CN107391864B - 一种基于可满足性求解的工程产品智能设计方法和装置 - Google Patents
一种基于可满足性求解的工程产品智能设计方法和装置 Download PDFInfo
- Publication number
- CN107391864B CN107391864B CN201710632067.0A CN201710632067A CN107391864B CN 107391864 B CN107391864 B CN 107391864B CN 201710632067 A CN201710632067 A CN 201710632067A CN 107391864 B CN107391864 B CN 107391864B
- Authority
- CN
- China
- Prior art keywords
- design
- proposition
- engineering product
- formula
- satisfiability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
- G06N5/013—Automatic theorem proving
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Finance (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可满足性求解的工程产品智能设计方法,包括:对设计指标进行参数化表征,作为命题变量;采用神经网络模型构建缺乏显式公式表征的命题变量的计算公式,作为命题公式;获取命题变量的取值范围,并将命题变量的取值范围与命题公式结合形成命题子句;对命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;对工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,则返回结果为真,并给出至少一组设计参数;反之,返回结果为假,并给出任意一个不满足的命题变量。本发明方法和装置降低了现有工程产品设计过程中对设计人员的经验要求,且提高了工程产品设计过程中迭代设计效率,具有很好的现实意义。
Description
技术领域
本发明涉及计算机辅助工程产品设计领域,特别是指一种基于可满足性求解的工程产品智能设计方法和装置。
背景技术
传统的工程产品优化设计方法采用“由下到上”模式,需要设计师在产品立项阶段依据经验指定设计空间,采用逐级开发流程,在设计过程遇到问题需要依靠经验或采用优化设计方法对设计指标进行迭代修改,限定了产品开发过程中的创新性程度。并且限制于计算效率和优化算法的寻优能力,难以处理多学科多目标的高维优化问题。因此,对于工程产品设计来说,传统的设计模式已经不能满足现代企业的需求,特别需要一种智能化的设计方法来替代。
近年来人工智能技术快速发展,可满足性求解属于人工智能中推理决策分支的重要技术组成,目前在有界模型检验、基于符号执行的程序分析、线性规划和调度、测试用例生成,以及电路设计和验证等领域有非常广泛的应用。
对于工程产品设计问题,产品的造型、市场需求、政策法规、性能标准、制造能力和成本限制等任何设计参数之间通常隐含有一种隐式的等式关系,并且工程界中的各类设计手册和法律法规对各种设计参数的明确约束,因此,采用可满足性求解的策略可以将复杂多目标优化设计问题转换为多个或单个可满足性问题,形成全参数覆盖的生成式产品设计模型。采用可满足性求解可以评估是否存在满足设计目标的设计方案,并给出其中一组设计方案和性能数据,并通过软件开发以交互可视的形式呈现给用户。用户可以通过修改设计参数快速得到新的可满足解,从而,可形成一种全新的高效率的“由上到下”的产品开发方法,是未来产品设计发展趋势。
发明内容
有鉴于此,本发明的目的在于提出一种基于可满足性求解的工程产品智能设计方法和装置,解决现有工程产品设计过程中对设计人员的经验要求较高,且工程产品设计过程中迭代设计效率低的问题。
基于上述目的本发明提供的一种基于可满足性求解的工程产品智能设计方法,包括:
对设计指标进行参数化表征,作为命题变量;
采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式;
获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句;
对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;
对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假。
进一步,所述对设计指标进行参数化表征,作为命题变量,包括:
获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析,构建有关用户群的所述命题变量;和/或,
获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法,构建有关市场需求的所述命题变量;和/或,
获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量;和/或,
获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。
进一步,所述采用神经网络代理模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式,包括:
采用基于符号距离函数的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式;
构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的所述命题公式;
构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式。
进一步,还包括:当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
进一步,对所述工程产品参数化设计模型进行可满足性求解,包括:采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。
本发明还公开了一种基于可满足性求解的工程产品智能设计装置,包括:
参数化表征单元,用于对设计指标进行参数化表征,作为命题变量;
模型构建单元,用于采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式;
获取单元,用于获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句;
