CN109214117A - 一种基于价值网络的智能工业设计算法 - Google Patents
一种基于价值网络的智能工业设计算法 Download PDFInfo
- Publication number
- CN109214117A CN109214117A CN201811195933.5A CN201811195933A CN109214117A CN 109214117 A CN109214117 A CN 109214117A CN 201811195933 A CN201811195933 A CN 201811195933A CN 109214117 A CN109214117 A CN 109214117A
- Authority
- CN
- China
- Prior art keywords
- design
- line
- value network
- algorithm
- engineer
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 118
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000012938 design process Methods 0.000 abstract description 5
- 230000019771 cognition Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于价值网络的智能工业设计算法，该算法提出了“线下训练，线上使用”的架构逻辑，线上优化是在线下已有的学习探索基础上发展的，线上给出的设计所耗费时间更短，相当于有了“专家经验”，从而解决了传统设计过度依赖专家工程师模糊的“设计直觉”的问题。本发明通过一体化地整合工业设计流程的“参数化建模+CAE仿真求解+设计方案迭代”系列步骤，极大地提高了工业设计的速度，在理论上只需要工程师输入设计对象特征参数和本次设计需求，机器便可在后台自动训练学习，并给出满足本次设计需求的设计方案，中间无需工程师额外的干涉工作，从而解决多位工程师跨部门交接带来的时间损耗问题。
Description
技术领域
本发明属于工业智能设计领域，具体涉及一种基于价值网络的智能工业设计算法。
背景技术
工业设计是典型的多目标约束问题，数学上可将工业优化设计转化为求解目标问题的“帕累托可行域”。传统的工业设计流程是线性且冗长的，通过多次试错方可得到迈入“帕累托可行域”的设计结果，而工程师的精力限制进一步迭代优化的深度。随着工程经验的积累，带来设计提速的同时也让工程师“戴着锁链跳舞”，失去进一步深化创新的动力。
工业智能设计的根本目标便是充分利用计算机的计算资源，学习具体业务领域的设计知识，辅助工程师团队在实现缩短设计周期的目标的同时，充分利用计算机计算的快速性，拓展方案设计空间的广度和深度，从而得到更优的设计方案。
工业智能设计实现的基础是通过“参数化建模+计算机辅助计算”实现前期的数据增强，为后续的算法训练积累足够的样本数据。通过将样本数据灌装进入相应的智能算法程序并进行训练，从而实现机器关于具体设计业务的认知,如可以定量地判断具体某个设计方案的具体指标,根据设计需要自动生成最优的设计方案等。
机器学习设计的过程和人类学习设计的过程是相似的,都可以归结为“库伯学习圈：行动+反馈+反思+知识”的模式。将具体工业设计对象通过参数化建模实现数字化，并通过CAE工具得到相应方案的指标结果，然后将这一系列的“参数化设计方案+对应指标结果”的数据灌装到相应的学习算法，便可实现机器关于设计业务的学习。参数化建模是工业设计实现智能化的起点和关键；同时考虑到工业设计问题的高维特性，高效的智能算法也是实现工业智能设计的关键环节。
一般而言，工业领域当前的设计流程是线性串联的，涉及到多位工程师间的跨部门合作，导致大量的精力和时间浪费在项目对接过程，这也是当前工业设计周期长的关键问题所在；同时，工业设计问题一般存在高维度、高复杂性的特征，传统工业设计流程往往过度依赖专家经验，而受限于人类精力和认知的局限性，导致传统设计往往存在优化深度不足的问题，最终的输出方案往往是不够理想的。
发明内容
本发明的目的在于通过一体化地整合工业设计流程的“参数化建模+CAE仿真求解+设计方案迭代”系列步骤，极大地提高了工业设计的速度，在理论上只需要工程师输入设计对象特征参数和本次设计需求，机器便可在后台自动训练学习，并给出满足本次设计需求的设计方案，中间无需工程师额外的干涉工作，从而解决多位工程师跨部门交接带来的时间损耗问题。
为实现上述目的，本发明采取的技术方案是：一种基于价值网络的智能工业设计算法，其特征在于：该算法包括线下训练与线上使用的架构逻辑；
所述线下训练的步骤为：
步骤一：调用快速原型设计系统得到中心设计点，即设计方案母型；
步骤二：围绕设计方案母型按照指定的策略进行离散采样，得到相应子空间数据，即大量的设计方案和对应的性能指标，其中性能指标的获取可以借助CFD工具计算获得；
步骤三：针对已有的设计子空间数据集合进行敏感度分析，分析并提取主特征参数，并根据各维度的贡献度系数对原先的数据集合进行加权处理；
步骤四：将处理后的数据集合，灌装到相应的价值网络学习算法中，进行训练学习，从而得到相应设计空间的代理评估模型，即价值网络；
所述线上使用策略的步骤为：
步骤一：对于给定的本次用户设计要求，先利用子空间相似度匹配技术，找到较优的几个候选子空间，实现对设计空间搜索规模的缩减；
步骤二：在候选的子空间中，调用此前已经训练好的针对具体指标的价值网络；
步骤三：以优化算法配合构建好的价值网络，进行优化迭代设计，从而输出最终的设计方案，并将过程中的设计数据和最优设计方案都录入数据库。
