CN112182406A - 机械设计方案推荐方法及装置 - Google Patents
机械设计方案推荐方法及装置 Download PDFInfo
- Publication number
- CN112182406A CN112182406A CN202011167540.0A CN202011167540A CN112182406A CN 112182406 A CN112182406 A CN 112182406A CN 202011167540 A CN202011167540 A CN 202011167540A CN 112182406 A CN112182406 A CN 112182406A
- Authority
- CN
- China
- Prior art keywords
- recommended
- design
- determining
- category
- classification
- 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 151
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013145 classification model Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种机械设计方案推荐方法及装置,涉及机械设计技术领域,包括确定设计需求数据,并对所述设计需求数据进行特征提取得到待推荐特征;基于预先确定的分类逻辑确定所述待推荐特征所对应的待推荐类别;基于所述待推荐类别所对应的历史机械设计方案确定所述设计需求数据的推荐机械设计方案。以此可以实现基于历史的设计方案为用户进行推荐,从而节约了设计人员设计方案的时间,同时在一定程度上避免了设计人员重复设计的工作量,提升工作效率。
Description
技术领域
本发明涉及机械设计技术领域,尤其是涉及一种机械设计方案推荐方法及装置。
背景技术
在机械设计领域,存在着大量的历史机械设计方案,当设计工程师拿到一个设计输入时,很多情况下都能在历史机械设计方案库里面寻找到完全满足或部分满足设计要求的历史机械设计方案。通过在已有历史机械设计方案的基础上进行设计,可以极大的降低设计工程师的工作量。如何从历史机械设计方案库中找到满足或部分满足设计输入的历史机械设计方案,传统的做法是基于大量的规则去判断,但是这种做法通用性较差。本方案通过机器学习方法,自动学习设计输入与历史机械设计方案之间的映射关系,从而帮助机械设计人员快速找到满足设计要求的历史机械设计方案。
发明内容
本发明的目的在于提供一种机械设计方案推荐方法及装置,以缓解了现有技术中存在的设计效率低的技术问题。
第一方面,本发明实施例提供一种机械设计方案推荐方法,包括:
确定设计需求数据,并对设计需求数据进行特征提取得到待推荐特征;
基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别;
基于待推荐类别所对应的历史机械设计方案确定设计需求数据的推荐机械设计方案。
在可选的实施方式中,设计需求数据包括工件数模、工艺信息以及设计偏好中的一项或多项;待推荐特征包括尺寸、距离、位置关系、偏好设置以及工艺参数中的一项或多项;其中,尺寸、所述距离、位置关系中的一项或多项通过对所述工件数模以及所述工艺信息进行特征提取得到,所述偏好设置通过对所述设计偏好进行特征提取得到,所述工艺参数通过对所述工艺信息进行特征提取得到。
在可选的实施方式中,基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别的步骤,包括:
将待推荐特征作为预先训练好的分类模型的输入,输出为待推荐类别。
在可选的实施方式中,在确定设计需求数据的步骤之前,方法还包括:
确定标注样本,标注样本携带有类别标签;
基于标注样本对初始的分类模型进行训练,得到训练好的分类模型。
在可选的实施方式中,分类模型包括多层神经网络和激活函数;多层神经网络用于基于待推荐特征确定输出值;激活函数用于基于输出值确定待推荐特征所对应的类别概率。
在可选的实施方式中,分类模型包括多个二分类子模型,每个二分类子模型对应一个类别,二分类子模型用于将待推荐特征作为输入,输出为与二分类子模型所对应的类别概率。
在可选的实施方式中,机械设计方案为夹具的机械设计方案。
第二方面,本发明实施例提供一种机械设计方案推荐装置,包括:
提取模块,用于确定设计需求数据,并对设计需求数据进行特征提取得到待推荐特征;
分类模块,用于基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别;
推荐模块,用于基于待推荐类别所对应的历史机械设计方案确定设计需求数据的推荐机械设计方案。
第三方面,本发明实施例提供一种计算机设备,包括存储器以及处理器;存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述前述实施方式任一项的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行前述实施方式任一项的方法。
本发明提供的本发明实施例提供一种机械设计方案推荐方法及装置。通过确定设计需求数据,并对设计需求数据进行特征提取得到待推荐特征;基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别;基于待推荐类别所对应的历史机械设计方案确定设计输入的推荐机械设计方案。以此可以实现基于历史的设计方案为用户进行推荐,从而节约了设计人员设计方案的时间,同时在一定程度上避免了设计人员重复设计的工作量,提升的工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种机械设计方案推荐方法流程示意图;
图2为本申请实施例提供的机械设计方案的一个示例;
图3为本申请实施例提供的机械设计方案的另一个示例;
图4为本申请实施例提供的机械设计方案的另一个示例;
图5为本申请实施例提供的一种分类模型的一个示例;
图6为本申请实施例提供的一种分类模型的另一个示例;
图7为本申请实施例提供的一种分类模型的另一个示例;
图8为本申请实施例提供的一种机械设计方案推荐装置结构示意图;
图9为本申请实施例提供的一种计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种机械设计方案推荐方法流程示意图。如图1所示,该方法可以包括如下步骤:
步骤S110,确定设计需求数据,并对设计需求数据进行特征提取得到待推荐特征;
其中,该设计需求数据可以指设计需求,该设计需求可以包括多种设计数据,基于该设计数据可以进行特征提取。例如,该设计需求数据可以包括工件数模、工艺信息以及设计偏好中的一项或多项。其中,该工件数模、工艺信息以及设计偏好可以为用户输入的数据,或者从日志或配置信息中获取得到。
该待推荐特征可以指基于设计需求确定的特征,该特征可以包括尺寸、距离、位置关系、偏好设置以及工艺参数中的一项或多项。
该设计需求数据可以是一些EXCEL、CAD等格式的表格或模型,该设计需求数据一般无法直接作为分类的判断依据,所以可以对该设计输入进行特征提取生成可以作为判断依据的待推荐特征。例如,该待推荐特征可以为能够输入到深度学习网络的数据,一般为多维数组。
例如,该尺寸、距离以及位置关系中的一项或多项可以通过对工件数模以及工艺信息进行特征提取得到;在进行特征提取时,可以仅提取关键部位所对应的尺寸、距离以及位置关系等等。对于不同的机械设计领域,该关键部位的选择可以不同,该关键部位可以根据实际需要确定,例如,该关键部位可以通过预先指定的方式确定。
该偏好设置可以通过对设计偏好进行特征提取得到;其中,该设计偏好可以为用户基于给定的选项选择得到,也就是用户通过用户界面进行配置,也可以是基于预设的配置文件确定。
该工艺参数通过对工艺信息进行特征提取得到。该工艺信息可以是指厂家提供设计需求时同时提供。
在一些实施例中,该机械设计方案可以为夹具的机械设计方案。该夹具的机械设计方案可以包括多种分类方式。例如,可以按照形状进行分类,具体的,该夹具的机械设计方案可以包括如图2所示的一型双点水平夹紧类型、如图3所示的Y型水平夹紧类型或如图4所示双支柱一型双点水平夹紧类型等等。基于此,作为一个示例,对于该步骤S110具体可以包括如下过程:确定RPS(定位系统)点之间的距离;确定第一个RPS点所在面的法线与BASE面的夹角;确定第二个RPS点所在面的法线与BASE面的夹角;确定RPS连线区域是否会与焊枪发生干涉;确定第一个RPS点距离工件边缘的最小距离;以及确定第二个RPS点距离工件边缘的最小距离。上述确定的内容皆可以认为是待推荐特征。
步骤S120,基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别;
其中,该分类逻辑可以通过多种方式实现。例如,可以通过机器学习的方式来实现。如图5所示,上述步骤S110中确定的待推荐特征可以为“X1、X2、X3…”,对该“X1、X2、X3…”进行预处理后,可以输入机器学习模型,该机器学习模型输出的结果为各个类别对应的类别概率,基于该类别概率可以确定待推荐特征最相关的类别。
作为一个示例,可以将待推荐特征作为预先训练好的分类模型的输入,输出为待推荐类别。
例如,分类模型包括多层神经网络和激活函数;多层神经网络用语基于输入特征确定输出值;激活函数用于基于输出值确定类别概率。如图6所示,可以采用多层神经网络+softmax激活函数实现多分类预测,也可以采用多层神经网络+sigmoid激活函数实现多标签预测,也即通过上述方式可以实现分类模型。
再例如,该分类模型包括多个二分类子模型,每个二分类子模型对应一个类别,二分类子模型用于输出属于其所对应的类别的概率。如图7所示,可以将m分类模型转换成m个二分类模型,其中GBDT决策树可以选择开源的XGBOOST或lightgbm实现。也即通过上述方式可以实现分类模型。
另外,在对于机器学习的方式,可以预先对机器学习模型进行训练。例如,可以确定标注样本,该标注样本可以携带有类别标签;基于标注样本可以对初始的分类模型进行训练,得到训练好的分类模型。
作为一个示例,可以先标注样本。对于每一设计输入,人工标注对应的最优的夹具单元设计方案类别。可以将样本处理成神经网络支持的数据格式,并按照80%、20%的比例划分成训练集、测试集;每次随机从训练集中抽取一批固定数量(例如32个)的训练样本来训练网络,同时使用测试集来计算模型的测试准确度,当测试准确度无法提高时,保存测试准确度最高时的模型作为推理阶段的模型,并停止训练。
以采用多层神经网络+softmax激活函数的分类模型为例对训练过程进行说明。
其中,单次训练过程可以如下所示:
步骤a),将训练样本输入人工神经网络进行前向传播;
步骤b),选择Softmax层作为最后一层的激活函数,得到每一类别对应的概率;
步骤c),使用交叉熵损失函数,计算损失;
步骤d),反向传播获取梯度;
步骤e),采用梯度下降法更新模型参数。
步骤S130,基于待推荐类别所对应的历史机械设计方案确定设计需求数据的推荐机械设计方案。
基于该确定的推荐类别,可以从历史机械设计方案中找到相同类别的方案进行推荐,设计人员在确定推荐机械设计方案后,可以直接使用该方案,也可以在该方案上进行修改,得到新的机械设计方案,对于新的机械设计方案,可以更新到历史机械设计方案中。
在同类别的历史机械设计方案包括多个的情况下,可以选择指定数量个历史机械设计方案进行推荐。在从多个历史机械设计方案进行选择时,可以基于历史方案被选择的次数以及用户对历史机械设计方案的评价来选择。例如,可以优先选择被选择的次数高且评价好的方案。
其中,在用户基于推荐的历史机械设计方案进行设计时,可以对该历史机械设计方案进行评价,该评价可以采用打分的方式。基于一定数据量的用户评价可以确定该历史机械设计方案的最终评价,该最终评价可以在新的用户评价达到指定数量时进行更新。以此可以确保推荐的方案具有一定的稳定性的同时,还能够进行更新升级。
在本发明实施例中,在给定设计输入(设计需求数据)的情况下,可以通过程序自动提取特征(待推荐特征),并预处理得到机器学习模型的输入;通过训练过程中得到的最优模型,计算每一类型(类别)的概率;选取概率最大的类型(类别),作为最优设计方案推荐给用户。
本方案对历史机械设计方案进行分类,自动提取特征作为机器学习模型的输入,最后通过机器学习分类模型为用户推荐与设计输入相匹配的历史机械设计方案。从而节约了设计人员手工去搜寻可行的历史机械设计方案的时间,同时在一定程度上避免了设计人员重复设计的工作量,提升了设计效率。
图8为本发明实施例提供的一种机械设计方案推荐装置结构示意图。如图8所示,该装置包括:
提取模块801,用于确定设计需求数据,并对设计需求数据进行特征提取得到待推荐特征;
分类模块802,用于基于预先确定的分类逻辑确定待推荐特征所对应的待推荐类别;
推荐模块803,用于基于待推荐类别所对应的历史机械设计方案确定设计需求数据的推荐机械设计方案。
在一些实施例中,设计需求数据包括工件数模、工艺信息以及设计偏好中的一项或多项;待推荐特征包括尺寸、距离、位置关系、偏好设置以及工艺参数中的一项或多项;其中,尺寸、距离、位置关系中的一项或多项通过对工件数模以及工艺信息进行特征提取得到,偏好设置通过对设计偏好进行特征提取得到,工艺参数通过对工艺信息进行特征提取得到。
在一些实施例中,分类模块802具体用于:
将待推荐特征作为预先训练好的分类模型的输入,输出为待推荐类别。
在一些实施例中,还包括训练模块用于:
确定标注样本,标注样本携带有类别标签;
基于标注样本对初始的分类模型进行训练,得到训练好的分类模型。
在一些实施例中,分类模型包括多层神经网络和激活函数;多层神经网络用于基于待推荐特征确定输出值;激活函数用于基于输出值确定待推荐特征所对应的类别概率。
在一些实施例中,分类模型包括多个二分类子模型,每个二分类子模型对应一个类别,二分类子模型用于将待推荐特征作为输入,输出为与二分类子模型所对应的类别概率。
在一些实施例中,机械设计方案为夹具的机械设计方案。
本申请实施例提供的机械设计方案推荐装置,与上述实施例提供的机械设计方案推荐方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
如图9所示,本申请实施例提供的一种计算机设备900,包括:处理器901、存储器902和总线,存储器902存储有处理器901可执行的机器可读指令,当电子设备运行时,处理器901与存储器902之间通过总线通信,处理器901执行机器可读指令,以执行如上述机械设计方案推荐方法、装置及计算机设备方法的步骤。
具体地,上述存储器902和处理器901能够为通用的存储器和处理器,这里不做具体限定,当处理器901运行存储器902存储的计算机程序时,能够执行上述机械设计方案推荐方法。
对应于上述机械设计方案推荐方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述机械设计方案推荐方法、装置及计算机设备方法的步骤。
本申请实施例所提供的机械设计方案推荐方法、装置及计算机设备装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种机械设计方案推荐方法,其特征在于,包括:
确定设计需求数据,并对所述设计需求数据进行特征提取得到待推荐特征;
基于预先确定的分类逻辑确定所述待推荐特征所对应的待推荐类别;
基于所述待推荐类别所对应的历史机械设计方案确定所述设计需求数据的推荐机械设计方案。
2.根据权利要求1所述的方法,其特征在于,所述设计需求数据包括工件数模、工艺信息以及设计偏好中的一项或多项;所述待推荐特征包括尺寸、距离、位置关系、偏好设置以及工艺参数中的一项或多项;其中,
所述尺寸、所述距离、所述位置关系中的一项或多项通过对所述工件数模以及所述工艺信息进行特征提取得到,所述偏好设置通过对所述设计偏好进行特征提取得到,所述工艺参数通过对所述工艺信息进行特征提取得到。
3.根据权利要求1所述的方法,其特征在于,所述基于预先确定的分类逻辑确定所述待推荐特征所对应的待推荐类别的步骤,包括:
将所述待推荐特征作为预先训练好的分类模型的输入,输出为待推荐类别。
4.根据权利要求3所述的方法,其特征在于,在所述确定设计需求数据的步骤之前,所述方法还包括:
确定标注样本,所述标注样本携带有类别标签;
基于所述标注样本对初始的分类模型进行训练,得到训练好的分类模型。
5.根据权利要求3或4所述的方法,其特征在于,所述分类模型包括多层神经网络和激活函数;所述多层神经网络用于基于所述待推荐特征确定输出值;所述激活函数用于基于所述输出值确定所述待推荐特征所对应的类别概率。
6.根据权利要求3或4所述的方法,其特征在于,所述分类模型包括多个二分类子模型,每个所述二分类子模型对应一个类别,所述二分类子模型用于将所述待推荐特征作为输入,输出为与所述二分类子模型所对应的类别概率。
7.根据权利要求1所述的方法,其特征在于,所述机械设计方案为夹具的机械设计方案。
8.一种机械设计方案推荐装置,其特征在于,包括:
提取模块,用于确定设计需求数据,并对所述设计需求数据进行特征提取得到待推荐特征;
分类模块,用于基于预先确定的分类逻辑确定所述待推荐特征所对应的待推荐类别;
推荐模块,用于基于所述待推荐类别所对应的历史机械设计方案确定所述设计需求数据的推荐机械设计方案。
9.一种计算机设备,其特征在于,包括存储器以及处理器;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167540.0A CN112182406A (zh) | 2020-10-27 | 2020-10-27 | 机械设计方案推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167540.0A CN112182406A (zh) | 2020-10-27 | 2020-10-27 | 机械设计方案推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182406A true CN112182406A (zh) | 2021-01-05 |
Family
ID=73923295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167540.0A Pending CN112182406A (zh) | 2020-10-27 | 2020-10-27 | 机械设计方案推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182406A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765876A (zh) * | 2021-01-07 | 2021-05-07 | 上海设序科技有限公司 | 机械设计方案推荐方法、装置及电子设备 |
CN112926158A (zh) * | 2021-03-16 | 2021-06-08 | 上海设序科技有限公司 | 一种工业机械设计场景下基于参数微调的通用设计方法 |
CN114357014A (zh) * | 2022-01-17 | 2022-04-15 | 分享印科技(广州)有限公司 | 基于大数据的刀模建立系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292762B1 (en) * | 1998-07-13 | 2001-09-18 | Compaq Computer Corporation | Method for determining a random permutation of variables by applying a test function |
CN101477521A (zh) * | 2008-12-18 | 2009-07-08 | 四川大学 | 用于构建机械产品设计知识库的非规范知识获取方法 |
CN102662973A (zh) * | 2012-03-12 | 2012-09-12 | 浙江大学 | 机械产品设计文档的推荐系统及方法 |
CN104951590A (zh) * | 2015-04-20 | 2015-09-30 | 广东工业大学 | 模具设计与制造的知识服务系统及方法 |
CN106529028A (zh) * | 2016-11-09 | 2017-03-22 | 北京航空航天大学 | 一种工艺规程的自动生成方法 |
CN108090303A (zh) * | 2018-01-05 | 2018-05-29 | 江苏科技大学 | 一种面向船用柴油机关重件的三维机加工工艺信息重用方法 |
CN109214203A (zh) * | 2017-07-03 | 2019-01-15 | 沈机(上海)智能系统研发设计有限公司 | 工艺案例库、服务器以及工艺案例库的管控方法 |
CN109840359A (zh) * | 2019-01-15 | 2019-06-04 | 江苏科技大学 | 一种三维机加工序模型轻量化组织模式的构建方法 |
CN210171966U (zh) * | 2019-04-26 | 2020-03-24 | 苏州华工自动化技术有限公司 | 一种新型电网资产标签检测下料设备 |
CN110955940A (zh) * | 2019-11-18 | 2020-04-03 | 中国农业大学 | 一种基于ahp的机械装置设计选型方法 |
US20200162312A1 (en) * | 2018-11-19 | 2020-05-21 | Accenture Global Solutions Limited | System And Method For Recommending Automation Solutions For Technology Infrastructure Issues |
CN111352398A (zh) * | 2020-02-28 | 2020-06-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能精密加工单元 |
CN111815409A (zh) * | 2020-07-06 | 2020-10-23 | 浙江大学 | 面向“互联网+”环境机械产品个性化设计模式匹配方法 |
-
2020
- 2020-10-27 CN CN202011167540.0A patent/CN112182406A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292762B1 (en) * | 1998-07-13 | 2001-09-18 | Compaq Computer Corporation | Method for determining a random permutation of variables by applying a test function |
CN101477521A (zh) * | 2008-12-18 | 2009-07-08 | 四川大学 | 用于构建机械产品设计知识库的非规范知识获取方法 |
CN102662973A (zh) * | 2012-03-12 | 2012-09-12 | 浙江大学 | 机械产品设计文档的推荐系统及方法 |
CN104951590A (zh) * | 2015-04-20 | 2015-09-30 | 广东工业大学 | 模具设计与制造的知识服务系统及方法 |
CN106529028A (zh) * | 2016-11-09 | 2017-03-22 | 北京航空航天大学 | 一种工艺规程的自动生成方法 |
CN109214203A (zh) * | 2017-07-03 | 2019-01-15 | 沈机(上海)智能系统研发设计有限公司 | 工艺案例库、服务器以及工艺案例库的管控方法 |
CN108090303A (zh) * | 2018-01-05 | 2018-05-29 | 江苏科技大学 | 一种面向船用柴油机关重件的三维机加工工艺信息重用方法 |
US20200162312A1 (en) * | 2018-11-19 | 2020-05-21 | Accenture Global Solutions Limited | System And Method For Recommending Automation Solutions For Technology Infrastructure Issues |
CN109840359A (zh) * | 2019-01-15 | 2019-06-04 | 江苏科技大学 | 一种三维机加工序模型轻量化组织模式的构建方法 |
CN210171966U (zh) * | 2019-04-26 | 2020-03-24 | 苏州华工自动化技术有限公司 | 一种新型电网资产标签检测下料设备 |
CN110955940A (zh) * | 2019-11-18 | 2020-04-03 | 中国农业大学 | 一种基于ahp的机械装置设计选型方法 |
CN111352398A (zh) * | 2020-02-28 | 2020-06-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能精密加工单元 |
CN111815409A (zh) * | 2020-07-06 | 2020-10-23 | 浙江大学 | 面向“互联网+”环境机械产品个性化设计模式匹配方法 |
Non-Patent Citations (2)
Title |
---|
SRINIVASAN THANUKRISHNAN: ""A Public Cloud based SOA Workflow for Machine Learning based Recommendation Algorithms"", 《2015 IEEE INTERNATIONAL CONFERENCE ON SMART CITY/SOCIALCOM/SUSTAINCOM TOGETHER WITH DATACOM 2015 AND SC2 2015》, pages 988 - 995 * |
盛步云 等: ""基于系统仿真的发动机装配线工艺设计研究"", 《组合机床与自动化加工技术》, pages 139 - 146 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765876A (zh) * | 2021-01-07 | 2021-05-07 | 上海设序科技有限公司 | 机械设计方案推荐方法、装置及电子设备 |
CN112765876B (zh) * | 2021-01-07 | 2023-09-19 | 上海设序科技有限公司 | 机械设计方案推荐方法、装置及电子设备 |
CN112926158A (zh) * | 2021-03-16 | 2021-06-08 | 上海设序科技有限公司 | 一种工业机械设计场景下基于参数微调的通用设计方法 |
CN112926158B (zh) * | 2021-03-16 | 2023-07-14 | 上海设序科技有限公司 | 一种工业机械设计场景下基于参数微调的通用设计方法 |
CN114357014A (zh) * | 2022-01-17 | 2022-04-15 | 分享印科技(广州)有限公司 | 基于大数据的刀模建立系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182406A (zh) | 机械设计方案推荐方法及装置 | |
CN110188223B (zh) | 图像处理方法、装置及计算机设备 | |
WO2019128426A1 (en) | Method for training model and information recommendation system | |
CN112070138B (zh) | 多标签混合分类模型的构建方法、新闻分类方法及系统 | |
CN111274785B (zh) | 一种文本纠错方法、装置、设备及介质 | |
JP2011040069A (ja) | 通信テキスト分類方法及び装置 | |
CN111858843B (zh) | 一种文本分类方法及装置 | |
CN110991474A (zh) | 一种机器学习建模平台 | |
CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
CN112580896A (zh) | 知识点预测方法、装置、设备及存储介质 | |
CN112395881A (zh) | 物料标签的构建方法、装置、可读存储介质及电子设备 | |
CN109693244B (zh) | 优化对话机器人的方法及装置 | |
CN116797195A (zh) | 工单处理方法、装置、计算机设备和计算机可读存储介质 | |
US12014140B2 (en) | Utilizing machine learning and natural language processing to determine mappings between work items of various tools | |
JP2022082524A (ja) | 機械学習を通じての学習モデルを使った情報提供方法および装置 | |
CN116798053B (zh) | 图标生成方法及装置 | |
CN113988195A (zh) | 一种私域流量线索挖掘方法、装置、车辆、可读介质 | |
CN116662555A (zh) | 一种请求文本处理方法、装置、电子设备及存储介质 | |
CN116933130A (zh) | 一种基于大数据的企业行业分类方法、系统、设备及介质 | |
CN110968702A (zh) | 一种事理关系提取方法及装置 | |
CN111104422A (zh) | 一种数据推荐模型的训练方法、装置、设备及存储介质 | |
CN115841359A (zh) | 一种对象生成方法、装置、设备及存储介质 | |
CN115017413A (zh) | 推荐方法、装置、计算设备及计算机存储介质 | |
CN112434527A (zh) | 一种关键词的确定方法、装置、电子设备及存储介质 |
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 |