CN109255148B - 力学产品设计方法及其系统 - Google Patents
力学产品设计方法及其系统 Download PDFInfo
- Publication number
- CN109255148B CN109255148B CN201810847732.2A CN201810847732A CN109255148B CN 109255148 B CN109255148 B CN 109255148B CN 201810847732 A CN201810847732 A CN 201810847732A CN 109255148 B CN109255148 B CN 109255148B
- Authority
- CN
- China
- Prior art keywords
- design
- parameters
- model
- product
- parameter
- 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
- 238000013461 design Methods 0.000 title claims abstract description 532
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims description 103
- 238000005457 optimization Methods 0.000 claims description 100
- 239000012530 fluid Substances 0.000 claims description 81
- 238000004458 analytical method Methods 0.000 claims description 70
- 230000002787 reinforcement Effects 0.000 claims description 36
- 238000004088 simulation Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012938 design process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种力学产品设计方法及其系统，通过向人工智能体输入待设计的力学产品的设计指标参数，以借由所述人工智能体依据所述设计指标参数预测优化设计动作，从而实现自动生成符合所述设计指标参数的力学产品的设计模型的目的，借此，本申请可实现力学产品设计经验的共享，并可使得力学产品的设计模型的建立更为快速且高效。
Description
技术领域
本申请实施例涉及力学产品的设计开发技术，尤其涉及一种基于人工智能的力学产品设计方法及系统。
背景技术
通常力学产品包括有结构力学产品和流体力学产品，其中，电路外壳属于结构力学产品的一种，具体而言，电路外壳是一个物理结构，主要包含有支承、散热、镀覆、连接、固定及附属装置，属于一完整的电路实体的最外层的结构件，当前的电路外壳设计主要存在以下问题：首先，当前的电路外壳的设计流程是零散的，且均是通过人工手动操作来实现，由于电路外壳的种类繁多、结构设计图繁琐，因此，人工手动操作的方式不仅容易造成电路外壳设计出现错误，并存在工作效率低下的问题。其次，由于电路外壳的种类繁多，故具有较高的设计门槛，对于设计经验较少或者几乎没有设计经验的设计师而言，容易发生因受限于设计经验不足而难以展开外壳设计工作的困扰。
此外，流体力学产品是力学产品的一个分支，当前，流体力学产品的设计是通过使用计算机仿真设计工具来实现的，其主要包括通过仿真设计工具在计算机中建立仿真模型，添加相关环境条件，然后再由仿真设计工具进行计算，如果计算结果无法满足模型设计要求，则需要不断的调整仿真模型，直至计算结果满足设计需求位置。与前述电路外壳的设计相似，流体力学产品的设计流程也是零散的，并且均是通过人工手段来实现的。此外，在模型设计过程中会生成高度相关的数据，然而，目前没有一个系统和方法能够自动学习设计过程中所产生的数据的规律，导致当前的流体力学产品的设计工作同样存在工作效率低、开发周期长的问题。
综上所述，由于现有技术中不同类型的力学产品具有共有的设计特性，但是没有一个系统和方法能指明如何自动实现力学产品的自动化设计，而如何改善上述问题，即为本申请的待解决的技术课题。
发明内容
为了解决现有技术存在的缺陷，本发明的主要目的在于提供一种力学产品设计方法及其系统，以实现力学产品的设计模型的自动化设计的功效，并具有设计效率高，可复用程度高以及设计成本低廉的优点。
为达上述目的及其他相关目的，本申请的第一实施例提供一种力学产品设计系统，其特征在于，包括：数据采集模块，其用于采集力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数表示针对所述样本模型所执行的优化设计动作；参数设定模块，其提供输入待设计的力学产品的设计指标参数；第一优化学习模块，其用于将所述力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数输入至第一深度神经网络中进行离线训练，以构建所述第一深度神经网络的深度学习模型，且令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述参数设定模块所输入的所述设计指标参数预测生成第一优化设计参数并予以输出；以及产品模型生成模块，其用于接收所述第一优化设计参数，据以执行相应的优化设计动作，而生成符合所述设计指标参数的所述力学产品的设计模型。
可选地，在本申请的任一实施例中，所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数还包括结构特征参数、运行环境参数、流体特征参数。
可选地，在本申请的任一实施例中，所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数。
可选地，在本申请的任一实施例中，所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
可选地，在本申请的任一实施例中，所述系统进一步包括：分析模块，其用于分析所述产品模型生成模块依据所述第一优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号至所述第一优化学习模块，以通过所述第一优化学习模块令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述设计指标参数重新预测生成新的所述第一优化设计参数并予以输出。