综上，本技术内嵌耦合了价值网络学习算法和高效优化算法(价值网络算法和高效优化算法是IID(Intelligent Industrial Design)平台的通用型模块，这两种算法都是基于其工作目标命名的，也是行业通用的名词称呼。)，价值网络学习算法主要解决了传统CAE仿真工具求解评估耗时的问题，通过借助前期积累的样本集灌装导入学习算法进行训练学习，得到相应设计空间的价值网络，实现机器关于具体设计业务的认知，如快速评估某设计方案的性能指标，从而提升设计方案的评估速度；
优化算法主要解决的是过往设计流程中过度依赖工程专家迭代改进经验的问题，无需借助专家模糊且难以量化的“设计直觉”来决定下一轮的修改方向，针对具体业务领域定制化调整的优化算法可以充分借助计算机的计算能力，高效地扩展方案设计空间的广度和深度，从而得到更优的设计方案。
与现有技术相比，本发明的有益效果如下：
(1)通过参数化建模，配合CAE仿真工具实现数据增强技术，为后续的机器学习提供充足的数据供应。
(2)通过神经网络配合价值网络学习算法实现针对工业设计领域小数据集上的价值网络拟合训练，保证了拟合精度和算法模型的泛化能力。
(3)通过价值网络和优化算法构建闭环的工业设计过程，中间无需工程师加入，并极大地减少了对CAE仿真工具的调用频率，在同样的设计周期内，借助计算机计算能力充分扩展了设计空间的广度和深度，可以输出更好的设计方案。
(4)通过“线下探索，线上使用”的方式保证了此智能工业设计算法框架的实用性，兼顾了本技术设计能力的扩展性和快速使用性。
通过本技术构建的智能工业设计流程可以极大地提高了工业设计的速度，在理论上只需要工程师输入设计对象特征参数和本次设计需求，机器便可在后台自动训练学习，并给出满足本次设计需求的设计方案，中间无需工程师额外的干涉工作。而传统的工业设计流程过度依赖工程师难以量化的“设计直觉”、CAE仿真评估计算耗时、设计方案迭代深度不足等问题。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是设计空间价值网络线下训练和学习过程抽象图。
图2是基于价值网络的线上使用过程抽象图。
图3基于价值网络的智能工业设计算法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明为了保证价值网络学习模块的“智力”可以不断提升，同时保证在使用时用户可以直接以当前训练好的模型直接进行使用，无需等待模型重复训练，提出了“线下训练，线上使用”的架构逻辑。
线下训练策略模块的流程图如图1所示；线下训练的详细步骤如下：
1、调用快速原型设计系统(基于工程数据库，如，在叶轮机械设计领域的母型选取有一套行业通用的基于经验公式得到的粗糙原型，经验公式中的系数微调便是基于公司已有的工程数据库修正的)得到中心设计点，即设计方案母型；
2、围绕设计方案母型按照指定的策略进行离散采样，得到相应子空间数据，即大量的设计方案和对应的性能指标，其中性能指标的获取可以借助CFD工具计算获得；
3、针对已有的设计子空间数据集合进行敏感度分析，分析并提取主特征参数，并根据各维度的贡献度系数对原先的数据集合进行加权处理；
4、将处理后的数据集合，灌装到相应的价值网络学习算法中，进行训练学习，从而得到相应设计空间的代理评估模型，即价值网络。
线上使用策略模块的流程示意图如图2所示；线上策略流程的详细步骤如下：
1、对于给定的本次用户设计要求，先利用子空间相似度匹配技术，找到较优的几个候选子空间，实现对设计空间搜索规模的缩减；
2、在候选的子空间中，调用此前已经训练好的针对具体指标的价值网络，如对于叶轮机械则是扬程、效率等具体指标；
3、以优化算法配合构建好的价值网络，进行优化迭代设计，从而输出最终的设计方案，并将过程中的设计数据和最优设计方案都录入数据库。
线上优化是在线下已有的学习探索基础上发展的，线上给出的设计所耗费时间更短，相当于有了“专家经验”，从而解决了传统设计过度依赖专家工程师模糊的“设计直觉”的问题。
将线下探索模块和线上使用模块整合起来，便可以得到本技术的解决方案，如图3所示。通过该技术应对工业设计问题，可以随着线下学习过程的积累，得到越来越优秀的设计能力，充分利用当前的计算机科学技术，完成整个工业设计流程的高度自动化，从而实现缩短设计周期，改善设计效果的目标。
本发明的一个具体实施例：
1、取泵设计的扬程为指标，对扬程范围进行离散，对诸如叶轮进出口直径，安放角等几何元素进行离散；
2、根据几何元素的选取进行参数化几何建模，并对几何的效率和扬程进行计算评估；
3、根据参数化建模和评估流程进行初步的样本生成；
4、将样本集合灌装到学习算法中训练得到学得的价值网络；
5、将学得的价值网络作为评估手段结合优化算法完成自动的优化求解过程。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (3)
1.一种基于价值网络的智能工业设计算法，其特征在于：该算法包括线下训练与线上使用的架构逻辑；
所述线下训练的步骤为：
步骤一：调用快速原型设计系统得到中心设计点，即设计方案母型；
步骤二：围绕设计方案母型按照指定的策略进行离散采样，得到相应子空间数据；
步骤三：针对已有的设计子空间数据集合进行敏感度分析，分析并提取主特征参数，并根据各维度的贡献度系数对原先的数据集合进行加权处理；
步骤四：将处理后的数据集合，灌装到相应的价值网络学习算法中，进行训练学习，从而得到相应设计空间的代理评估模型，即价值网络；
所述线上使用策略的步骤为：
步骤一：对于给定的本次用户设计要求，先利用子空间相似度匹配技术，找到较优的几个候选子空间，实现对设计空间搜索规模的缩减；
步骤二：在候选的子空间中，调用此前已经训练好的针对具体指标的价值网络；
步骤三：以优化算法配合构建好的价值网络，进行优化迭代设计，从而输出最终的设计方案，并将过程中的设计数据和最优设计方案都录入数据库。
2.根据权利要求1所述的一种基于价值网络的智能工业设计算法，其特征在于：所述线下训练的步骤二中，得到相应子空间数据，即大量的设计方案和对应的性能指标，其中性能指标的获取可以借助CFD工具计算获得。
3.根据权利要求1所述的一种基于价值网络的智能工业设计算法，其特征在于：线上优化是在线下已有的学习探索基础上发展的，线上给出的设计所耗费时间更短。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811195933.5A CN109214117A (zh) | 2018-10-15 | 2018-10-15 | 一种基于价值网络的智能工业设计算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811195933.5A CN109214117A (zh) | 2018-10-15 | 2018-10-15 | 一种基于价值网络的智能工业设计算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109214117A true CN109214117A (zh) | 2019-01-15 |
Family
ID=64980440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811195933.5A Pending CN109214117A (zh) | 2018-10-15 | 2018-10-15 | 一种基于价值网络的智能工业设计算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214117A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966429A (zh) * | 2020-08-11 | 2021-06-15 | 中国矿业大学 | 基于WGANs数据增强的非线性工业过程建模方法 |
| CN113609555A (zh) * | 2021-07-16 | 2021-11-05 | 黄河勘测规划设计研究院有限公司 | 一种基于大数据技术的水工金属结构设计方法 |
| CN115629579A (zh) * | 2022-10-13 | 2023-01-20 | 南京天洑软件有限公司 | 一种cstr系统的控制方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808982A (zh) * | 2015-03-19 | 2015-07-29 | 广东小天才科技有限公司 | 应用的功能模拟开发方法和装置 |
| WO2016161671A1 (zh) * | 2015-04-10 | 2016-10-13 | 快克生物有限责任公司 | 一种辅助研究型项目设计执行和存储的方法及系统 |
| CN106684898A (zh) * | 2016-10-31 | 2017-05-17 | 国电南瑞科技股份有限公司 | 一种基于价值网络的储能系统调度优化方法 |
| CN106933954A (zh) * | 2017-01-22 | 2017-07-07 | 四川用联信息技术有限公司 | 基于决策树分类算法实现搜索引擎优化技术 |
| CN107274010A (zh) * | 2017-06-01 | 2017-10-20 | 西北工业大学 | 面向工业设计云服务平台的多目标创意设计评价方法 |
| CN108170418A (zh) * | 2017-12-29 | 2018-06-15 | 曙光信息产业(北京)有限公司 | 一种工业设计系统 |
-
2018
- 2018-10-15 CN CN201811195933.5A patent/CN109214117A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808982A (zh) * | 2015-03-19 | 2015-07-29 | 广东小天才科技有限公司 | 应用的功能模拟开发方法和装置 |
| WO2016161671A1 (zh) * | 2015-04-10 | 2016-10-13 | 快克生物有限责任公司 | 一种辅助研究型项目设计执行和存储的方法及系统 |
| CN106684898A (zh) * | 2016-10-31 | 2017-05-17 | 国电南瑞科技股份有限公司 | 一种基于价值网络的储能系统调度优化方法 |
| CN106933954A (zh) * | 2017-01-22 | 2017-07-07 | 四川用联信息技术有限公司 | 基于决策树分类算法实现搜索引擎优化技术 |
| CN107274010A (zh) * | 2017-06-01 | 2017-10-20 | 西北工业大学 | 面向工业设计云服务平台的多目标创意设计评价方法 |
| CN108170418A (zh) * | 2017-12-29 | 2018-06-15 | 曙光信息产业(北京)有限公司 | 一种工业设计系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966429A (zh) * | 2020-08-11 | 2021-06-15 | 中国矿业大学 | 基于WGANs数据增强的非线性工业过程建模方法 |
| CN113609555A (zh) * | 2021-07-16 | 2021-11-05 | 黄河勘测规划设计研究院有限公司 | 一种基于大数据技术的水工金属结构设计方法 |
| CN113609555B (zh) * | 2021-07-16 | 2023-10-20 | 黄河勘测规划设计研究院有限公司 | 一种基于大数据技术的水工金属结构设计方法 |
| CN115629579A (zh) * | 2022-10-13 | 2023-01-20 | 南京天洑软件有限公司 | 一种cstr系统的控制方法及装置 |
| CN115629579B (zh) * | 2022-10-13 | 2023-11-07 | 南京天洑软件有限公司 | 一种cstr系统的控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705078B (zh) | 一种核动力装置的仿真模型开发系统及分析方法 | |
| CN108647370B (zh) | 基于双环迭代的无人直升机气动外形优化设计方法 | |
| CN109214117A (zh) | 一种基于价值网络的智能工业设计算法 | |
| CN103778304B (zh) | 一种机动车驱动桥的设计方法 | |
| EP3846034B1 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
| Francalanza et al. | A fuzzy logic based approach to explore manufacturing system changeability level decisions | |
| CN110210654A (zh) | 产品模型设计系统及方法 | |
| CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
| Zhang et al. | Probabilistic accumulation grey forecasting model and its properties | |
| CN115271161A (zh) | 一种多能负荷短期预测方法 | |
| Mikes et al. | Optimizing an algorithm for data mining a design repository to automate functional modeling | |
| CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
| Yuan et al. | Multi-objective coupling optimization of electrical cable intelligent production line driven by digital twin | |
| Li et al. | Key technology of artificial intelligence in hull form intelligent optimization | |
| CN115271198A (zh) | 一种光伏设备的净负荷预测方法及装置 | |
| Ma et al. | A traction load forecasting method of electrified railway based on LSTM | |
| Sandhu et al. | A comparative analysis of fuzzy, neuro-fuzzy and fuzzy-GA based approaches for software reusability evaluation | |
| CN113971032A (zh) | 一种代码生成的机器学习模型全流程自动部署方法及系统 | |
| Arakelyan et al. | Analysis of the DCS historical data for estimation of input signal significance | |
| Potoniec et al. | Combining ontology class expression generation with mathematical modeling for ontology learning | |
| CN115544876B (zh) | 生产力中台智能制造软件设计方法 | |
| Chen et al. | An intelligent broaching tool design method based on CBR and support vector machine | |
| Ma | Dynamic Rule Extraction Method Based on Computer Fuzzy Chinese Language Recognition System | |
| Komal et al. | Two phase approach for performance analysis and optimisation of industrial systems using uncertain data |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190115 |
|
| WD01 | Invention patent application deemed withdrawn after publication |