,进一步确定是否“线-线型约束”、“面-面型约束”,接着判断配合方式,重合、平行、或垂直;确定配合方式,最后施加约束关系,完成装配;
(c2)、如果不是第I类二元配合方式,由配合元素的类型与装配约束之间存在的关系逐级推理各类配合元素的位置关系。
5.如权利要求3所述的一种基于深度学习的产品数字模型智能装配系统,其特征在于,所述非典型零部件智能装配算法的装配流程为:
(a3)、若零部件为非典型零部件,首先判断零部件的后缀名是否为装配体;
(b3)、若该模型为零件,则通过函数获取该零件的轮廓尺寸,并建立该零部件的最小包络体,通过定义最小包络体的装配特征,并将其加入非典型零部件库;
(c3)、若该模型为装配体,则通过函数获取该装配体的轮廓尺寸,并建立该装配体的最小包络体,通过定义最小包络体的装配特征,并将其加入非典型零部件库;
(d3)、对加入非典型零部件库的模型,利用识别已有的装配特征组,添加相应的配合关系,从而完成模型的装配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710528109.6A CN107256009B (zh) | 2017-06-30 | 2017-06-30 | 一种基于深度学习的产品数字模型智能装配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710528109.6A CN107256009B (zh) | 2017-06-30 | 2017-06-30 | 一种基于深度学习的产品数字模型智能装配系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256009A CN107256009A (zh) | 2017-10-17 |
CN107256009B true CN107256009B (zh) | 2019-08-02 |
Family
ID=60024762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710528109.6A Active CN107256009B (zh) | 2017-06-30 | 2017-06-30 | 一种基于深度学习的产品数字模型智能装配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256009B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11321605B2 (en) * | 2017-11-13 | 2022-05-03 | Dassault Systemes Solidworks Corporation | Automatic assembly mate creation for frequently-used components |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
CN109255196A (zh) * | 2018-09-05 | 2019-01-22 | 重庆创速工业有限公司 | 一种加强筋模块的设计实现方法 |
CN109543823B (zh) * | 2018-11-30 | 2020-09-25 | 山东大学 | 一种基于多模信息描述的柔性装配系统及方法 |
CN110889173B (zh) * | 2019-10-15 | 2023-07-07 | 广西汽车集团有限公司 | 一种基于装配关系等级化的装配单元划分方法 |
CN113597618A (zh) * | 2019-12-20 | 2021-11-02 | 京东方科技集团股份有限公司 | 推理计算装置、模型训练装置、推理计算系统 |
CN111080777B (zh) * | 2019-12-20 | 2021-08-10 | 北京空间机电研究所 | 一种航天器热控产品的三维快速建模方法 |
CN111539049B (zh) * | 2020-05-15 | 2024-02-09 | 中国电子科技集团公司第十四研究所 | 一种电子设备智能装配系统及方法 |
US11790128B2 (en) * | 2020-08-03 | 2023-10-17 | Siemens Industry Software Inc. | Machine learning-based part determinations for computer-aided design (CAD) assemblies |
CN112035905B (zh) * | 2020-09-30 | 2023-12-22 | 浙江吉利控股集团有限公司 | 一种自学习的三维建模方法和系统 |
CN112232423B (zh) * | 2020-10-21 | 2024-05-28 | 深制科技(苏州)有限公司 | 一种基于深度学习的Part2Vec零件向量化处理方法 |
CN112199742A (zh) * | 2020-11-17 | 2021-01-08 | 成都数模码科技有限公司 | 多项零件在模具上组合时分布的智能化算法及应用 |
CN112917516B (zh) * | 2021-02-01 | 2022-04-01 | 北京航空航天大学 | 用于自主装配机器人的知识学习与推理执行系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739478A (zh) * | 2008-11-17 | 2010-06-16 | 北京卫星环境工程研究所 | 基于航天器装配仿真技术的虚拟装配系统和虚拟装配方法 |
CN102637220A (zh) * | 2012-03-08 | 2012-08-15 | 沈阳飞机工业(集团)有限公司 | 工装标准件三维拓展语义模型 |
CN103617329A (zh) * | 2013-12-12 | 2014-03-05 | 西安工业大学 | 一种基于人工神经网络和虚拟装配的装配时间评价方法 |
CN103942364A (zh) * | 2014-03-21 | 2014-07-23 | 北京航空航天大学 | 一种飞机制造工装中典型配套结构自动建模技术 |
-
2017
- 2017-06-30 CN CN201710528109.6A patent/CN107256009B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739478A (zh) * | 2008-11-17 | 2010-06-16 | 北京卫星环境工程研究所 | 基于航天器装配仿真技术的虚拟装配系统和虚拟装配方法 |
CN102637220A (zh) * | 2012-03-08 | 2012-08-15 | 沈阳飞机工业(集团)有限公司 | 工装标准件三维拓展语义模型 |
CN103617329A (zh) * | 2013-12-12 | 2014-03-05 | 西安工业大学 | 一种基于人工神经网络和虚拟装配的装配时间评价方法 |
CN103942364A (zh) * | 2014-03-21 | 2014-07-23 | 北京航空航天大学 | 一种飞机制造工装中典型配套结构自动建模技术 |
Non-Patent Citations (1)
Title |
---|
《基于广义模块化产品族的智能装配方法研究》;盛步云等;《组合机床与自动化加工技术》;20161231;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107256009A (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256009B (zh) | 一种基于深度学习的产品数字模型智能装配系统 | |
Glover et al. | Genetic algorithms and tabu search: hybrids for optimization | |
Peng et al. | Accelerating minibatch stochastic gradient descent using typicality sampling | |
Yin et al. | Manufacturing cells' design in consideration of various production factors | |
Bartczuk et al. | A new approach to nonlinear modelling of dynamic systems based on fuzzy rules | |
Bickel et al. | Comparing CAD part models for geometrical similarity: A concept using machine learning algorithms | |
CN108985617A (zh) | 一种基于智能制造的产品生产流程调度方法及系统 | |
CN104820825A (zh) | 基于Adaboost算法的人脸识别优化方法 | |
Xu et al. | Transferring the color imagery from an image: A color network model for assisting color combination | |
Yang et al. | Autolabeling-enhanced active learning for cost-efficient surface defect visual classification | |
Mei et al. | A neural network approach for datum selection in computer-aided process planning | |
CN112053037A (zh) | 一种柔性pcb车间调度优化方法和系统 | |
CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
Zohrevand et al. | An empirical study of the performance of different optimizers in the deep neural networks | |
Zhang et al. | A novel method based on deep reinforcement learning for machining process route planning | |
Zhang et al. | A decomposition-based evolutionary algorithm with clustering and hierarchical estimation for multi-objective fuzzy flexible jobshop scheduling | |
Dovbysh et al. | Estimation of Informativeness of Recognition Signs at Extreme Information Machine Learning of Knowledge Control System. | |
Rana et al. | Operation sequencing in CAPP by using artificial neural network | |
Liu et al. | Attribute selection for the scheduling of flexible manufacturing systems based on fuzzy set-theoretic approach and genetic algorithm | |
NG et al. | Optimising Image Classification | |
Chuang et al. | Automatic classification of block-shaped parts based on their 2D projections | |
Ghosh | Generalized utilization-based similarity coefficient for machine-part grouping problem in cellular manufacturing | |
Roy et al. | Cellular manufacturing through composite part formation: a genetic algorithm approach | |
Verma et al. | Development of an Intelligent Database System to Automate the Recognition of Machining Features from a Solid Model Using Graph Theory | |
Bianconi et al. | A Benchmark of Traditional Visual Descriptors and Convolutional Networks ‘Off-the-Shelf’for Anomaly Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |