CN110471937B - 一种工艺实例分级检索方法及装置 - Google Patents
一种工艺实例分级检索方法及装置 Download PDFInfo
- Publication number
- CN110471937B CN110471937B CN201910799668.XA CN201910799668A CN110471937B CN 110471937 B CN110471937 B CN 110471937B CN 201910799668 A CN201910799668 A CN 201910799668A CN 110471937 B CN110471937 B CN 110471937B
- Authority
- CN
- China
- Prior art keywords
- attribute
- similarity
- instance
- target
- temporary
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2425—Iterative querying; Query formulation based on the results of a preceding query
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及实例检索技术领域,公开了一种工艺实例分级检索方法,包括以下步骤:基于零件的零件属性,分别计算工艺实例库中每一工艺实例与目标实例之间的一级相似度,筛选出一级相似度大于设定阈值的工艺实例得到临时实例库;基于零件的工艺属性,分别计算临时实例库中每一临时实例与目标实例之间的二级相似度,筛选出二级相似度最大的临时实例作为最相似实例。本发明具有实例检索匹配度高的技术效果。
Description
技术领域
本发明涉及实例检索技术领域,具体涉及一种工艺实例分级检索方法及装置。
背景技术
传统的工艺实例检索方法主要是根据目标实例所生产的零件的一些零件属性,例如分类和名称关键词等,在工艺实例库中搜索匹配的工艺实例,然后根据匹配的工艺实例对零件进行工艺规划。然而,在一些领域,其零件结构的复杂性和零件加工工艺之间较大的差异性,造成根据零件属性检索得到的工艺实例数量较多,让工艺人员难以抉择,且检索得到的实例与目标实例的差异较大,导致实例修改的难度大、工艺规划时间长。例如汽车领域中,主减速器中的主动齿轮和被动齿轮,主动齿轮和被动齿轮虽然都属于齿轮类零件,但它们的结构和加工工艺方案有很大的不同,仅基于零件的分类和名称关键词进行实例检索,会检索出多个与目标实例差异较大的实例,让工艺人员难以抉择,且进行工艺规划时,需要对检索出的实例进行较大的修改才可适用于目标实例。
发明内容
本发明的目的在于克服上述技术不足,提供一种工艺实例分级检索方法及装置,解决现有技术中工艺实例检索精度低,造成工艺人员抉择困难、实例修改难度大的技术问题。
为达到上述技术目的,本发明的技术方案提供一种工艺实例分级检索方法,包括以下步骤:
基于零件的零件属性,分别计算工艺实例库中每一工艺实例与目标实例之间的一级相似度,筛选出一级相似度大于设定阈值的工艺实例得到临时实例库;
基于零件的工艺属性,分别计算临时实例库中每一临时实例与目标实例之间的二级相似度,筛选出二级相似度最大的临时实例作为最相似实例。
本发明还提供一种工艺实例分级检索装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述工艺实例分级检索方法。
与现有技术相比,本发明的有益效果包括:本发明首先针对零件属性进行一级检索,筛选出工艺实例库中与目标实例相似度较高的实例得到临时实例库;然后针对零件的工艺属性进行二级检索,筛选出临时实例库中与目标实例相似度最高的实例得到最相似实例。由于采用分级检索,从而提高了检索精度;同时针对工艺属性进行的二级检索,有效避免了仅针对零件属性进行检索时造成的检索到的实例数量多且与目标实例差异大的问题;工艺人员可以直接借鉴二级检索得到的最相似实例进行工艺规划,不需要在检索结果中进行抉择,而且最相似实例与目标实例的相似度高,工艺人员不需要对最相似实例进行过多修改即可用于目标实例中。
附图说明
图1是本发明提供的工艺实例分级检索方法一实施方式的流程图;
图2是本发明选取的进行检索的目标零件一实施方式的结构示意图;
图3a是采用欧氏距离相似度对图2中目标零件进行计算的相似度计算结果图;
图3b是采用余弦相似度对图2中目标零件进行计算的相似度计算结果图;
图3c是采用灰色关联相似度对图2中目标零件进行计算的相似度计算结果图;
图3d是采用本发明提供的工艺属性相似度的算法对图2中目标零件进行计算的相似度计算结果图;
图3e是本发明提供的工艺属性相似度的算法与其他算法进行对比的结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本发明的实施例1提供了工艺实例分级检索方法,包括以下步骤:
S1、基于零件的零件属性,分别计算工艺实例库中每一工艺实例与目标实例之间的一级相似度,筛选出一级相似度大于设定阈值的工艺实例得到临时实例库;
S2、基于零件的工艺属性,分别计算临时实例库中每一临时实例与目标实例之间的二级相似度,筛选出二级相似度最大的临时实例作为最相似实例。
本发明实施例首先针对零件属性进行一级检索,筛选出工艺实例库中与目标实例相似度较高的实例得到临时实例库;然后针对零件的工艺属性进行二级检索,筛选出临时实例库中与目标实例相似度最高的实例得到最相似实例。由于采用分级检索,从而提高了检索精度;同时针对工艺属性进行的二级检索,有效避免了仅针对零件属性进行检索时造成的检索到的实例数量多且与目标实例差异大的问题;工艺人员可以直接借鉴二级检索得到的最相似实例进行工艺规划,不需要在检索结果中进行抉择,而且最相似实例与目标实例的相似度高,工艺人员不需要对最相似实例进行过多修改即可用于目标实例中。
优选的,计算工艺实例与目标实例之间的一级相似度,具体为:
所述零件属性包括多个,针对每一所述零件属性计算所述工艺实例与所述目标实例之间的零件属性相似度;
为每一所述零件属性赋权重值;
计算各所述零件属性的零件属性相似度的加权和,得到所述一级相似度。
针对每一个零件属性得到零件属性相似度后,为每一个零件属性赋权重值,计算零件属性相似度的加权和,即可得到一级相似度。
优选的,计算所述工艺实例与目标实例之间的零件属性相似度,具体为:
所述零件属性为数值类型时,所述零件属性相似度为:
其中,SimN(No,Ni)表示第N个零件属性的零件属性相似度,No为目标实例第N个零件属性的零件属性值,Ni为工艺实例第N个零件属性的零件属性值;
所述零件属性为字符类型时,所述零件属性相似度为:
其中,SimK(Ko,Ki)表示第K个零件属性的零件属性相似度,Ko为目标实例第K个零件属性的零件属性集合,Ki为工艺实例第K个零件属性的零件属性集合。
零件属性为数值类型和字符类型时,零件属性相似度的计算方式不同。数值类型的零件属性包括零件材料名称和零件分类等,字符串类型的零件属性包括零件名称关键字等。
为了更好的解释本发明,下面结合附图,通过具体的零件,对本实施例作详细描述。
首先取某一型号的汽车主减速器主动齿轮作为实例推理的目标零件,并提取该目标零件的信息,建立实例的数据模型,进行相似度算法验证。目标零件的三维模型如图2所示,图2中,M01为外齿形面,M02为外端面;M03为外锥面;M04、M05、M06、M07均为外圆柱面,M08为外花键;M09为外螺纹面。
选取的零件属性包括零件分类号、零件材料以及关键词作为零件属性,进行零件属性相似度的计算。根据目标零件得到目标实例的一级检索数据模型如下:
{No,WN}={3,0.5};
{Mo,WM}={20CrMnTi,0.1};
{Ko,WK}={(锥齿轮,0.15);(螺旋齿,0.15);(主动轮,0.1)}。
{No,WN}={3,0.5}表示该目标实例的零件分类号为3(齿轮类),零件分类号在一级检索中的权重值为0.5;
{Mo,WM}={3,0.5}表示该目标实例的零件材料为20CrMnTi,零件材料在一级检索中的权重值为0.1;
{Ko,WK}={(锥齿轮,0.15);(螺旋齿,0.15);(主动轮,0.1)}表示表示该目标实例的关键词为:“锥齿轮”、“螺旋齿”、“主动轮”,它们在一级检索中的权重值分别为0.15、0.15、0.1。
本实施例选用9个不同型号的已具有较为成熟的加工经验的主减速器中的主动齿轮和被动齿轮作为工艺实例,建立工艺实例库。根据上述目标实例进行一级检索,结果如表1所示:
表1一级检索结果
由于汽车底盘的同类零部件产品的结构相差不大,如主减速器中的不同型号主动齿轮之间可能会存在齿数、阶梯轴尺寸等方面的差异,但大致结构相差不大。根据零件的基本零件特征进行的一级检索只能筛选掉差速器壳、主减速器壳等外观结构差别较大的零件的工艺实例。因此一级检索的设定阈值可取稍大一些的数值,例如0.8、0.9等,尽可能的筛选掉与目标实例结构差别较大的工艺实例。本实施例中设定一级检索的设定阈值为0.8。由表1可知,工艺实例与目标实例间的相似度都大于设定阈值,需通过二级检索进一步进行匹配运算。这也反映了基于零件属性进行的一级检索只能筛除结构差别较大的工艺实例,对于主动齿轮和被动齿轮这种零件结构相似,但是工艺属性差别较大的工艺实例则无法识别,匹配精度较差。
优选的,计算临时实例与目标实例之间的二级相似度,具体为:
所述工艺属性包括多个,针对每一所述工艺属性计算所述临时实例与所述目标实例之间的工艺属性相似度;
为每一所述工艺属性赋权重值;
计算各所述工艺属性的工艺属性相似度的加权和,得到所述二级相似度。
二次检索主要计算目标实例和筛选后得到的临时实例间的工艺属性相似度。根据目标实例选取需要匹配的多个工艺属性,分别进行工艺属性相似度计算,然后为每一个工艺属性赋权重值,计算工艺属性相似度加权和,即可得到二级相似度。
为了提高检索结果的可靠性,优选在进行工艺属性相似度计算前,对临时实例的工艺属性进行无量纲化处理。无量纲化处理是指保持临时实例中需要与目标实例进行匹配的工艺属性的值不变,不需要进行匹配的其他工艺属性的值缩小10倍,从而避免无关工艺属性对于相似度计算的干扰。
优选的,判断所述临时实例的工艺属性的特征分类号与所述目标实例的工艺属性的特征分类号是否相同,如果不相同,则令所述工艺属性相似度为零。
工艺属性相似度与工艺属性的特征分类号相关,即:
其中,Foc为目标实例Po的第c个工艺属性,Fij为临时实例Pi的第j个工艺属性,SimF(Fo,Fi)为工艺属性Foc与工艺属性Fij的工艺属性相似度,Voc为工艺属性Foc的特征分类号,Vij为工艺属性Fij的特征分类号。
当工艺属性Foc与工艺属性Fij的工艺属性分类号一致,即Voc与Vij相同时,工艺属性Foc与工艺属性Fij的工艺属性相似度需进一步计算,否则,二级检索中工艺属性Foc与工艺属性Fij的工艺属性相似度为0。
优选的,如果所述临时实例的工艺属性的特征分类号与所述目标实例的工艺属性的特征分类号相同,则通过以下步骤计算所述工艺属性相似度:
获取目标实例的工艺属性的属性参数集合;
获取临时实例的工艺属性的属性参数集合;
计算目标实例的属性参数与临时实例的属性参数之间的灰色关联系数;
基于欧氏距离,根据所述灰色关联系数计算所述工艺属性的灰色关联距离;
将所述灰色关联距离转换为关联相似度;
计算所述工艺属性的余弦相似度;
结合所述关联相似度以及所述余弦相似度得到所述工艺属性相似度。
本实施例结合了余弦相似度、欧氏距离相似度和灰色关联相似度得到复合相似度算法,根据复合相似度算法得到工艺属性相似度。由于结合了不同相似度算法的优点,从而有效提高了相似度计算的精度。
优选的,获取目标实例的工艺属性的属性参数集合,具体为:
Foc={Foc1,Foc2,L,Focq}
其中,Foc为目标实例Po的第c个工艺属性的属性参数集合,Foch为目标实例Po的第c个工艺属性的第h个属性参数,h=1,2,L,q,q为目标实例Po的第c个工艺属性的属性参数的数量;
获取临时实例的工艺属性的属性参数集合,具体为:
其中,Fij为临时实例Pi的第j个工艺属性,i=1,2,L,r,r为临时实例的数量,Fijg为临时实例Pi的第j个工艺属性的第g个属性参数,g=1,2,L,l,l为临时实例Pi的第j个工艺属性的属性参数的数量;
计算目标实例的属性参数与临时实例的属性参数之间的灰色关联系数;,具体为:
其中,Gs(Foch,Fijg)为属性参数Foch与属性参数Fijg的灰色关联系数,ε为调节参数,f为临时实例Pi的工艺属性的数量;
基于欧氏距离,根据所述灰色关联系数计算目标实例的工艺属性与临时实例的工艺属性之间的灰色关联距离,具体为:
其中,Gd(Foc,Fij)为工艺属性Foc与工艺属性Fij的灰色关联距离;
将所述灰色关联距离转换为关联相似度,具体为:
其中,Gf(Foc,Fij)为工艺属性Foc与工艺属性Fij的关联相似度;
计算所述工艺属性的余弦相似度,具体为:
其中,Cos(Foc,Fij)为工艺属性Foc与工艺属性Fij的余弦相似度;
结合所述关联相似度以及所述余弦相似度得到所述工艺属性相似度,具体为:
优选的,为每一所述工艺属性赋权重值,具体为:
根据各所述工艺属性的重要程度,采用层次分析法计算各所述工艺属性的权重值。
根据工艺属性的重要程度为工艺属性赋权重值,使得二级相似度与重要工艺属性的相关度更高,从而使得匹配得到的最相似实例与目标实例在重要的工艺属性上相似度更高,减少工艺人员对最相似实例的修改,减少工艺规划时间。
优选的,采用层次分析法计算各所述工艺属性的权重值,具体为:
采用标度法构造判断矩阵:
其中,bxy表示工艺属性x相对于工艺属性y的重要性,x=1,2,L,n,y=1,2,L,n,n为工艺属性的数量;
根据所述判断矩阵,采用几何平均法计算各所述工艺属性的权重值:
其中,WF为第x个工艺属性的权重值。
具体的,各个工艺属性的权重值是根据工艺属性对于目标零件的重要程度采用层次分析法(AHP-Analytic Hierarchy Process)计算得到。层次分析法主要采用“标度法”构造判断矩阵。本实施例采用“1-9标度法”,各标度含义如表2所示。
表2判断矩阵标度含义
根据目标实例的9个特征加工面间的重要程度判定,建立工艺属性判断矩阵如下:
根据判断矩阵,采用几何平均法进行各特征权重的计算,得目标实例各工艺属性的权重值,如表3所示。
表3目标实例各工艺属性的权重值
根据工艺属性的属性参数表以及权重值表,得到目标实例的二级检索数据模型如下所示:
{Fo,WF}={(Fo1,02,0.1721);(Fo2,04,0.0557);(Fo3,03,0.0557);(Fo4,01,0.1721);
(Fo5,01,0.0557);(Fo6,01,0.0557);(Fo7,01,0.1721);(Fo8,15,0.1721);(Fo9,13,0.1721)}
目标实例各工艺属性的属性参数集合如下:
Fo1={10,NULL,7b,1.2,46.8}
Fo2={48,NULL,1.6}
Fo3={63,36.8,NULL,NULL}
Fo4={30,m6,0.8}
Fo5={28,NULL,6.3}
Fo6={26.5,NULL,6.3}
Fo7={25,k6,0.8}
Fo8={23,45,23}
Fo9={18,20.5}
其中,NULL表示数据为空,当参数值为空时,该值不参与工艺属性相似度的计算。
为工艺属性赋权重值完成后,将上述数据代入下面公式,计算二级相似度:
为说明本发明提供的工艺属性相似度的算法,即复合相似度算法的精度和可靠性,在二级检索中,分别采用欧式距离相似度算法、余弦相似度算法、灰色关联相似度算法以及本发明提供的将三种算法相结合得到的复合相似度算法对目标实例和临时实例进行工艺属性相似度的计算。计算结果如表4和图3所示。
表4二级检索的相似度结果
图3a为采用余弦相似度对目标零件进行计算的工艺属性相似度计算结果图;图3b是采用余弦相似度对目标零件进行计算的相似度计算结果图;图3c是采用灰色关联相似度对目标零件进行计算的工艺属性相似度计算结果图;图3d是采用本发明提供的工艺属性相似度的算法对目标零件进行计算的工艺属性相似度计算结果图;图3e是本发明提供的工艺属性相似度的算法与其他算法进行对比的结果对比图。图3a-3e中,横轴表示工艺实例序号,纵轴表示工艺属性相似度。其中,采用欧式距离相似度算法得到的相似度值较低,而采用余弦相似度算法得到的相似度值偏高。采用灰色关联分析法和复合相似度算法得到的相似度值较为接近。
采用以上四种相似度算法进行工艺实例的检索,得到了不同的检索结果,具体如表5所示。
表5实例检索结果对比
由表5可知,与目标实例最相似的实例主要是工艺实例P1和工艺实例P4,为进一步对比采用上述四种相似度算法得到的二级检索结果的可靠性,对目标实例与工艺实例P1和工艺实例P4中存在差异的工艺属性参数进行对比,具体如表6所示。
表6目标实例与工艺实例
由表6中的数据可看出,目标实例与工艺实例P1的数据更接近,即两者的相似度更高,而采用欧式距离相似度和复合相似度算法得到的检索结果正是如此,因而在这两种方法得到的检索结果更可靠。然而,由图3a的结果可看出,采用欧式距离相似度算法得到的相似度值与其他三种算法相比,其相似度值过低,且与其他三种算法得到的结果偏差较大,不符合实际情况。
综上所述,相比于其他相似度算法,本发明提出的用于计算工艺属性相似度的复合相似度算法,在工艺实例检索中能够得到可靠的结果,即能够从工艺实例库中检索出与目标实例最相似的工艺实例且相似度结果合理,提高了工艺检索中实例的匹配精度。
实施例2
本发明的实施例2提供了工艺实例分级检索装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现以上任一实施例提供的工艺实例分级检索方法。
工艺实例分级检索方法具体包括以下步骤:
基于零件的零件属性,分别计算工艺实例库中每一工艺实例与目标实例之间的一级相似度,筛选出一级相似度大于设定阈值的工艺实例得到临时实例库;
基于零件的工艺属性,分别计算临时实例库中每一临时实例与目标实例之间的二级相似度,筛选出二级相似度最大的临时实例作为最相似实例。
本发明实施例提供的工艺实例分级检索装置,用于实现上述工艺实例分级检索方法,因此,上述工艺实例分级检索方法所具备的技术效果,工艺实例分级检索装置同样具备,在此也就不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (6)
1.一种工艺实例分级检索方法,其特征在于,包括以下步骤:
基于零件的零件属性,分别计算工艺实例库中每一工艺实例与目标实例之间的一级相似度,筛选出一级相似度大于设定阈值的工艺实例得到临时实例库;
基于零件的工艺属性,分别计算临时实例库中每一临时实例与目标实例之间的二级相似度,筛选出二级相似度最大的临时实例作为最相似实例;
计算临时实例与目标实例之间的二级相似度,具体为:
所述工艺属性包括多个,针对每一所述工艺属性计算所述临时实例与所述目标实例之间的工艺属性相似度;
为每一所述工艺属性赋权重值;
计算各所述工艺属性的工艺属性相似度的加权和,得到所述二级相似度;
判断所述临时实例的工艺属性的特征分类号与所述目标实例的工艺属性的特征分类号是否相同,如果不相同,则令所述工艺属性相似度为零;
如果所述临时实例的工艺属性的特征分类号与所述目标实例的工艺属性的特征分类号相同,则通过以下步骤计算所述工艺属性相似度:
获取目标实例的工艺属性的属性参数集合;
获取临时实例的工艺属性的属性参数集合;
计算目标实例的属性参数与临时实例的属性参数之间的灰色关联系数;
基于欧氏距离,根据所述灰色关联系数计算所述工艺属性的灰色关联距离;
将所述灰色关联距离转换为关联相似度;
计算所述工艺属性的余弦相似度;
结合所述关联相似度以及所述余弦相似度得到所述工艺属性相似度;
获取目标实例的工艺属性的属性参数集合,具体为:
Foc={Foc1,Foc2,…,Focq}
其中,Foc为目标实例Po的第c个工艺属性的属性参数集合,Foch为目标实例Po的第c个工艺属性的第h个属性参数,h=1,2,…,q,q为目标实例Po的第c个工艺属性的属性参数的数量;
获取临时实例的工艺属性的属性参数集合,具体为:
其中,Fij为临时实例Pi的第j个工艺属性,i=1,2,…,r,r为临时实例的数量,Fijg为临时实例Pi的第j个工艺属性的第g个属性参数,g=1,2,…,l,l为临时实例Pi的第j个工艺属性的属性参数的数量;
计算目标实例的属性参数与临时实例的属性参数之间的灰色关联系数;,具体为:
其中,Gs(Foch,Fijg)为属性参数Foch与属性参数Fijg的灰色关联系数,ε为调节参数,f为临时实例Pi的工艺属性的数量;
基于欧氏距离,根据所述灰色关联系数计算目标实例的工艺属性与临时实例的工艺属性之间的灰色关联距离,具体为:
其中,Gd(Foc,Fij)为工艺属性Foc与工艺属性Fij的灰色关联距离;
将所述灰色关联距离转换为关联相似度,具体为:
其中,Gf(Foc,Fij)为工艺属性Foc与工艺属性Fij的关联相似度;
计算所述工艺属性的余弦相似度,具体为:
其中,Cos(Foc,Fij)为工艺属性Foc与工艺属性Fij的余弦相似度;
结合所述关联相似度以及所述余弦相似度得到所述工艺属性相似度,具体为:
2.根据权利要求1所述的工艺实例分级检索方法,其特征在于,计算工艺实例与目标实例之间的一级相似度,具体为:
所述零件属性包括多个,针对每一所述零件属性计算所述工艺实例与所述目标实例之间的零件属性相似度;
为每一所述零件属性赋权重值;
计算各所述零件属性的零件属性相似度的加权和,得到所述一级相似度。
4.根据权利要求1所述的工艺实例分级检索方法,其特征在于,为每一所述工艺属性赋权重值,具体为:
根据各所述工艺属性的重要程度,采用层次分析法计算各所述工艺属性的权重值。
6.一种工艺实例分级检索装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1-5任一所述的工艺实例分级检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799668.XA CN110471937B (zh) | 2019-08-28 | 2019-08-28 | 一种工艺实例分级检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799668.XA CN110471937B (zh) | 2019-08-28 | 2019-08-28 | 一种工艺实例分级检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471937A CN110471937A (zh) | 2019-11-19 |
CN110471937B true CN110471937B (zh) | 2021-04-09 |
Family
ID=68512565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799668.XA Active CN110471937B (zh) | 2019-08-28 | 2019-08-28 | 一种工艺实例分级检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471937B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680359A (zh) * | 2020-05-11 | 2020-09-18 | 武汉理工大学 | 一种车架快速设计方法、装置及计算机存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05165888A (ja) * | 1991-12-16 | 1993-07-02 | Hitachi Ltd | 事例検索システムおよびその検索方法 |
CN107657113A (zh) * | 2017-09-26 | 2018-02-02 | 北京新能源汽车股份有限公司 | 一种悬架硬点灵敏度的获取方法、装置及设备 |
CN109933874A (zh) * | 2019-03-01 | 2019-06-25 | 太原科技大学 | 一种基于灰色关联分析的刀具选配方法 |
-
2019
- 2019-08-28 CN CN201910799668.XA patent/CN110471937B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05165888A (ja) * | 1991-12-16 | 1993-07-02 | Hitachi Ltd | 事例検索システムおよびその検索方法 |
CN107657113A (zh) * | 2017-09-26 | 2018-02-02 | 北京新能源汽车股份有限公司 | 一种悬架硬点灵敏度的获取方法、装置及设备 |
CN109933874A (zh) * | 2019-03-01 | 2019-06-25 | 太原科技大学 | 一种基于灰色关联分析的刀具选配方法 |
Non-Patent Citations (9)
Title |
---|
"中国城市展览业发展状况评价";刘震等;《城市问题》;20180627;全文 * |
"中国省际旅游发展的多指标综合相似性及时空聚类特征";孙晓东等;《自然资源学报》;20150115;第30卷(第1期);全文 * |
"制造工艺资源建模技术及其在夹具设计支持系统中的应用";李双跃;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20080515;正文第65-68、88-102页 * |
"基于加权灰关联的产品配置相似实例检索算法研究";汪明天等;《计算机应用研究》;20091115;第26卷(第11期);全文 * |
"基于工艺特征的夹具实例检索算法研究";李双跃等;《计算机集成制造系统》;20070715;第13卷(第7期);第1428-1431页 * |
"基于相似日和CAPSO-SNN的光伏发电功率预测";陈通等;《电力自动化设备》;20170302;第37卷(第3期);全文 * |
"案例推理的两级案例检索方法研究";石礼武;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;正文第23-31、51-61页 * |
"用于故障诊断的案例匹配算法分析";陈富民等;《计算机应用研究》;20080515;第25卷(第5期);全文 * |
李双跃."制造工艺资源建模技术及其在夹具设计支持系统中的应用".《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2008, * |
Also Published As
Publication number | Publication date |
---|---|
CN110471937A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027575B (zh) | 一种自注意对抗学习的半监督语义分割方法 | |
Daradkeh et al. | Tools for fast metric data search in structural methods for image classification | |
Zhang | A rough set approach to intuitionistic fuzzy soft set based decision making | |
CN105183748B (zh) | 一种基于内容和评分的组合预测方法 | |
CN106844738B (zh) | 基于神经网络的食材之间容克关系的分类方法 | |
CN108897791A (zh) | 一种基于深度卷积特征和语义相似度量的图像检索方法 | |
Qin et al. | Multiscale transfer voting mechanism: A new strategy for domain adaption | |
CN110471937B (zh) | 一种工艺实例分级检索方法及装置 | |
CN102722103A (zh) | 基于模糊分析和可视化技术的多目标参数寻优方法 | |
CN111507365A (zh) | 一种基于模糊聚类的置信规则自动生成方法 | |
CN103678513A (zh) | 一种交互式的检索式生成方法及系统 | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
Machalica et al. | CAD models clustering with machine learning | |
Sun et al. | Effective convolutional transformer for highly accurate planetary gearbox fault diagnosis | |
CN115601653A (zh) | 一种高分卫星影像匹配方法 | |
CN112765521B (zh) | 一种基于改进k近邻的网站用户分类方法 | |
Xu et al. | Based on improved CNN bearing fault detection | |
Zhou et al. | A method for discovering typical process sequence using granular computing and similarity algorithm based on part features | |
Ruzhentsev | The problem of transition in paleontology | |
Kim et al. | Inference of relevant BIM objects using CNN for visual-input based auto-modeling | |
CN106126818B (zh) | 一种自适应的在线产生子群参数的方法 | |
Li et al. | An improved fuzzy k-means clustering with k-center initialization | |
CN112613536B (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
Favre et al. | Bitmap index-based decision trees | |
Sanderson et al. | A system for query based analysis and visualization |
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 |