合取单元,用于对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;
求解单元,用于对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假。
进一步,所述参数化表征单元包括:
用户群表征模块,用于获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析构建有关用户群的所述命题变量;和/或,
市场需求表征模块,用于获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法构建有关市场需求的所述命题变量;和/或,
性能指标表征模块,用于获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量;和/或,
可制造性表征模块,用于获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。
进一步,所述模型构建单元包括:
造型模型构建模块,用于采用基于符号距离函数的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式;
性能模型构建模块,用于构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的命题公式;
可制造性模型构建模块,用于构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式。
进一步,所述求解单元还用于:
当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
进一步,所述求解单元还用于:
采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。
从上面所述可以看出,本发明提供的基于可满足性求解的工程产品智能设计方法和装置,采用从命题变量到命题公式到命题子句的设计模型构建流程,可以快速实现考虑全部设计参数的产品设计模型;本发明对设计模型采用可满足性求解,只找到可以满足设计目标的一组或多组设计参数即可,并不要求是最优化值,设计过程中的计算效率很高,并且不受设计参数数量的限制;对于不能满足设计目标的设计约束,本发明可以给出其中一个不满足约束,提示设计人员进行修改,可以有效降低设计人员的设计经验要求。
附图说明
图1为本发明实施例一种基于可满足性求解的工程产品智能设计方法的流程图;
图2为本发明实施例一种基于可满足性求解的工程产品智能设计装置的结构示意图;
图3为本发明实施例参数化表征单元结构示意图;
图4为本发明实施例模型构建单元示意图;
图5为本发明实施例设计吸能结构所采用的计算机仿真模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
附图1为本发明实施例一种基于可满足性求解的工程产品智能设计方法的流程图。本发明实施例公开了一种基于可满足性求解的工程产品智能设计方法,包括:
S100,对设计指标进行参数化表征,作为命题变量。所述设计指标包括用户人群、政策法规、性能指标和可制造性等。
其中,所述步骤S100进一步包括:
S101,通过用户反馈、市场调研等数据收集手段,获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析,构建有关用户群的所述命题变量。
作为一个具体的实施例,不同用户对汽车碰撞安全性的碰撞安全性星级要求不同,则在设计过程引入碰撞安全性星级作为参数变量。
S102,采用市场调研等手段,获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法,构建有关市场需求的所述命题变量。
作为一个具体的实施例,针对不同市场对产品价格要求不同,或是要求性能够用但是越便宜越好,越是要求性能可靠而不计成本,则在设计过程引入产品成本作为参数变量。
S103,获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量。
S104,获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。可制造性主要是指设计对象加工出来的可能性,具体影响因素表现为工艺参数。
作为一个具体的实施例,设计一个吸能管,如果采用挤压成型,当壁厚大于2mm时也许可以挤压出来,具备可制造性;但是,当壁厚小于2mm时也许就不能挤压出来,就不具备可制造性。
步骤S100用语义抽取和分析的技术手段将用户群和多层次市场对产品的抽象需求转换进行参数化表征,实现了设计需求的数字化转换。
S200,采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式。
其中,步骤S200进一步包括:
S201,采用基于符号距离函数(SDF)的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式。其中,符号距离函数(SDF)是一个定向函数,主要用于构建与外形几何相关的神经网络。
S202,构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的所述命题公式。
S203,构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式。
优选的,步骤S200采用神经网络建立输入与输出量之间的等式关系,在样本点充足的情况下,可以用于构建任何命题变量的命题公式。
在一个实施例中,对于一些命题变量,可以依据经验和一些设计手册直接计算公式和经验公式。例如吸能管的成本,这个可以直接写出公式,即成本=单价*数量。而对于另外一些命题变量,例如性能参数是无法直接用一个公式进行表达的,这时通过本发明提出的采用神经网络训练的方式得到一个等效公式。作为一个具体的实施例,对于吸能管,我们不知道吸能管厚度和吸能量之间在关系,因为原则上需要进行实验测定或采用有限元分析计算得到,但是,采用由神经网络训练得到的等效公式就可以得到形如y=f(x)的格式中,其中x为厚度,y为吸能量。另一方面,这个公式是后面进行可满足性求解所必须的条件。
S300,获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句。
优选的,依据市场调查结果、产品设计手册和法规标准等知识背景构建步骤S100中每个设计指标,也就是每个命题变量的取值范围,并将该取值范围应用到步骤S200中的命题公式形成一系列的命题子句。
S400,对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型。所述全参数覆盖的工程产品参数化设计模型包括全部的命题变量,用于进行后续的可满足性求解。
S500,对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假。其中,可满足性求解问题是在一个特定的背景理论T下验证一系列命题的合取范式是否可以满足。
优选的,当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
进一步的,对所述工程产品参数化设计模型进行可满足性求解,包括:采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。如果可以找到可满足的解,设计系统将给出n组可行的设计参数,n由设计人员指定。如果找不到可满足解,设计系统将提出不满足,并向用户给出任意一个不满足的设计指标,即命题变量。在本发明实施例中,采用的可满足性求解器是用以求解可满足性问题的自动化工具,具体功能是对特定问题返回一个对于可满足性的判定,即真或者假,而不是一个最优值。
优选的,所述基于可满足性求解的工程产品智能设计方法是一种基于GPU的两相介质随机模型并行生成方法。
附图2为本发明实施例一种基于可满足性求解的工程产品智能设计装置的结构示意图。本发明实施例还公开了一种基于可满足性求解的工程产品智能设计装置,包括:
参数化表征单元1,用于对设计指标进行参数化表征,作为命题变量;
模型构建单元2,用于采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式;
获取单元3,用于获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句;
合取单元4,用于对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;
求解单元5,用于对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假。
附图3为本发明实施例参数化表征单元结构示意图。所述参数化表征单元1包括:
用户群表征模块11,用于获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析构建有关用户群的所述命题变量。
市场需求表征模块12,用于获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法构建有关市场需求的所述命题变量。
性能指标表征模块13,用于获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量。
可制造性表征模块14,用于获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。
附图4为本发明实施例模型构建单元示意图。所述模型构建单元2包括:
造型模型构建模块21,用于采用基于符号距离函数的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式。
性能模型构建模块22,用于构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的命题公式。
可制造性模型构建模块23,用于构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式。
进一步,所述求解单元5还用于:当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
进一步,所述求解单元5还用于:采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。
为了便于进一步理解本发明所述的技术方案,本发明还公开了一个具体的实施例,该实施例用于设计一个结构为管形件的吸能结构。本实施例中针对该管形吸能结构进行设计的具体实施步骤如下:
S610,对设计指标进行参数化表征,作为命题变量。设计指标包括:管形直径x1、材料密度x2和管壁厚度x3,此外还包括管长、吸收的能量,边界条件。管形直径x1、材料密度x2和管壁厚度x3为本实施例的设计参数。
S620,采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式。
其中步骤S620进一步包括:
S621,在ANSYS软件中建立该结构的有限元模型,参照附图5所示,加载边界条件和材料参数后,导出用于Ls-dyna软件计算的K文件。所述边界条件包括:该吸能管如何运动与刚性墙发生碰撞,例如吸能管的初始速度。
S622,在K文件中提出管形直径x1、材料密度x2和管壁厚度x3三个关键值,采用Matlab进行编程,通过for循环语句将这三个关键值进行修改并调用Ls-dyna对吸收能量进行求解,从而得到一系列在设计空间内的吸能数据。
S623,通过Ls-dyna求解得到的吸能数据训练神经网络。对预测数据的误差达标后,将经过训练的神经网络的权值和阈值参数提取出来,代入到神经网络显式表达式中。神经网络的显式表达式通过对各神经元之间传递函数的迭代求出。对于单隐含层,隐含层与输入层间激励函数为tansig,输出层与隐含层间传递函数为purelin的神经网络,其显示表达式为:
其中,n为输入层节点数,l为隐含层节点数,m为输出层节点数,ωaij为输入层与隐含层神经元间连接权值,ωbjk为隐含层与输出层神经元间的连接权值,aj为隐含层阈值,bk为输出层阈值。
对于本实施例,采用单隐含层,5个隐含层节点构建神经网络模型。其显式表达式具体为:
通过125个吸能数据训练神经网络,得到式中参数如下表:
S630,获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句。
其中,根据用户需求、市场需求以及一系列法规、可制造性要求等,管形直径x1的设计空间为[41,45]、材料密度x2的设计空间为[7.82kg/m3,7.9kg/m3],管壁厚度x3的设计空间为[0.12mm,0.2mm],此外还包括管长为0.2米、吸收的能量为结构以1m/s速度撞击刚性墙的过程,0.15s时刻吸收的能量超过3000J。
S640,对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型。步骤S640进一步包括:
S641,将神经网络显式公式得到的结果进行反归一化处理,得到反归一后的计算公式如下:
y=57544727787800666897/(56294995342131200*(exp(24526072121288493999/144115188075855872-(10602435156000325*x2)/562949953421312-(8107314889131277*x3)/144115188075855872-(27729768339489575*x1)/281474976710656)+1))+36749659578931738791/(28147497671065600*(exp((13387914748105*x3)/562949953421312-(158734233004891425*x2)/36028797018963968-(40906307310914325*x1)/1125899906842624+2757299961189535585/72057594037927936)+1))+3004320221230291051/(56294995342131200*(exp(1311920419224307045/2251799813685248-(143300213155090825*x2)/2251799813685248-(7164879781659647*x3)/4503599627370496-(57483732152889075*x1)/562949953421312)+1))+30604076884282315381/(225179981368524800*(exp((139264809881202475*x2)/2251799813685248-(34647610355758075*x1)/281474976710656-(607130904713857*x3)/4503599627370496-32335328365754769/70368744177664)+1))-80453773413562140867/(900719925474099200*(exp((90688337534639225*x1)/1125899906842624-(133457506515750325*x2)/2251799813685248-(243178735994795*x3)/9007199254740992+4124638485201738971/9007199254740992)+1))+2789270466021689116893/1801439850948198400
S642,根据步骤S641中公式建立smt2格式的可满足性问题。
S650,对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假。
步骤S650进一步包括:
S651,采用可满足性求解器对步骤S642中建立的可满足性问题进行求解计算,得到一组可行解:
x1:[0.1753634520236658,0.1753635428040366];
x2:[7.894964873135753,7.894964999487767];
x3:[44.99993896484375,44.99996948242189];
对应的能量吸引量为:
y:[4000,4000.000647272212]
S652,取步骤S651中的x1,x2,x3各数据空间中的中值作为设计变量,即新吸能结构的具体参数为:
管壁厚度x1为0.17
材料密度x2为7.89
管形直径x3为45
本发明所述基于可满足性求解的工程产品智能设计方法和装置,采用从命题变量到命题公式到命题子句的设计模型构建流程,可以快速实现考虑全部设计参数的产品设计模型;采用语义分析和提取方法,将由自然语言表达的主观想法进行参数化表征,实现了主观设计的数学化计算;采用神经网络拟合每个设计变量的输入与输出之间的隐式关系,再由公式推导得到该隐式关系的显式公式表达;基于优化的产品设计方法,本发明对设计模型采用可满足性求解,只找到可以满足设计目标的一组或多组设计参数即可,并不要求是最优化值,设计过程中的计算效率很高,并且不受设计参数数量的限制;对于不能满足设计目标的设计约束,本发明可以给出其中一个不满足约束,提示设计人员进行修改,可以有效降低设计人员的设计经验要求。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于可满足性求解的工程产品智能设计方法,其特征在于,包括:
对设计指标进行参数化表征,作为命题变量;所述设计指标包括用户人群、政策法规、性能指标和可制造性,所述命题变量包括管形直径x1、材料密度x2和管壁厚度x3;
采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式;
获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句;
对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;
对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假;
其中,所述采用神经网络代理模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式,包括:采用基于符号距离函数的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式;构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的所述命题公式;构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式;
所述给出至少一组设计参数包括获得管形直径x1、材料密度x2和管壁厚度x3的具体参数。
2.根据权利要求1所述的基于可满足性求解的工程产品智能设计方法,其特征在于,所述对设计指标进行参数化表征,作为命题变量,包括:
获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析,构建有关用户群的所述命题变量;和/或,
获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法,构建有关市场需求的所述命题变量;和/或,
获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量;和/或,
获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。
3.根据权利要求1所述的基于可满足性求解的工程产品智能设计方法,其特征在于,还包括:当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
4.根据权利要求1所述的基于可满足性求解的工程产品智能设计方法,其特征在于,对所述工程产品参数化设计模型进行可满足性求解,包括:
采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。
5.一种基于可满足性求解的工程产品智能设计装置,其特征在于,包括:
参数化表征单元,用于对设计指标进行参数化表征,作为命题变量;所述设计指标包括用户人群、政策法规、性能指标和可制造性,所述命题变量包括管形直径x1、材料密度x2和管壁厚度x3;
模型构建单元,用于采用神经网络模型构建缺乏显式公式表征的所述命题变量的计算公式,作为命题公式;
获取单元,用于获取所述命题变量的取值范围,并将所述命题变量的取值范围与所述命题公式结合形成命题子句;
合取单元,用于对所述命题子句进行合取形成一个全参数覆盖的工程产品参数化设计模型;
求解单元,用于对所述工程产品参数化设计模型进行可满足性求解,若能够找到可满足的解,所述工程产品参数化设计模型的返回结果为真,并给出至少一组设计参数;反之,所述工程产品参数化设计模型返回结果为假;
其中,所述模型构建单元包括:
造型模型构建模块,用于采用基于符号距离函数的所述工程产品的造型参数化表征,采用基于高性能并行计算的流体力学仿真,构建所述工程产品与空气动力学之间的神经网络,并计算得到神经网络的显式公式表达,作为有关造型的所述命题公式;
性能模型构建模块,用于构建几何尺寸、空间布置、材料参数与所述工程产品的安全性、耐久性的力学性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关性能的命题公式;
可制造性模型构建模块,用于构建所述工程产品的制造工艺参数与所述工程产品的性能之间的神经网络,并计算得到神经网络的显式公式表达,作为有关可制造性的所述命题公式;
所述给出至少一组设计参数包括获得管形直径x1、材料密度x2和管壁厚度x3的具体参数。
6.根据权利要求5所述的基于可满足性求解的工程产品智能设计装置,其特征在于,所述参数化表征单元包括:
用户群表征模块,用于获取不同年龄、职业、功能需求的用户群对美学、人机、性能以及价格的因素的理想值,将每个因素作为一个设计目标;通过对自然语言中语义词库抽取以及主从因素分析构建有关用户群的所述命题变量;和/或,
市场需求表征模块,用于获取不同层次市场定位对工程产品的造型、性能和价格的指标的偏好,采用语义分析和提出的方法构建有关市场需求的所述命题变量;和/或,
性能指标表征模块,用于获取产品的性能目标、重量目标和成本目标作为有关性能指标的所述命题变量;和/或,
可制造性表征模块,用于获取产品制造过程中的工艺参数作为有关可制造性的所述命题变量。
7.根据权利要求5所述的基于可满足性求解的工程产品智能设计装置,其特征在于,所述求解单元还用于:
当所述工程产品参数化设计模型返回结果为假时,工程产品参数化设计模型给出任意一个不满足的所述命题变量。
8.根据权利要求5所述的基于可满足性求解的工程产品智能设计装置,其特征在于,所述求解单元还用于:
采用可满足性求解器对所述工程产品参数化设计模型进行推理计算,寻找可满足所有所述设计指标对应的所述命题子句的所述设计参数的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710632067.0A CN107391864B (zh) | 2017-07-28 | 2017-07-28 | 一种基于可满足性求解的工程产品智能设计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710632067.0A CN107391864B (zh) | 2017-07-28 | 2017-07-28 | 一种基于可满足性求解的工程产品智能设计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107391864A CN107391864A (zh) | 2017-11-24 |
CN107391864B true CN107391864B (zh) | 2021-06-25 |
Family
ID=60342482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710632067.0A Active CN107391864B (zh) | 2017-07-28 | 2017-07-28 | 一种基于可满足性求解的工程产品智能设计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391864B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255148B (zh) * | 2018-07-27 | 2023-01-31 | 石家庄创天电子科技有限公司 | 力学产品设计方法及其系统 |
CN109471803B (zh) * | 2018-11-05 | 2021-10-01 | 湖南工学院 | 基于人因可靠性的复杂工业系统数字化人机界面画面配置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295328A (zh) * | 2008-06-19 | 2008-10-29 | 复旦大学 | 一种解决可满足性问题的正交化算法 |
CN103942392A (zh) * | 2014-04-24 | 2014-07-23 | 天津职业技术师范大学 | 一种基于全生命周期的汽车底盘技术参数稳健设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6496961B2 (en) * | 2000-10-27 | 2002-12-17 | Nec Usa, Inc. | Dynamic detection and removal of inactive clauses in SAT with application in image computation |
-
2017
- 2017-07-28 CN CN201710632067.0A patent/CN107391864B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295328A (zh) * | 2008-06-19 | 2008-10-29 | 复旦大学 | 一种解决可满足性问题的正交化算法 |
CN103942392A (zh) * | 2014-04-24 | 2014-07-23 | 天津职业技术师范大学 | 一种基于全生命周期的汽车底盘技术参数稳健设计方法 |
Non-Patent Citations (3)
Title |
---|
Fault diagnosis and logic debugging using Boolean satisfiability;A. Veneris;《Proceedings. 4th International Workshop on Microprocessor Test and Verification - Common Challenges and Solutions》;20031208;第1-6页 * |