可选地，在本申请的任一实施例中，所述系统进一步包括：第二优化学习模块，其用于当无法借由所述第一优化学习模块生成符合所述设计指标参数的所述力学产品的设计模型时，自所述产品模型生成模块依据所述第一优化设计参数所生成的多个所述力学产品的设计模型中，选取最接近所述设计指标参数的一所述力学产品的设计模型并将其输入到构建有强化学习模型的第二深度神经网络中，以令所述第二深度神经网络依据所述设计指标参数预测生成第二优化设计参数并予以输出；且其中，所述产品模型生成模块进一步用于接收所述第二优化设计参数，据以针对所述第二优化学习模块所提取的所述力学产品的设计模型执行相应的优化设计动作，而生成所述力学产品的设计模型；所述分析模块进一步用于分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号并反馈至所述第二优化学习模块，以通过所述第二优化学习模块令所述第二深度神经网络重新根据所述设计指标参数，预测生成一新的所述第二优化设计参数并予以输出。
可选地，在本申请的任一实施例中，所述分析模块进一步用于当分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型符合所述设计指标参数时，将所述力学产品的设计模型、所述设计指标参数及所述第二优化设计参数输入到所述数据资料库中以作为所述力学产品的样本模型及其对应的所述样本模型指标参数以及所述样本优化设计参数予以存储。
本申请的第二实施例提供一种力学产品设计方法，其特征在于，所述方法包括：采集力学产品的样本模型及其对应的样本模型指标参数和样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数用于表示针对所述力学产品的样本模型所执行的优化设计动作；将所述样本模型、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建所述第一深度神经网络的深度学习模型；输入力学产品的设计指标参数，以令所述第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数生成第一优化设计参数并予以输出；以及依据所述第一优化设计参数执行相应的优化设计动作，生成符合所述设计指标参数的所述力学产品的设计模型。
可选地，在本申请的任一实施例中，所述方法所设计的所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数包括结构特征参数、运行环境参数、流体特征参数，其中，所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
可选地，在本申请的任一实施例中，生成符合所述设计指标参数的所述力学产品的设计模型的步骤进一步包括分析所述仿真工具依据所述第一优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，令所述第一深度神经网络基于所述深度学习模型而针对所述设计指标参数重新生成新的第一优化设计参数并予以输出。
可选地，在本申请的任一实施例中，所述生成符合所述设计指标参数的所述力学产品的设计模型的步骤进一步包括：当分析无法依据所述第一优化设计参数生成符合所述设计指标参数的所述力学产品的设计模型时，借由构建有强化学习模型的第二深度神经网络以执行强化学习步骤，以自所生成的多个所述力学产品的设计模型中，选取最接近所述设计指标参数的一所述力学产品的设计模型，并将所述力学产品的设计模型输入到所述第二深度神经网络，以令所述第二深度神经网络根据所述设计指标参数生成第二优化设计参数并予以输出；借由所述仿真工具依据所述第二优化设计参数执行相应的优化设计动作以生成新的所述力学产品的设计模型；以及分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，则令第二深度神经网络重新执行所述强化学习步骤。
可选地，在本申请的任一实施例中，所述方法进一步包括当分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型符合所述设计指标参数时，将所生成的所述力学产品的设计模型及其设计指标参数，以及所述第二深度神经网络所输出的所述第二优化设计参数输入到所述数据资料库中，以作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储。
本申请的第三实施例提供一种力学产品设计系统，其特征在于，包括：参数设定模块，其提供输入待设计的力学产品的设计指标参数；产品模型生成模块，其用于依据所述设计指标参数生成基础模型，以及接收第二优化设计参数据以针对所述基础模型执行相应的优化设计动作而生成所述力学产品的设计模型；第二优化学习模块，其用于构建第二深度神经网络的强化学习模型，并将所述基础模型输入所述第二深度神经网络，以令所述第二深度神经网络基于所述强化学习模型，而针对所述设计指标参数预测生成所述第二优化设计参数并予以输出；以及分析模块，其用于分析所述产品模型生成模块依据所述第二优化设计参数所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号至所述第二优化学习模块，以令所述第二优化学习模块借由所述第二深度神经网络重新根据所述设计指标参数，预测生成一新的所述第二优化设计参数并予以输出，直至生成符合所述设计指标参数的所述力学产品的设计模型，且其中，所述第二优化学习模块进一步用于根据所述分析模块的分析结果，针对所述第二深度神经网络进行在线训练，以调整更新所述强化学习模型。
可选地，在本申请的任一实施例中，所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数还包括结构特征参数、运行环境参数、流体特征参数；其中，所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
本申请的第四实施例提供一种力学产品设计方法，其特征在于，包括：设定待建的力学产品的设计指标参数；借由仿真工具依据所述设计指标参数生成基础模型；将所述基础模型输入构建有强化学习模型的第二深度神经网络，以令所述第二深度神经网络依据所述设计指标参数，生成所述第二优化设计参数并予以输出；借由所述仿真工具依据所述第二优化设计参数对所述基础模型执行相应的优化设计动作以生成所述力学产品的设计模型；分析所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，令所述第二深度神经网络重新根据所述设计指标参数生成一新的所述第二优化设计参数并予以输出，直至所生成的所述力学产品的设计模型符合所述设计指标参数；以及令所述第二深度神经网络依据所述分析结果进行在线训练，以调整更新所述强化学习模型。
