CN112765876B - 机械设计方案推荐方法、装置及电子设备 - Google Patents
机械设计方案推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112765876B CN112765876B CN202110022171.4A CN202110022171A CN112765876B CN 112765876 B CN112765876 B CN 112765876B CN 202110022171 A CN202110022171 A CN 202110022171A CN 112765876 B CN112765876 B CN 112765876B
- Authority
- CN
- China
- Prior art keywords
- design
- target
- subarray
- position coordinate
- action point
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种机械设计方案推荐方法、装置及电子设备,涉及计算机技术领域,在进行机械设计方案推荐时,先获取机械设备的设计需求信息,该设计需求信息包括在该机械设备的工作场景中该机械设备所作用的工件的数模信息和工艺信息;然后根据训练后的神经网络模型,确定与设计需求信息对应的目标工作场景类别;进而根据该目标工作场景类别,确定与设计需求信息对应的目标设计方案,以向用户推荐该目标设计方案。这样基于包括该机械设备所作用的工件的数模信息和工艺信息的设计需求信息,实现了设计方案的智能推荐,与现有的基于设定的大量规则的推荐方式相比,提高了通用性。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种机械设计方案推荐方法、装置及电子设备。
背景技术
在工业设计领域(如模具设计、夹具设计等机械设计),存在着大量的历史设计方案,当设计工程师拿到设计需求时,往往可以在以往的历史设计方案中找到满足要求或者类似的设计方案,通过对历史设计方案进行二次加工设计,可以很大程度上降低设计工程师的重复工作量,提高设计效率,节约设计成本。
但是如何从历史设计方案中找到最大程度上满足当前设计需求的方案,对于设计人员本身的经验有较高的要求。为了帮助设计人员选择出与设计需求相匹配的设计方案,现有的机械设计方案推荐方法通常是,通过设定大量的规则来机械式地判断历史设计方案是否与设计需求相匹配。然而这种方法有很大的局限性,在不同项目中需要设定不同的规则,不具备通用性。
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、装置及电子设备,以实现设计方案的智能推荐,同时提高通用性。
本发明实施例提供了一种机械设计方案推荐方法,包括:
获取机械设备的设计需求信息,所述设计需求信息包括在所述机械设备的工作场景中所述机械设备所作用的工件的数模信息和工艺信息;
根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别;
根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案,以向用户推荐所述目标设计方案。
进一步地,根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别的步骤,包括:
对所述设计需求信息进行参数化表示,得到目标数组;
将所述目标数组输入训练后的神经网络模型,得到所述神经网络模型输出的工作场景类别预测结果;所述工作场景类别预测结果包括预先划分的多个工作场景类别中的每个工作场景类别对应的概率值;
根据所述工作场景类别预测结果,确定目标工作场景类别。
进一步地,对所述设计需求信息进行参数化表示,得到目标数组的步骤,包括:
将所述数模信息转换为3D点云数据,得到三通道的第一子数组;
对所述工艺信息进行参数化表示,并且与所述第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组;
将所述第一子数组和所述第二子数组在通道数上进行拼接,得到目标数组。
进一步地,所述工艺信息包括至少一个作用点的位置坐标和作用点类型;对所述工艺信息进行参数化表示,并且与所述第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组的步骤,包括:
对每个所述作用点分别进行如下处理:对该作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;根据该作用点的位置坐标,确定该作用点对应的预设区域范围的位置坐标集合,并将该作用点对应的工艺特征应用到该作用点对应的位置坐标集合中的每个位置坐标上;
根据各个所述作用点对应的工艺特征和位置坐标集合,按照所述第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,所述第二子数组中属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均填入对应的工艺特征,所述第二子数组中不属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均以0值填充。
进一步地,根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案的步骤,包括:
根据预先建立的工作场景类别与历史设计方案的对应关系,确定与所述目标工作场景类别对应的目标设计方案;其中,作用末端结构一致的历史设计方案为同一类别的历史设计方案,每个类别的历史设计方案与工作场景类别一一对应。
进一步地,所述方法还包括:
获取多个历史设计需求信息和每个所述历史设计需求信息对应的历史工作场景类别;
对每个所述历史设计需求信息进行参数化表示,得到输入数组;
根据各个所述历史设计需求信息对应的输入数组和历史工作场景类别,对待训练的初始神经网络模型进行训练,得到训练后的所述神经网络模型。
进一步地,所述机械设备包括夹具或模具。
本发明实施例还提供了一种机械设计方案推荐装置,包括:
信息获取模块,用于获取机械设备的设计需求信息,所述设计需求信息包括在所述机械设备的工作场景中所述机械设备所作用的工件的数模信息和工艺信息;
第一确定模块,用于根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别;
第二确定模块,用于根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案,以向用户推荐所述目标设计方案。
本发明实施例还提供了一种电子设备,包括存储器、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的机械设计方案推荐方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的机械设计方案推荐方法。
本发明实施例提供的机械设计方案推荐方法、装置及电子设备中,在进行机械设计方案推荐时,先获取机械设备的设计需求信息,该设计需求信息包括在该机械设备的工作场景中该机械设备所作用的工件的数模信息和工艺信息;然后根据训练后的神经网络模型,确定与设计需求信息对应的目标工作场景类别;进而根据该目标工作场景类别,确定与设计需求信息对应的目标设计方案,以向用户推荐该目标设计方案。这样通过训练后的神经网络模型确定与设计需求信息最接近的目标工作场景类别,其中该设计需求信息为机械设备所作用的工件的数模信息和工艺信息,而后推荐出目标工作场景类别对应的目标设计方案,实现了设计方案的智能推荐,与现有的基于设定的大量规则的推荐方式相比,提高了通用性。
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为本发明实施例提供的一种机械设计方案推荐方法的流程示意图;
图2a为本发明实施例提供的一种夹具的历史设计方案;
图2b为本发明实施例提供的另一种夹具的历史设计方案;
图2c为本发明实施例提供的另一种夹具的历史设计方案;
图3为本发明实施例提供的一种对设计需求信息进行参数化表示的示意图;
图4为本发明实施例提供的一种工艺信息的区域扩充示意图;
图5为本发明实施例提供的一种神经网络模型的训练流程示意图;
图6为本发明实施例提供的一种神经网络模型的结构示意图;
图7为本发明实施例提供的一种神经网络模型中子网络的结构示意图;
图8为本发明实施例提供的一种机械设计方案推荐装置的结构示意图;
图9为本发明实施例提供的另一种机械设计方案推荐装置的结构示意图;
图10为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做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。
目前在基于历史设计方案进行机械设计方案推荐时,通常是通过设定大量的规则,而后依据这些规则来进行机械式的判断,这种方法有很大的局限性:在不同项目中需要设定不同的规则,不具备通用性;而且总结这些规则对于设计人员的经验也有较高的要求。基于此,本发明实施例提供的一种机械设计方案推荐方法、装置及电子设备,可以实现设计方案的智能推荐,同时提高通用性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种机械设计方案推荐方法进行详细介绍。
本发明实施例提供了一种机械设计方案推荐方法,该方法可以由具有数据处理能力的电子设备执行,该电子设备例如是台式电脑、笔记本电脑、平板电脑或手机等。参见图1所示的一种机械设计方案推荐方法的流程示意图,该方法主要包括如下步骤S102~步骤S106:
步骤S102,获取机械设备的设计需求信息,该设计需求信息包括在该机械设备的工作场景中该机械设备所作用的工件的数模信息和工艺信息。
上述机械设备可以是夹具或模具等,本实施例中不需要机械设备自身的数模(数据模型),需要的是该机械设备所作用的工件的数模信息和工艺信息,以便提高后续确定工作场景类别的准确性。该工艺信息可以包括至少一个作用点的位置坐标和作用点类型,作用点类型可以是RPS(The reference point system,参考点系统)点类型,RPS点类型可以包括夹紧、压紧、支撑和定位销等中的一种或多种,定位销可以包括固定销、伸缩销和翻转销等中的一种或多种。该机械设备所作用的工件的作用点可以为一个,也可以为多个,例如,该机械设备所作用的工件包括两个夹紧点和一个伸缩销定位点;又如,若该机械设备所作用的工件包括一个夹紧点;又如,若该机械设备所作用的工件包括一个支撑点。
可选地,上述设计需求信息还可以包括工件材料和设计偏好等。这样可以提高推荐结果的准确性。
步骤S104,根据训练后的神经网络模型,确定与上述设计需求信息对应的目标工作场景类别。
为了方便神经网络模型的训练和推理,本实施例会预先建立已有历史工作场景和历史设计方案的对应关系,并对历史工作场景进行分类,得到多个工作场景类别,工作场景类别与历史设计方案一一对应。这样一旦确定好与设计需求信息接近的目标工作场景类别,即可推荐相应的历史设计方案。在对历史工作场景进行分类时,可以不考虑历史设计方案的尺寸、位置和形状的差异,将作用末端结构一致的历史设计方案归为一类,根据历史设计方案的分类结果,将对应的历史工作场景进行分类。例如,图2a、图2b、图2c分别示出了三种夹具的历史设计方案,且这三种夹具的历史设计方案的作用末端结构一致,因此这三种夹具的历史设计方案为一类,这三种夹具的历史设计方案对应的工作场景也为同一类。
在一些可能的实施例中,可以通过预处理,对上述设计需求信息进行参数化表示,即将该设计需求信息转换为数组形式作为神经网络模型的输入,神经网络模型可以自动提取工作场景的特征,并得到其在各个工作场景类别的概率值。基于此,上述步骤S104可以通过如下过程实现:对上述设计需求信息进行参数化表示,得到目标数组;将该目标数组输入训练后的神经网络模型,得到神经网络模型输出的工作场景类别预测结果;该工作场景类别预测结果包括预先划分的多个工作场景类别中的每个工作场景类别对应的概率值;根据该工作场景类别预测结果,确定目标工作场景类别。
在一种可能的实现方式中,上述对上述设计需求信息进行参数化表示,得到目标数组的步骤,可以通过如下过程实现:将上述数模信息转换为3D点云数据,得到三通道的第一子数组;对上述工艺信息进行参数化表示,并且与第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组;将第一子数组和第二子数组在通道数上进行拼接,得到目标数组。
可选地,在获取第二子数组时,可以先对每个作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;然后根据各个作用点对应的工艺特征和各个作用点的位置坐标,按照第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,第二子数组中对应于各个作用点的位置坐标处均填入对应的工艺特征,第二子数组中不属于各个作用点的位置坐标处均以0值填充。
具体实现时,参见图3所示的一种对设计需求信息进行参数化表示的示意图,可以将工件的三维数模(即数模信息)转换为3D点云数据(N×3),其中N表示点云中点的个数,3表示X、Y、Z这三个通道。除工件的三维数模外的其他信息(工艺信息、工件材料和设计偏好等)也转换为多通道的数组形式(N×M),M表示除数模信息外的其他信息的通道数,并且将其与3D点云数据合并在一起,构成N×(M+3)的目标数组作为输入。如图3所示,除数模信息外的其他信息转换得到第二子数组(N×3),3表示A、B、H这三个通道,A表示运动,B表示固定,H表示定位销,第二子数组(N×3)与3D点云数据(N×3)融合后得到目标数组(N×(3+3))。
为了便于理解,本实施例还提供了一个RPS点类型的参数化表示的示例,如下表1所示。
表1
为便于理解,本实施例还提供了目标数组的示例。以上表1为例,假设机械设备所作用的工件包括一个夹紧点,该夹紧点的位置坐标为(X2,Y1,Z1),则该夹紧点的参数化表示(即工艺特征)为(1,1,0);若第一子数组由8个位置坐标构成,如下:
则第二子数组为:
第一子数组和第二子数组拼接后的目标数组为:
可选地,上述目标工作场景类别可以为一个,也可以为多个。当目标工作场景类别为多个时,本实施例提供了上述根据该工作场景类别预测结果,确定目标工作场景类别的步骤的三种可能的实现方式,如下:方式一,按照工作场景类别预测结果中的概率值大小对各个工作场景类别进行排序,并根据排序结果,从概率值最大的工作场景类别开始选取指定数量的工作场景类别作为目标工作场景类别;方式二,根据工作场景类别预测结果,将概率值大于预设概率阈值的工作场景类别确定为目标工作场景类别;方式三,根据工作场景类别预测结果,将概率值大于预设概率阈值的工作场景类别确定为待选工作场景类别;判断待选工作场景类别的个数是否大于指定数量;如果是,按照概率值大小对各个待选工作场景类别进行排序,并根据排序结果,从概率值最大的待选工作场景类别开始选取指定数量的待选工作场景类别作为目标工作场景类别;如果否,将待选工作场景类别确定为目标工作场景类别。
其中,上述指定数量和预设概率阈值均可以根据实际需求设置,这里不做限定。例如,若采用方式一,且指定数量为3,则选取概率值最大的前三个工作场景类别作为目标工作场景类别。又如,若采用方式二,且预设概率阈值为80%,则选取概率值大于80%的工作场景类别作为目标工作场景类别。又如,若采用方式三,且指定数量为3,预设概率阈值为80%,则先筛选出概率值大于80%的待选工作场景类别,然后判断待选工作场景类别的个数是否大于3;如果是,选取概率值最大的前三个待选工作场景类别作为目标工作场景类别;如果否,直接将所有待选工作场景类别确定为目标工作场景类别。
步骤S106,根据上述目标工作场景类别,确定与上述设计需求信息对应的目标设计方案,以向用户推荐该目标设计方案。
可以根据预先建立的工作场景类别与历史设计方案的对应关系,确定与目标工作场景类别对应的目标设计方案,之后即可向用户推荐该目标设计方案。其中,作用末端结构一致的历史设计方案为同一类别的历史设计方案,每个类别的历史设计方案与工作场景类别一一对应。
本发明实施例中,将设计需求信息转换后的目标数组作为神经网络模型的输入,神经网络模型可以自动提取工作场景的特征,并得到其在各个工作场景类别的概率值;通过工作场景类别和历史设计方案的对应关系,根据概率值的大小推荐出对应的历史设计方案,提高了历史设计方案的利用率,避免了设计人员的重复设计,提高了设计效率;与现有的基于设定的大量规则的推荐方式相比,提高了通用性。
考虑到在获取第二子数组时若仅采用工艺信息中少数孤立的作用点的位置坐标,参数化后的数据即第二子数组中的数据会很稀疏,不利于后续工作场景类别的判别,本实施例中,在获取第二子数组时对工艺信息进行了区域扩充,以丰富参数化后的数据。基于此,上述得到多通道的第二子数组的步骤可以通过如下过程实现:对每个作用点分别进行如下处理:对该作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;根据该作用点的位置坐标,确定该作用点对应的预设区域范围的位置坐标集合,并将该作用点对应的工艺特征应用到该作用点对应的位置坐标集合中的每个位置坐标上;根据各个作用点对应的工艺特征和位置坐标集合,按照第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,第二子数组中属于各个作用点对应的位置坐标集合中的每个位置坐标处均填入对应的工艺特征,第二子数组中不属于各个作用点对应的位置坐标集合中的每个位置坐标处均以0值填充。
上述预设区域范围可以根据实际需求设置,这里不做限定。可选地,预设区域范围可以是以作用点的位置坐标为球心、预设半径的球体,以使得作用点处的工艺信息扩充到这个球体区域内的所有点;其中,预设半径可以根据实际需求设置。例如,参见图4所示的一种工艺信息的区域扩充示意图,图中分别示出了两个夹紧点和一个定位销的预设区域范围,其中预设半径R=15个坐标单位长度。这样将夹紧点、压紧点、支撑点、销或焊点等的这些工艺信息,从表征一个点扩充到表征一个区域,丰富了第二子数组中的数据。
本发明实施例还提供了上述神经网络模型的训练流程,参见图5所示的一种神经网络模型的训练流程示意图,该神经网络模型的训练过程包括如下步骤:
步骤S502,获取多个历史设计需求信息和每个历史设计需求信息对应的历史工作场景类别。
每个历史设计需求信息都有一个历史设计方案相对应,历史工作场景类别可以是针对历史设计需求信息对应的历史设计方案,人工标记的工作场景类别。
步骤S504,对每个历史设计需求信息进行参数化表示,得到输入数组。
具体可以参见上述步骤S104中获取目标数组的相应内容,这里不再赘述。
步骤S506,根据各个历史设计需求信息对应的输入数组和历史工作场景类别,对待训练的初始神经网络模型进行训练,得到训练后的神经网络模型。
将各个历史设计需求信息对应的输入数组作为训练样本来训练初始神经网络模型。在一些可能的实施例中,上述初始神经网络模型可以包括特征提取网络和分类器,其中,特征提取网络用于自动提取工作场景的特征,并得到其在各个工作场景类别的概率值,分类器用于根据特征提取网络输出的各概率值进行工作场景分类。在实际使用训练后的神经网络模型确定目标工作场景类别时,可以舍弃分类器,仅采用训练后的特征提取网络进行各个工作场景类别概率值的提取。
对初始神经网络模型进行训练时,对于每个历史设计需求信息,可以将该历史设计需求信息对应的输入数组输入到初始神经网络模型中,通过特征提取网络进行工作场景特征提取,通过分类器得到分类结果;根据分类结果和相应的历史工作场景类别确定初始神经网络模型的损失值;根据该损失值对初始神经网络模型中的参数进行更新,以得到训练后的神经网络模型。
可以对初始神经网络模型中的参数进行多次迭代更新,直到达到预设条件,从而得到训练后的神经网络模型。该预设条件例如是:迭代次数大于或等于预设次数、训练时长大于或等于预设时长以及损失值小于或等于预设阈值等中的一种或多种,其中,预设次数、预设时长和预设阈值都可以根据实际需求设置,这里不做限定。
本发明实施例还提供了一种神经网络模型的结构,参见图6所示的一种神经网络模型的结构示意图,该神经网络模型包括依次连接的输入转换层、第一卷积层、BN(BatchNormal)层、ReLU(Rectified Linear Units)激活层、特征转换层、第二卷积层、BN层、ReLU激活层、第三卷积层、BN层、ReLU激活层、第四卷积层、BN层、ReLU激活层、第一池化层、第一全连接层、第二全连接层和第三全连接层。该神经网络模型对输入的N×(M+3)目标数组的处理过程如下:
1)输入N×(M+3)目标数组,经过包含子网络的输入转换层的输入转换,即[N×(M+3)]*[(M+3)×(M+3)],得到转换后的N×(M+3)数组;其中,N×(M+3)目标数组经过子网络输出为(M+3)×(M+3)的方阵,N×(M+3)目标数组再与(M+3)×(M+3)方阵进行矩阵相乘,得到转换后的N×(M+3)数组;
2)经过参数为(M+3,64,1)的第一卷积层的1D卷积,再通过BN层和ReLU激活层,得到N×64数组;
3)再次通过包含子网络的特征转换层的特征转换,即[N×64]*[64×64],得到转换后的N×64数组;其中,N×64数组经过子网络输出为64×64的方阵,N×64数组再与64×64方阵进行矩阵相乘,得到转换后的N×64数组;
4)然后经过参数为(64,128,1)的第二卷积层的1D卷积,通过BN层和ReLU激活层,得到N×128数组;
5)经过参数为(64,128,1)的第三卷积层的1D卷积,通过BN层和ReLU激活层,得到N×128数组;
6)经过参数为(128,1024,1)的第四卷积层的1D卷积,通过BN层和ReLU激活层,得到N×1024数组;
7)经过第一池化层的全局池化,得到1024×1的数组;
8)经过1024×512的第一全连接层,得到512×1的数组;
9)经过512×256的第二全连接层,得到256×1的数组;
10)经过256×K的第三全连接层,得到K×1的数组,然后经过softmax分类器,得到K个类别的概率(K为人工分类得到的工作场景类别的个数)。
参见图7所示的一种神经网络模型中子网络的结构示意图,该子网络包括依次连接的第五卷积层、BN层、ReLU激活层、第六卷积层、BN层、ReLU激活层、第七卷积层、BN层、ReLU激活层、第二池化层、第四全连接层、第五全连接层和第六全连接层,该子网络对输入的N×M数组的处理过程如下:
(1)输入N×M数组,经过参数(M,64,1)的第五卷积层的1D卷积,再通过BN层和ReLU激活层,得到N×64数组;
(2)然后经过参数为(64,128,1)的第六卷积层的1D卷积,通过BN层和ReLU激活层,得到N×128数组;
(3)然后经过参数为(128,1024,1)的第七卷积层的1D卷积,通过BN层和ReLU激活层,得到N×1024数组;
(4)经过第二池化层的全局池化,得到1024×1的数组;
(5)经过1024×512的第四全连接层,得到512×1的数组;
(6)经过512×256的第五全连接层,得到256×1的数组;
(7)经过256×(M*M)的第六全连接层,得到(M*M)×1的数组。
对应于上述的机械设计方案推荐方法,本发明实施例还提供了一种机械设计方案推荐装置,参见图8所示的一种机械设计方案推荐装置的结构示意图,该装置包括:
信息获取模块82,用于获取机械设备的设计需求信息,该设计需求信息包括在该机械设备的工作场景中该机械设备所作用的工件的数模信息和工艺信息;
第一确定模块84,用于根据训练后的神经网络模型,确定与设计需求信息对应的目标工作场景类别;
第二确定模块86,用于根据目标工作场景类别,确定与设计需求信息对应的目标设计方案,以向用户推荐该目标设计方案。
本发明实施例中,该机械设计方案推荐装置通过训练后的神经网络模型确定与设计需求信息最接近的目标工作场景类别,其中该设计需求信息为机械设备所作用的工件的数模信息和工艺信息,而后推荐出目标工作场景类别对应的目标设计方案,实现了设计方案的智能推荐,与现有的基于设定的大量规则的推荐方式相比,提高了通用性。
进一步,上述第一确定模块84具体用于:对上述设计需求信息进行参数化表示,得到目标数组;将该目标数组输入训练后的神经网络模型,得到神经网络模型输出的工作场景类别预测结果;该工作场景类别预测结果包括预先划分的多个工作场景类别中的每个工作场景类别对应的概率值;根据该工作场景类别预测结果,确定目标工作场景类别。
进一步,上述第一确定模块84还用于:将上述数模信息转换为3D点云数据,得到三通道的第一子数组;对上述工艺信息进行参数化表示,并且与第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组;将第一子数组和第二子数组在通道数上进行拼接,得到目标数组。
进一步,上述第一确定模块84还用于:对每个作用点分别进行如下处理:对该作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;根据该作用点的位置坐标,确定该作用点对应的预设区域范围的位置坐标集合,并将该作用点对应的工艺特征应用到该作用点对应的位置坐标集合中的每个位置坐标上;根据各个作用点对应的工艺特征和位置坐标集合,按照第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,第二子数组中属于各个作用点对应的位置坐标集合中的每个位置坐标处均填入对应的工艺特征,第二子数组中不属于各个作用点对应的位置坐标集合中的每个位置坐标处均以0值填充。
进一步,上述第二确定模块86具体用于:根据预先建立的工作场景类别与历史设计方案的对应关系,确定与目标工作场景类别对应的目标设计方案;其中,作用末端结构一致的历史设计方案为同一类别的历史设计方案,每个类别的历史设计方案与工作场景类别一一对应。
进一步,参见图9所示的另一种机械设计方案推荐装置的结构示意图,在图8的基础上,该装置还包括训练模块92,用于:
获取多个历史设计需求信息和每个历史设计需求信息对应的历史工作场景类别;
对每个历史设计需求信息进行参数化表示,得到输入数组;
根据各个历史设计需求信息对应的输入数组和历史工作场景类别,对待训练的初始神经网络模型进行训练,得到训练后的所述神经网络模型。
进一步,上述机械设备包括夹具或模具。
本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。
参见图10,本发明实施例还提供一种电子设备100,包括:处理器10,存储器11,总线12和通信接口13,所述处理器10、通信接口13和存储器11通过总线12连接;处理器10用于执行存储器11中存储的可执行模块,例如计算机程序。
其中,存储器11可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory,简称NVM),例如至少一个磁盘存储器。通过至少一个通信接口13(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线12可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器11用于存储程序,所述处理器10在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器10中,或者由处理器10实现。
处理器10可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器11,处理器10读取存储器11中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的机械设计方案推荐方法。该计算机可读存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的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,所述模块、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。
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,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,所述单元的划分,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。
所述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。
另外,在本发明各个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。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (7)
1.一种机械设计方案推荐方法,其特征在于,包括:
获取机械设备的设计需求信息,所述设计需求信息包括在所述机械设备的工作场景中所述机械设备所作用的工件的数模信息和工艺信息;
根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别;
根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案,以向用户推荐所述目标设计方案;
根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别的步骤,包括:
对所述设计需求信息进行参数化表示,得到目标数组;
将所述目标数组输入训练后的神经网络模型,得到所述神经网络模型输出的工作场景类别预测结果;所述工作场景类别预测结果包括预先划分的多个工作场景类别中的每个工作场景类别对应的概率值;
根据所述工作场景类别预测结果,确定目标工作场景类别;
对所述设计需求信息进行参数化表示,得到目标数组的步骤,包括:
将所述数模信息转换为3D点云数据,得到三通道的第一子数组;
对所述工艺信息进行参数化表示,并且与所述第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组;
将所述第一子数组和所述第二子数组在通道数上进行拼接,得到目标数组;
所述工艺信息包括至少一个作用点的位置坐标和作用点类型;对所述工艺信息进行参数化表示,并且与所述第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组的步骤,包括:
对每个所述作用点分别进行如下处理:对该作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;根据该作用点的位置坐标,确定该作用点对应的预设区域范围的位置坐标集合,并将该作用点对应的工艺特征应用到与该作用点对应的位置坐标集合中的每个位置坐标上;
根据各个所述作用点对应的工艺特征和位置坐标集合,按照所述第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,所述第二子数组中属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均填入对应的工艺特征,所述第二子数组中不属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均以0值填充。
2.根据权利要求1所述的机械设计方案推荐方法,其特征在于,根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案的步骤,包括:
根据预先建立的工作场景类别与历史设计方案的对应关系,确定与所述目标工作场景类别对应的目标设计方案;其中,作用末端结构一致的历史设计方案为同一类别的历史设计方案,每个类别的历史设计方案与工作场景类别一一对应。
3.根据权利要求1所述的机械设计方案推荐方法,其特征在于,所述方法还包括:
获取多个历史设计需求信息和每个所述历史设计需求信息对应的历史工作场景类别;
对每个所述历史设计需求信息进行参数化表示,得到输入数组;
根据各个所述历史设计需求信息对应的输入数组和历史工作场景类别,对待训练的初始神经网络模型进行训练,得到训练后的所述神经网络模型。
4.根据权利要求1所述的机械设计方案推荐方法,其特征在于,所述机械设备包括夹具或模具。
5.一种机械设计方案推荐装置,其特征在于,包括:
信息获取模块,用于获取机械设备的设计需求信息,所述设计需求信息包括在所述机械设备的工作场景中所述机械设备所作用的工件的数模信息和工艺信息;
第一确定模块,用于根据训练后的神经网络模型,确定与所述设计需求信息对应的目标工作场景类别;
第二确定模块,用于根据所述目标工作场景类别,确定与所述设计需求信息对应的目标设计方案,以向用户推荐所述目标设计方案;
所述第一确定模块具体用于:对所述设计需求信息进行参数化表示,得到目标数组;将所述目标数组输入训练后的神经网络模型,得到所述神经网络模型输出的工作场景类别预测结果;所述工作场景类别预测结果包括预先划分的多个工作场景类别中的每个工作场景类别对应的概率值;根据所述工作场景类别预测结果,确定目标工作场景类别;
所述第一确定模块还用于:将所述数模信息转换为3D点云数据,得到三通道的第一子数组;对所述工艺信息进行参数化表示,并且与所述第一子数组在对应位置坐标上建立联系,得到多通道的第二子数组;将所述第一子数组和所述第二子数组在通道数上进行拼接,得到目标数组;
所述工艺信息包括至少一个作用点的位置坐标和作用点类型;所述第一确定模块还用于:对每个所述作用点分别进行如下处理:对该作用点的作用点类型进行参数化表示,得到该作用点对应的工艺特征;根据该作用点的位置坐标,确定该作用点对应的预设区域范围的位置坐标集合,并将该作用点对应的工艺特征应用到与该作用点对应的位置坐标集合中的每个位置坐标上;根据各个所述作用点对应的工艺特征和位置坐标集合,按照所述第一子数组中的位置坐标顺序构建多通道的第二子数组;其中,所述第二子数组中属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均填入对应的工艺特征,所述第二子数组中不属于各个所述作用点对应的位置坐标集合中的每个位置坐标处均以0值填充。
6.一种电子设备,包括存储器、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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022171.4A CN112765876B (zh) | 2021-01-07 | 2021-01-07 | 机械设计方案推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022171.4A CN112765876B (zh) | 2021-01-07 | 2021-01-07 | 机械设计方案推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765876A CN112765876A (zh) | 2021-05-07 |
CN112765876B true CN112765876B (zh) | 2023-09-19 |
Family
ID=75700963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022171.4A Active CN112765876B (zh) | 2021-01-07 | 2021-01-07 | 机械设计方案推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765876B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255079A (zh) * | 2021-06-01 | 2021-08-13 | 焦作大学 | 一种基于人工智能的包装设计方法及装置 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003092966A1 (fr) * | 2002-04-30 | 2003-11-13 | Japan Science And Technology Corporation | Procede de conception d'un robot marcheur a deux jambes et robot marcheur a deux jambes |
CN102867078A (zh) * | 2012-08-03 | 2013-01-09 | 清华大学 | 一种基于三维cad平台的机械产品拆卸工艺快速规划方法 |
CN103400000A (zh) * | 2013-07-30 | 2013-11-20 | 帝特汽车技术(上海)有限公司 | 一种cad数模的变形生成方法和系统 |
CN104899242A (zh) * | 2015-03-10 | 2015-09-09 | 四川大学 | 基于设计意图的机械产品设计二维知识推送方法 |
CN109783887A (zh) * | 2018-12-25 | 2019-05-21 | 西安交通大学 | 一种面向三维加工特征的智能识别与检索方法 |
CN112182406A (zh) * | 2020-10-27 | 2021-01-05 | 上海设序科技有限公司 | 机械设计方案推荐方法及装置 |
-
2021
- 2021-01-07 CN CN202110022171.4A patent/CN112765876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003092966A1 (fr) * | 2002-04-30 | 2003-11-13 | Japan Science And Technology Corporation | Procede de conception d'un robot marcheur a deux jambes et robot marcheur a deux jambes |
CN102867078A (zh) * | 2012-08-03 | 2013-01-09 | 清华大学 | 一种基于三维cad平台的机械产品拆卸工艺快速规划方法 |
CN103400000A (zh) * | 2013-07-30 | 2013-11-20 | 帝特汽车技术(上海)有限公司 | 一种cad数模的变形生成方法和系统 |
CN104899242A (zh) * | 2015-03-10 | 2015-09-09 | 四川大学 | 基于设计意图的机械产品设计二维知识推送方法 |
CN109783887A (zh) * | 2018-12-25 | 2019-05-21 | 西安交通大学 | 一种面向三维加工特征的智能识别与检索方法 |
CN112182406A (zh) * | 2020-10-27 | 2021-01-05 | 上海设序科技有限公司 | 机械设计方案推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
"虚拟现实在染整生产线设计中的应用研究";孙福臻;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第11期);B024-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN112765876A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765876B (zh) | 机械设计方案推荐方法、装置及电子设备 | |
CN108701250B (zh) | 数据定点化方法和装置 | |
CN110111334B (zh) | 一种裂缝分割方法、装置、电子设备及存储介质 | |
CN109543826A (zh) | 一种基于深度神经网络的激活量量化方法及装置 | |
WO2020057593A1 (zh) | 一种卷积神经网络的卷积处理方法、装置及存储介质 | |
CN109255438B (zh) | 调整张量数据的方法和装置 | |
CN109766800B (zh) | 一种移动端花卉识别模型的构建方法 | |
CN111339944A (zh) | 装修风格识别方法、装置及电子设备 | |
CN112580567A (zh) | 一种模型获取方法、模型获取装置及智能设备 | |
CN110895533B (zh) | 一种表单映射方法、装置、计算机设备和存储介质 | |
CN112633077A (zh) | 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 | |
CN111862343B (zh) | 一种三维重建方法、装置、设备及计算机可读存储介质 | |
CN105022746A (zh) | 一种字库生成的方法、服务器及系统 | |
CN112102441A (zh) | 色卡制作方法、装置、电子设备和存储介质 | |
CN111860287A (zh) | 一种目标检测方法及装置、存储介质 | |
CN111967478A (zh) | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 | |
CN108536769B (zh) | 图像分析方法、搜索方法及装置、计算机装置及存储介质 | |
CN110807286A (zh) | 一种结构网格识别方法 | |
CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN113159211B (zh) | 用于相似图像检索的方法、计算设备和计算机存储介质 | |
CN112818007B (zh) | 数据处理方法、装置及可读存储介质 | |
CN113204706B (zh) | 基于MapReduce的数据筛选抽取方法及系统 | |
CN111160517A (zh) | 一种深度神经网络的卷积层量化方法及装置 | |
CN112200275B (zh) | 人工神经网络的量化方法及装置 | |
CN106022374A (zh) | 一种对历史流程数据进行分类的方法及装置 |
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 |