命题逻辑可满足性问题的算法分析;李未 等;《计算机科学》;19991231;第26卷(第3期);第1-9页 * |
求解可满足性问题全部解的改进多种群克隆免疫算法;张英杰 等;《信息与控制》;20110228;第40卷(第1期);第34-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107391864A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | Deep generative design: Integration of topology optimization and generative models | |
CN110807154B (zh) | 一种基于混合深度学习模型的推荐方法与系统 | |
Iuliano et al. | Proper orthogonal decomposition, surrogate modelling and evolutionary optimization in aerodynamic design | |
Hamraz et al. | A multidomain engineering change propagation model to support uncertainty reduction and risk management in design | |
Gratton et al. | Recursive trust-region methods for multiscale nonlinear optimization | |
Gao et al. | A parallel solution–adaptive method for three-dimensional turbulent non-premixed combusting flows | |
Han et al. | Surrogate-based aerodynamic shape optimization with application to wind turbine airfoils | |
US10896270B2 (en) | Method for solving multi-fidelity optimization problems | |
CN107391864B (zh) | 一种基于可满足性求解的工程产品智能设计方法和装置 | |
Dong et al. | A complex network-based response method for changes in customer requirements for design processes of complex mechanical products | |
Jia et al. | Sensor configuration optimization based on the entropy of adjoint concentration distribution for stochastic source term estimation in urban environment | |
Bagheri-Esfeh et al. | Multi-objective optimisation of drag and lift coefficients of a car integrated with canards | |
Chen et al. | A machine learning based solver for pressure Poisson equations | |
Liu et al. | SAM-ML: Integrating data-driven closure with nuclear system code SAM for improved modeling capability | |
Liu et al. | Cluster-based optimization of cellular materials and structures for crashworthiness | |
Sanjay Lulekar et al. | Adaptive-fidelity design automation framework to explore bioinspired surface riblets for drag reduction | |
CN117669046A (zh) | 一种面向汽车装配工艺智能决策的数据集成方法及系统 | |
Iserte et al. | Accelerating urban scale simulations leveraging local spatial 3D structure | |
Xie et al. | Research on optimization design of PWR flow distribution device based on numerical simulation | |
Deng et al. | A machine learning based acceleration of segregated pressure correction algorithms for incompressible fluid flow | |
Liao et al. | Efficient and accurate traffic flow prediction via incremental tensor completion | |
Miao et al. | Intelligent mesh refinement based on U-NET for high-fidelity CFD simulation in numerical reactor | |
Zheng et al. | Block-based adaptive mesh refinement finite-volume scheme for hybrid multi-block meshes | |
CN111523647B (zh) | 网络模型训练方法及装置、特征选择模型、方法及装置 | |
Chen et al. | Using AI libraries for Incompressible Computational Fluid Dynamics |
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 |