可选地，在本申请的任一实施例中，所述方法所设计的所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数包括结构特征参数、运行环境参数、流体特征参数；其中，所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
由上可知，本申请所提供的力学产品设计方法及其方法，通过向构建有深度学习模型的第一深度神经网络输入待设计的力学产品的设计指标参数，以令所述第一深度神经网络依据所输入的设计指标参数预测优化设计动作，进而自动生成符合所述设计指标参数的力学产品的设计模型。
此外，本申请还可利用构建有强化学习模型第二深度神经网络执行的强化学习处理，以依据产品模型的设计指标参数而生成第二优化设计参数，从而自动生成符合设计指标参数的产品模型。借此，本申请可实现力学产品的自动化设计，具有设计效率高，可复用程度高以及设计成本低廉的优点。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为显示本申请的第一实施例的力学产品设计系统的结构示意图；
图2为显示图1的力学产品设计系统的实施例示意图；
图3为显示本申请的第二实施例的力学产品设计方法的流程示意图；
图4为显示图3的力学产品设计方法的实施例示意图；
图5为显示本申请的第三实施例的力学产品设计系统的结构示意图；以及
图6为显示本申请的第四实施例的产品模型设计方法的流程示意图。
具体实施方式
实施本发明实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本发明实施例中的技术方案，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，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
图1为显示本申请的第一实施例的产品模型设计系统的结构示意图。如图所示，本实施例的力学产品设计系统100主要包括数据采集模块110、参数设定模块120、第一优化学习模块130、以及产品模型生成模块140。
数据采集模块110用于采集力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数表示针对所述样本模型所执行的优化设计动作。具体而言，数据资料库101中所储存的力学产品的样本模型是指以人工方式建立的符合样本模型指标参数的产品模型，例如，利用经验丰富的设计师，基于产品外形(产品尺寸等)和产品性能指标等要求，通过在一个或多个计算机仿真设计工具中建立产品仿真模型，调试并优化产品仿真模型，而最终获取符合模型指标参数要求的产品仿真模型作为样本模型。其中，在调试（优化）过程中的每个步骤所生成的产品仿真模型的样本数据均可作为数据采集模块110所获取的样本模型。
参数设定模块120其提供输入待设计的力学产品的设计指标参数。
于本实施例中，本申请待设计的力学产品可例如包括结构力学产品和流体力学产品，所输入的设计指标参数例如包括结构特征参数、运行环境参数、流体特征参数。具体而言，上述的结构力学产品为电路外壳，则所输入的设计指标参数可包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数。此外，涉及流体力学产品的设计指标参数则可包括有所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。然并不以此为限，所输入的设计指标参数可依据实际需求而进行调整。
第一优化学习模块130用于将力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数输入至第一深度神经网络中进行离线训练，以构建第一深度神经网络的深度学习模型，且当第一深度神经网络训练完成之后，第一优化学习模块130还可令第一深度神经网络基于所构建好的深度学习模型，而针对参数设定模块120所输入的设计指标参数预测生成第一优化设计参数并予以输出。
进一步地，例如第一深度神经网络是基于循环神经网络搭建的，通过将力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数放入基于循环神经网络架构的第一深度神经网络中，从而完成对网络状态的预测，并进一步将网络的输出作为其输入，而进行下一轮的预测和生成。
产品模型生成模块140用于接收所述第一优化设计参数，据以执行相应的优化设计动作，而生成符合所述设计指标参数的所述力学产品的设计模型。
于实际应用中，产品模型生成模块140可通过重复多次接收第一优化学习模块130所输出的第一优化设计参数，通过执行多次的优化设计动作，而自动生成符合所述设计指标参数的所述力学产品的设计模型。
于一实施例中，可先借由仿真工具依据所输入的设计指标参数，建立一基础模型，再将所生成的基础模型输入到训练好的第一深度神经网络中（即具有构建好的深度学习模型的第一深度神经网络），以令第一深度神经网络基于深度学习模型，而针对设计指标参数重复预测力学产品的设计模型在设计优化过程中所需执行的优化设计动作，直至生成符合设计指标要求的力学产品的设计模型。
请配合参阅图2，于一实施例中，力学产品设计系统100还可进一步包括分析模块150，其用于分析产品模型生成模块140依据第一优化设计参数执行优化设计动作所生成的力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出力学产品的设计模型，而当分析结果为不符合时，输出分析信号至第一优化学习模块130，以通过第一优化学习模块130令第一深度神经网络基于所构建的所述深度学习模型，而针对所述设计指标参数重新预测生成新的所述第一优化设计参数并予以输出。产品模型生成模块140可依据重新生成的第一优化设计参数再次执行优化设计动作，而生成新的力学产品的设计模型。
请继续参阅图2，于另一实施例中，本申请可在当产品模型生成模块140依据第一优化设计参数执行优化设计动作所生成的所述力学产品的设计模型无法符合所述设计指标参数时，也就是无法通过第一优化学习模块130生成符合设计指标参数的力学产品的设计模型时，可启动执行一强化学习模式。
具体而言，力学产品设计系统100还进一步有第二优化学习模块160，其用于当无法借由第一优化学习模块130生成符合设计指标参数的力学产品的设计模型时（例如，可透过设定第一优化学习模块130执行优化设计操作的上限，例如，设定第一优化学习模块130生成第一优化设计参数的次数或设定第一优化学习模块130生成第一优化设计参数的执行时间，以于判断第一优化学习模块130在达到所设定的上限而仍未设计出符合设计指标参数的产品模型时，即判断第一优化学习模块130无法生成符合设计指标参数的产品模型），将启动执行第二优化学习模块160，以从产品模型生成模块140依据第一优化设计参数所生成的多个力学产品的设计模型中，选取最接近设计指标参数的一力学产品的设计模型，并将其输入到构建有强化学习模型的第二深度神经网络中，以令第二深度神经网络依据设计指标参数预测生成第二优化设计参数并予以输出，而生成新的产品模型。
此外，当借由第二优化学习模块160生成新的产品模型后，分析模块150还可进一步分析产品模型生成模块140依据第二优化设计参数执行优化设计动作所生成的力学产品的设计模型是否符合所述设计指标参数，其中，当分析结果为符合时，输出力学产品的设计模型，而当分析结果为不符合时，输出分析信号并反馈至第二优化学习模块160，以通过第二优化学习模块160令第二深度神经网络重新根据设计指标参数预测生成一新的第二优化设计参数并予以输出，以令产品模型生成模块140据以重新执行一次优化设计动作，而生成新的产品模型，以供分析模块150再次进行分析。
具体而言，第二优化学习模块160可执行一强化学习状态，给出对当前产品模型的预测优化设计动作（即第二优化设计参数对应的优化设计动作），然后再交由价值网络评估所做出的预测优化设计动作的好坏，以找出最优策略，从而实现自动生成符合设计指标参数的力学产品的设计模型的技术功效。
此外，分析模块150进一步用于在当分析产品模型生成模块140依据第二优化设计参数执行优化设计动作所生成的力学产品的设计模型符合所述设计指标参数时，将所生成的力学产品的设计模型、设计指标参数及第二优化设计参数分别输入到数据资料库101中以作为力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数予以存储，以利用新增的样本数据而针对第一深度神经网络所构建的深度学习模型进行不断地进行优化训练。
请配合参阅图3，其为显示本申请的第二实施例的力学产品设计方法的流程示意图。
如图所示，首先执行步骤S31, 采集力学产品的样本模型及其对应的样本模型指标参数和样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数用于表示针对所述力学产品的样本模型所执行的优化设计动作，接着进行步骤S32。
于步骤S32中，将所述样本模型、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建所述第一深度神经网络的深度学习模型，接着进行步骤S33。
于步骤S33中，输入力学产品的设计指标参数，以令所述第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数生成第一优化设计参数并予以输出，接着进行步骤S34。
于步骤S34中，借由仿真工具以依据第一深度神经网络输出的第一优化设计参数执行相应的优化设计动作，而生成符合所述设计指标参数的所述力学产品的设计模型。
于本实施例中，借由上述步骤所设计的力学产品包括结构力学产品和流体力学产品，所述设计指标参数包括结构特征参数、运行环境参数、流体特征参数。其中，结构力学产品为电路外壳，于此情况下，所输入的设计指标参数例如包括电路外壳中待设置的芯片类型及芯片数量参数，以及电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数。
于另一实施例中，所设计的力学产品为流体力学产品，于此情况下，所输入的设计指标参数例如包括流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
请配合图4，于一实施例中，图3中步骤S33以及步骤S34还可进一步细化为以下几个步骤，具体包括：
步骤S41，令第一深度神经网络基于所述深度学习模型，而针对所输入的设计指标参数预测生成第一优化设计参数并予以输出。于一实施例中，可由仿真工具先根据设计指标参数生成一基础模型，以令第一深度神经网络基于所生成的基础模型以及所输入的设计指标参数，预测生成第一优化设计参数并予以输出，接着进行步骤S42。
于步骤S42中，令仿真工具依据第一优化设计参数执行优化设计动作，以生成相应的力学产品的设计模型，接着进行步骤S43。
于步骤S43中，分析依据第一优化设计参数所生成的力学产品的设计模型是否符合所输入的设计指标参数，其中，当分析结果为符合时，则输出所生成的力学产品的设计模型，当分析结果为不符合时，则进行步骤S44。
于步骤S44中，分析依据所述第一优化设计参数是否能够生成符合所述设计指标参数的力学产品的设计模型，在本实施例中，可通过针对第一深度神经网络执行的优化设计操作的上限值进行设定，例如，分析第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的执行时间是否达到预设的上限值来实现，其中，当判断当前第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的操作时间未达到上限值时，则返回执行步骤S41，以令第一深度神经网络重新预测生成新的第一优化设计参数，而当判断当前第一深度神经网络输出第一优化设计参数的次数或第一深度神经网络生成第一优化设计参数的操作时间已达到上限值时，则执行步骤S45。
于步骤S45中，借由构建有强化学习模型的第二深度神经网络以执行强化学习步骤，以自依据第一优化设计参数所生成的多个力学产品的设计模型中，选取最接近所述设计指标参数的一力学产品的设计模型，并将所选取的力学产品的设计模型输入到第二深度神经网络，以令第二深度神经网络根据设计指标参数生成第二优化设计参数并予以输出，以接着执行步骤S46。
于步骤S46中，借由仿真工具依据第二优化设计参数执行优化设计动作，以生成新的力学产品的设计模型，再接着返回执行步骤S43，以分析依据第二优化设计参数所生成的力学产品的设计模型是否符合设计指标参数，当分析结果为符合时，输出所生成的力学产品的设计模型，而当分析结果为不符合时，则经由步骤S44之后重新进入步骤S45，以令第二深度神经网络重复执行强化学习步骤。
于另一实施例中，当步骤S43中分析出依据第二优化设计参数（即强化学习步骤）而生成的力学产品的设计模型符合设计指标参数时，将所生成的力学产品的设计模型及其设计指标参数，以及第二深度神经网络所输出的第二优化设计参数输入到数据资料库101中，以作为力学产品的样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储，从而不断扩充数据资料库中的相关样本资料，以利用这些新增的数据资料针对第一深度神经网络的深度学习模型进行训练。
请继续参阅图5，其为显示本申请的第三实施例的力学产品设计系统的结构示意图。如图所示，本实施例的力学产品设计系统200主要包括参数设定模块210、产品模型生成模块220、基于深度强化学习算法(Deep ReinforcementLearning,DRL)第二优化学习模块230、以及分析模块240。
参数设定模块210提供输入待设计的力学产品的设计指标参数。
产品模型生成模块220用于依据所输入的设计指标参数生成基础模型，以及用于接收第二优化设计参数据以针对所生成的基础模型执行相应的优化设计动作而生成力学产品的设计模型。于本实施例中，产品模型生成模块200可通过仿真设计工具软件建立所述基础模型或所述力学产品的设计模型。
第二优化学习模块230其用于构建第二深度神经网络的强化学习模型，并将所生成的基础模型输入第二深度神经网络，以令第二深度神经网络基于所构建的强化学习模型，而针对所输入的设计指标参数预测生成第二优化设计参数并予以输出，也就是输出基础模型在设计优化过程中所需执行的优化设计动作参数，以供产品模型生成模块220据以执行相应的优化设计动作，而生成新的产品模型。
进一步地，基于深度强化学习算法的第二优化学习模块230是在线深度强化学习阶段，其所用深度强化学习算法包括但不仅限于：Deep Q Learning、Double Q-Network、Deep Deterministic PolicyGradien、Actor-Critic等。
具体而言，基于深度强化学习算法的第二优化学习模块230可给出对当前产品模型（即基础模型）的预测优化设计动作（即第二优化设计参数）；然后再交由价值网络评估策略网络所做出的预测优化设计动作的好坏，以找出最优策略，从而实现自动生成符合设计指标参数的产品模型的技术功效。
分析模块240用于分析产品模型生成模块220依据第二优化设计参数所生成的力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出力学产品的设计模型，而当分析结果为不符合时，输出分析信号至第二优化学习模块230，以令第二优化学习模块230借由第二深度神经网络重新根据设计指标参数，预测生成一新的第二优化设计参数并予以输出，直至生成符合设计指标参数的力学产品的设计模型。
再者，第二优化学习模块230还可进一步根据分析模块240的分析结果，而针对第二深度神经网络进行在线训练，以不断地调整优化所构建的强化学习模型。
于一实施例中，所设计的力学产品包括结构力学产品和流体力学产品，所述设计指标参数还包括结构特征参数、运行环境参数、流体特征参数。
于另一实施例中，所述的结构力学产品为电路外壳，所输入设计指标参数例如包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数。
于又一实施例中，当所设计的力学产品为流体力学产品是，所输入的设计指标参数可例如包括流体力学产品中待设置的边界条件，以及流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
如图6所示，其为显示本申请的第四实施例的力学产品设计方法的流程示意图。
如图所示，首先执行步骤S61, 设定待建的力学产品的设计指标参数，接着进行步骤S62。
于步骤S62中，通过仿真设计工具软件依据所设定的设计指标参数建立一个产品模型作为基础模型，接着进行步骤S63。
于步骤S63中，将所生成的基础模型作为深度强化学习的状态输入构建有强化学习模型的第二深度神经网络中，以令第二深度神经网络依据设计指标参数，生成第二优化设计参数并予以输出。具体而言，第二深度神经网络给出对当前产品模型（即基础模型）的预测优化设计动作（即第二优化设计参数对应的优化设计动作）；然后再交由第二深度神经网络的价值网络评估策略网络所做出的预测优化设计动作的好坏，以找出最优策略，从而生成设计产品模型的最优动作。接着进行步骤S64。
于步骤S64中，利用仿真设计工具软件依据步骤S63输出的第二优化设计参数对步骤S62生成的基础模型进行调试，从而生成力学产品的设计模型。接着进行步骤S65。
于步骤S65中，分析依据第二优化设计参数所生成的力学产品的设计模型是否符合所述设计指标参数，当分析结果为符合时，输出所生成的力学产品的设计模型，而当分析结果为不符合时，则令第二深度神经网络重新根据所输入的设计指标参数生成一新的第二优化设计参数并予以输出，直至所生成的力学产品的设计模型符合所述设计指标参数，接着进行步骤S66。
于步骤S66中，令所述第二深度神经网络依据步骤S65的分析结果进行在线训练，以不断调整优化第二深度神经网络的强化学习模型。
综上所述，本申请所提供的力学产品设计方法及其系统通过两种不同学习模式的人工智能体，即基于深度学习模型的深度神经网络以及基于强化学习模型的深度神经网络，以依据输入的设计指标参数预测生成优化设计参数，而自动生成符合所述设计指标参数的力学产品。借以实现力学产品的不同类型的设计模型的经验共享，并具有设计效率高，设计成本低廉的优点。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，所述计算机可读记录介质包括用于以计算机（例如计算机）可读的形式存储或传送信息的任何机制。例如，机器可读介质包括只读存储器（ROM）、随机存取存储器（RAM）、磁盘存储介质、光存储介质、闪速存储介质、电、光、声或其他形式的传播信号（例如，载波、红外信号、数字信号等）等，该计算机软件产品包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
本领域的技术人员应明白，本发明实施例的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种力学产品设计系统，其特征在于，包括：
数据采集模块，其用于采集力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数表示针对所述样本模型所执行的优化设计动作；
参数设定模块，其提供输入待设计的力学产品的设计指标参数；
第一优化学习模块，其用于将所述力学产品的样本模型及其对应的样本模型指标参数以及样本优化设计参数输入至第一深度神经网络中进行离线训练，以构建所述第一深度神经网络的深度学习模型，且令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述参数设定模块所输入的所述设计指标参数预测生成第一优化设计参数并予以输出；以及
产品模型生成模块，其用于接收所述第一优化设计参数，据以执行相应的优化设计动作，而生成符合所述设计指标参数的所述力学产品的设计模型；
其中，所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数还包括结构特征参数、运行环境参数、流体特征参数；所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
2.根据权利要求1所述的力学产品设计系统，其特征在于，所述系统进一步包括：
分析模块，其用于分析所述产品模型生成模块依据所述第一优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号至所述第一优化学习模块，以通过所述第一优化学习模块令所述第一深度神经网络基于所构建的所述深度学习模型，而针对所述设计指标参数重新预测生成新的所述第一优化设计参数并予以输出。
3.根据权利要求2所述的力学产品设计系统，其特征在于，所述系统进一步包括：
第二优化学习模块，其用于当无法借由所述第一优化学习模块生成符合所述设计指标参数的所述力学产品的设计模型时，自所述产品模型生成模块依据所述第一优化设计参数所生成的多个所述力学产品的设计模型中，选取最接近所述设计指标参数的一所述力学产品的设计模型并将其输入到构建有强化学习模型的第二深度神经网络中，以令所述第二深度神经网络依据所述设计指标参数预测生成第二优化设计参数并予以输出；且其中，
所述产品模型生成模块进一步用于接收所述第二优化设计参数，据以针对所述第二优化学习模块所提取的所述力学产品的设计模型执行相应的优化设计动作，而生成所述力学产品的设计模型；
所述分析模块进一步用于分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号并反馈至所述第二优化学习模块，以通过所述第二优化学习模块令所述第二深度神经网络重新根据所述设计指标参数，预测生成一新的所述第二优化设计参数并予以输出。
4.根据权利要求3所述的力学产品设计系统，其特征在于，所述分析模块进一步用于当分析所述产品模型生成模块依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型符合所述设计指标参数时，将所述力学产品的设计模型、所述设计指标参数及所述第二优化设计参数输入到所述数据资料库中以作为所述力学产品的样本模型及其对应的所述样本模型指标参数以及所述样本优化设计参数予以存储。
5.一种力学产品设计方法，其特征在于，所述方法包括：
采集力学产品的样本模型及其对应的样本模型指标参数和样本优化设计参数，以建立数据资料库，其中，所述样本优化设计参数用于表示针对所述力学产品的样本模型所执行的优化设计动作；
将所述样本模型、所述样本模型指标参数以及所述样本优化设计参数输入第一深度神经网络中进行训练，以构建所述第一深度神经网络的深度学习模型；
输入力学产品的设计指标参数，以令所述第一深度神经网络基于所述深度学习模型，而针对所述设计指标参数生成第一优化设计参数并予以输出；以及
依据所述第一优化设计参数执行相应的优化设计动作，生成符合所述设计指标参数的所述力学产品的设计模型；
其中，所述方法所设计的所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数包括结构特征参数、运行环境参数、流体特征参数；所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
6.根据权利要求5所述的力学产品设计方法，其特征在于，生成符合所述设计指标参数的所述力学产品的设计模型的步骤进一步包括：
分析仿真工具依据所述第一优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，令所述第一深度神经网络基于所述深度学习模型而针对所述设计指标参数重新生成新的第一优化设计参数并予以输出。
7.根据权利要求6所述的力学产品设计方法，其特征在于，所述生成符合所述设计指标参数的所述力学产品的设计模型的步骤进一步包括：
当分析无法依据所述第一优化设计参数生成符合所述设计指标参数的所述力学产品的设计模型时，借由构建有强化学习模型的第二深度神经网络以执行强化学习步骤，以自所生成的多个所述力学产品的设计模型中，选取最接近所述设计指标参数的一所述力学产品的设计模型，并将所述力学产品的设计模型输入到所述第二深度神经网络，以令所述第二深度神经网络根据所述设计指标参数生成第二优化设计参数并予以输出；
借由所述仿真工具依据所述第二优化设计参数执行相应的优化设计动作以生成新的所述力学产品的是模型；以及
分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，则令第二深度神经网络重新执行所述强化学习步骤。
8.根据权利要求7所述的力学产品设计方法，其特征在于，所述方法进一步包括当分析所述仿真工具依据所述第二优化设计参数执行优化设计动作所生成的所述力学产品的设计模型符合所述设计指标参数时，将所生成的所述力学产品的设计模型及其设计指标参数，以及所述第二深度神经网络所输出的所述第二优化设计参数输入到所述数据资料库中，以作为所述样本模型及其对应的所述样本模型指标参数，以及所述样本优化设计参数予以存储。
9.一种力学产品设计系统，其特征在于，包括：
参数设定模块，其提供输入待设计的力学产品的设计指标参数；
产品模型生成模块，其用于依据所述设计指标参数生成基础模型，以及接收第二优化设计参数据以针对所述基础模型执行相应的优化设计动作而生成所述力学产品的设计模型；
第二优化学习模块，其用于构建第二深度神经网络的强化学习模型，并将所述基础模型输入所述第二深度神经网络，以令所述第二深度神经网络基于所述强化学习模型，而针对所述设计指标参数预测生成所述第二优化设计参数并予以输出；以及
分析模块，其用于分析所述产品模型生成模块依据所述第二优化设计参数所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，输出分析信号至所述第二优化学习模块，以令所述第二优化学习模块借由所述第二深度神经网络重新根据所述设计指标参数，预测生成一新的所述第二优化设计参数并予以输出，直至生成符合所述设计指标参数的所述力学产品的设计模型，且其中，
所述第二优化学习模块进一步用于根据所述分析模块的分析结果，针对所述第二深度神经网络进行在线训练，以调整更新所述强化学习模型；
且其中，所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数还包括结构特征参数、运行环境参数、流体特征参数；所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
10.一种力学产品设计方法，其特征在于，包括：
设定待建的力学产品的设计指标参数；
借由仿真工具依据所述设计指标参数生成基础模型；
将所述基础模型输入构建有强化学习模型的第二深度神经网络，以令所述第二深度神经网络依据所述设计指标参数，生成第二优化设计参数并予以输出；
借由所述仿真工具依据所述第二优化设计参数对所述基础模型执行相应的优化设计动作以生成所述力学产品的设计模型；
分析所生成的所述力学产品的设计模型是否符合所述设计指标参数，并当分析结果为符合时，输出所述力学产品的设计模型，而当分析结果为不符合时，令所述第二深度神经网络重新根据所述设计指标参数生成一新的所述第二优化设计参数并予以输出，直至所生成的所述力学产品的设计模型符合所述设计指标参数；以及
令所述第二深度神经网络依据所述分析结果进行在线训练，以调整更新所述强化学习模型；
其中，所述方法所设计的所述力学产品包括结构力学产品和流体力学产品，所述设计指标参数包括结构特征参数、运行环境参数、流体特征参数；所述结构力学产品为电路外壳，所述设计指标参数还包括所述电路外壳中待设置的芯片类型及芯片数量参数，以及所述电路外壳的尺寸参数、接口位置参数、固定方式参数、材料参数、以及热力参数；所述流体力学产品的设计指标参数还包括所述流体力学产品中待设置的边界条件，以及所述流体力学产品的尺寸参数、流体入口及出口位置参数、流体信息参数、流速信息参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810847732.2A CN109255148B (zh) | 2018-07-27 | 2018-07-27 | 力学产品设计方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810847732.2A CN109255148B (zh) | 2018-07-27 | 2018-07-27 | 力学产品设计方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109255148A CN109255148A (zh) | 2019-01-22 |
| CN109255148B true CN109255148B (zh) | 2023-01-31 |
Family
ID=65050024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810847732.2A Active CN109255148B (zh) | 2018-07-27 | 2018-07-27 | 力学产品设计方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255148B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188039A (zh) * | 2019-05-20 | 2019-08-30 | 南京星火技术有限公司 | 软件测试、软件优化的方法与系统 |
| CN110210654A (zh) * | 2019-05-20 | 2019-09-06 | 南京星火技术有限公司 | 产品模型设计系统及方法 |
| CN111259603B (zh) * | 2020-01-17 | 2024-01-30 | 南京星火技术有限公司 | 电子设备、模型设计装置和计算机可读介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081648A (zh) * | 2010-12-20 | 2011-06-01 | 北京航空航天大学 | 一种支持复杂产品先进制造的案例库系统及方法 |
| CN102364479A (zh) * | 2011-10-20 | 2012-02-29 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种燃气轮机进气装置的设计分析方法 |
| CN105608254A (zh) * | 2015-12-15 | 2016-05-25 | 宁波力芯科信息科技有限公司 | 一种面向智能硬件系统开发的自动化设计方法和平台 |
| CN106022523A (zh) * | 2016-05-23 | 2016-10-12 | 广东工业大学 | 一种基于集成仿真的自动化生产线优化设计方法 |
| CN106529072A (zh) * | 2016-11-25 | 2017-03-22 | 江苏大学 | 基于多学科优化的高温高压离心泵叶轮综合设计方法 |
| CN106570290A (zh) * | 2016-11-10 | 2017-04-19 | 北京航空航天大学 | 针对混合集成电路可靠性指标评价的层次结构构建方法 |
| CN107016175A (zh) * | 2017-03-23 | 2017-08-04 | 中国科学院计算技术研究所 | 适用神经网络处理器的自动化设计方法、装置及优化方法 |
| CN107169238A (zh) * | 2017-06-16 | 2017-09-15 | 桂林理工大学 | 一种产品设计模型的设计方法及系统 |
| CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
| CN107391864A (zh) * | 2017-07-28 | 2017-11-24 | 湖南大学 | 一种基于可满足性求解的工程产品智能设计方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3134835A1 (en) * | 2014-04-25 | 2017-03-01 | Tata Consultancy Services Limited | A model driven computational platform for integrated design of products, materials and manufacturing processes |
-
2018
- 2018-07-27 CN CN201810847732.2A patent/CN109255148B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081648A (zh) * | 2010-12-20 | 2011-06-01 | 北京航空航天大学 | 一种支持复杂产品先进制造的案例库系统及方法 |
| CN102364479A (zh) * | 2011-10-20 | 2012-02-29 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种燃气轮机进气装置的设计分析方法 |
| CN105608254A (zh) * | 2015-12-15 | 2016-05-25 | 宁波力芯科信息科技有限公司 | 一种面向智能硬件系统开发的自动化设计方法和平台 |
| CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
| CN106022523A (zh) * | 2016-05-23 | 2016-10-12 | 广东工业大学 | 一种基于集成仿真的自动化生产线优化设计方法 |
| CN106570290A (zh) * | 2016-11-10 | 2017-04-19 | 北京航空航天大学 | 针对混合集成电路可靠性指标评价的层次结构构建方法 |
| CN106529072A (zh) * | 2016-11-25 | 2017-03-22 | 江苏大学 | 基于多学科优化的高温高压离心泵叶轮综合设计方法 |
| CN107016175A (zh) * | 2017-03-23 | 2017-08-04 | 中国科学院计算技术研究所 | 适用神经网络处理器的自动化设计方法、装置及优化方法 |
| CN107169238A (zh) * | 2017-06-16 | 2017-09-15 | 桂林理工大学 | 一种产品设计模型的设计方法及系统 |
| CN107391864A (zh) * | 2017-07-28 | 2017-11-24 | 湖南大学 | 一种基于可满足性求解的工程产品智能设计方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| 基于映射关系的产品设计DNA描述方法研究;卢兆麟 等;《机械设计》;20140930;第31卷(第9期);第1-6页 * |
| 基于深度学习的三维CAD模型分类;刘钰鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);第I138-5871页 * |
| 基于深度学习的故障预测技术研究;吴立金 等;《计算机测量与控制》;20180228;第26卷(第2期);第9-13页 * |
| 支持产品设计的知识仓库框架研究;徐翔斌 等;《中国机械工程》;20071130;第18卷(第22期);第2721-2726页 * |
| 混合集成电路DC/DC电源模块单元制造模式研究;叶晓飞 等;《电子工业技术》;20171130;第38卷(第6期);第347-351页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109255148A (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109101712B (zh) | 基于图网络的产品模型设计系统及方法 | |
| CN109255148B (zh) | 力学产品设计方法及其系统 | |
| KR20190117713A (ko) | 신경망 아키텍처 최적화 | |
| CN110705690B (zh) | 基于生成模型和元学习优化方法的连续学习方法及系统 | |
| CN108595815A (zh) | 人工智能体训练系统及无源电路优化设计系统及方法 | |
| JP7319141B2 (ja) | 人工知能ベースの製造部品設計 | |
| CN117592535A (zh) | 一种大语言模型微调方法、装置、设备及存储介质 | |
| CN116127899B (zh) | 芯片设计系统、方法、电子设备和存储介质 | |
| CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
| CN112633516B (zh) | 性能预测和机器学习编译优化方法及装置 | |
| CN111814414B (zh) | 一种基于遗传算法的覆盖率收敛方法及系统 | |
| CN115879529A (zh) | 基于网络级模拟的自动并行策略搜索方法、介质及设备 | |
| CN117076335A (zh) | 一种模型测试方法、系统、介质及电子设备 | |
| CN111310305A (zh) | 一种固体氧化物燃料电池系统振荡变量获取方法 | |
| WO2020055659A1 (en) | Generation and utilization of self-improving data-driven models with selective simulation of 3d object design | |
| US12124771B2 (en) | Computer aided design of custom cellular lattice kernels according to material properties | |
| CN114610270A (zh) | Ai模型生成方法、电子设备和存储介质 | |
| CN116341634B (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
| CN117826634A (zh) | 基于智能优化算法的仿真系统多工况调试方法及装置 | |
| CN103970653A (zh) | 一种传感器网软件可达性验证方法 | |
| CN108595816A (zh) | 基于人工智能的电子产品建模系统及方法 | |
| CN118885861B (zh) | 智能故障诊断模型更新方法、处理器及机器可读存储介质 | |
| CN112346916A (zh) | 测试方法、装置及相关产品 | |
| CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 | |
| US20240005160A1 (en) | Methods and systems for optimizing a peak memory usage of an artificial neural network graph |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241025 Address after: 14th Floor, Chuangzhi Building, No. 17 Xinghuo Road, Jiangbei New District, Nanjing City, Jiangsu Province 210000 Patentee after: Nanjing Starfire Technology Co.,Ltd. Country or region after: China Address before: 050000 west side of the first floor of building 3, No.368, Xinshi North Road, Shijiazhuang City, Hebei Province Patentee before: SHIJIAZHUANG CHUANGTIAN ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |