CN113901616A - 一种零件的搜索方法和系统 - Google Patents
一种零件的搜索方法和系统 Download PDFInfo
- Publication number
- CN113901616A CN113901616A CN202111253747.4A CN202111253747A CN113901616A CN 113901616 A CN113901616 A CN 113901616A CN 202111253747 A CN202111253747 A CN 202111253747A CN 113901616 A CN113901616 A CN 113901616A
- Authority
- CN
- China
- Prior art keywords
- historical
- vector
- feature vector
- information
- feature
- 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
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种零件的搜索方法和系统,涉及计算机技术的技术领域。该方法利用算法模型将零件特征信息(包含几何结构、材料属性和加工工艺信息等)转化为特征向量,步骤如下:步骤一、历史零件特征信息转化算法模型训练;步骤二、保存训练好的模型和历史零件特征向量,构建历史特征向量库;步骤三、输入待搜索零件特征信息至训练后模型,得到特征向量;步骤四、计算所述待搜索零件的特征向量与历史零件特征向量库中所有零件间的相似度;步骤五、判断、输出搜索结果。本发明解决了现有技术中零件检索的检索准确率较低的技术问题。
Description
技术领域
本发明涉及计算机技术的技术领域,尤其是涉及一种零件的搜索方法和系统。
背景技术
在机械设计行业的产品开发过程中,存在大量的重复设计(即重用过去的部件设计),而全新的设计只占小部分。因此简捷、快速并准确的从数据库中搜索到相似的零件模型并加以修改,是提高设计效率,缩短开发周期的关键之一。
传统的零件搜索方法是通过设计人员预先对每个零件进行标注,添加某些索引信息,分为不同类别,然后通过关键字的搜索从而达到零件的索引。
由于传统方法:需要设计人员对所有零件进行标注,并且后续设计的新零件也要进行这个操作,是一个长期耗时、耗力的工作;零件标注规则通常较为简单,检索结果不够精确;检索出来的结果往往是多个,还需要设计人员进行最终的筛选,导致零件检索的检索准确率较低且检索效率较低。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种零件的搜索方法和系统,以缓解了现有技术中零件检索的检索准确率较低的技术问题。
第一方面,本发明实施例提供了一种零件的搜索方法,包括如下步骤:
步骤一、历史零件特征信息转化成特征向量的算法模型训练;步骤二、利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;步骤三、输入待搜索零件特征信息至训练后模型,得到特征向量;步骤四、计算所述待搜索零件的特征向量与历史零件特征向量库汇总的所有历史零件特征向量间的相似度,即向量距离;步骤五、基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果。
进一步地,零件特征信息包括几何结构、材料属性和加工工艺信息。
进一步地,步骤一中历史零件特征向量由算法模型将零件特征信息转化而成。
进一步地,零件特征信息包含零件的几何结构特征信息转化为N*3的数组表示,材料属性特征信息转为N*M1的独热编码表示,加工工艺特征信息转化为N*M2的独热编码表示。
进一步地,训练零件特征信息转化算法模型包含如下步骤:建立历史零件的特征信息库,构建编码-解码结构的网络模型,其中编码层的输出为零件的特征向量;训练信息转化模型学习历史零件特征信息与特征向量的映射关系;评估、优化、输出训练后信息转化模型。
进一步地,步骤三所述待搜索零件的特征向量与历史零件特征向量间的相似度包括了几何结构、材料属性和加工工艺三个方面的相似度。
进一步地,编码-解码结构的网络模型训练过程中,损失函数Loss包括了三个维度,其中包含几何结构重构的损失函数为倒角距离(Loss1),材料属性的损失函数为欧式距离(Loss2),加工工艺的损失函数为欧式距离(Loss3)。
第二方面,本发明实施例还提供了一种零件的搜索系统,包括:训练单元,构建单元,获取单元,计算单元和输出单元,其中,所述训练单元,用于历史零件特征信息转化成特征向量的算法模型训练;所述构建单元,利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;所述获取单元,用于将待搜索零件的特征信息输入至训练好的算法模型,得到带搜索零件的特征向量;所述计算单元,用于计算所述待搜索零件的特征向量与历史零件特征向量库中零件特征向量间的距离;所述输出单元,根据所述特征向量间的距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果输出。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明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上存储有计算机程序,计算机程序被处理器运行时执行第一方面中所述方法的步骤。
在本发明实施例中,通过获取待搜索零件的特征信息;将所述待搜索零件的特征信息输入零件特征信息转化算法模型,得到所述待搜索零件的特征向量;计算所述待搜索零件的特征向量与历史零件特征向量库中所有历史零件特征向量之间的向量距离;基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的零件确定为搜索结果,其中,所述目标特征向量为向量距离最小值对应的历史零件特征向量,达到了利用学习模型进行零件搜索的目的,进而解决了现有技术中零件检索的检索准确率较低的技术问题,从而实现了提高了零件检索的检索准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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零件的搜索方法的流程图;
图2为本发明实施例提供的零件匹配流程的示意图;
图3为本发明实施例提供的一种零件的搜索系统的示意图;
图4本发明实施例提供的一种电子设备的示意图。
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,下面将结合附图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。
实施例一:
根据本发明实施例,提供了一种零件的搜索方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种零件的搜索方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,步骤一、历史零件特征信息转化成特征向量的算法模型训练;
步骤S104,步骤二、利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;
步骤S106,步骤三、输入待搜索零件特征信息至训练后模型,得到特征向量;
步骤S108,步骤四、计算所述待搜索零件的特征向量与历史零件特征向量库汇总的所有历史零件特征向量间的相似度,即向量距离;
步骤S110,步骤五、基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果。
在本发明实施例中,通过获取待搜索零件的特征信息;将所述待搜索零件的特征信息输入零件特征信息转化算法模型,得到所述待搜索零件的特征向量;计算所述待搜索零件的特征向量与历史零件特征向量之间的向量距离;基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的零件确定为搜索结果,其中,所述目标特征向量为向量距离最小值对应的历史零件特征向量,达到了利用学习模型进行零件搜索的目的,进而解决了现有技术中零件检索的检索准确率较低的技术问题,从而实现了提高了零件检索的检索准确率的技术效果。
下面对将结合图2对上述步骤进行说明。
历史零件特征信息转化成特征向量的算法模型训练;
利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;
将所述待搜索零件的特征信息输入零件特征信息转化算法模型,得到所述待搜索零件的特征向量;
计算所述待搜索零件的特征向量与历史零件特征向量库中所有历史零件特征向量之间的向量距离;
需要说明的是,可以利用欧式距离公式计算出待搜索零件的特征向量与历史零件的特征向量之间的向量距离,具体的,向量距离 其中,xl为待搜索零件的特征向量中的第l个元素,yl为任意一个历史零件特征向量中的第l个元素。
基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的零件确定为搜索结果,其中,所述目标特征向量为向量距离最小值对应的历史零件特征向量。
在本发明实施例中,零件特征信息转化算法模型包括编码单元和解码单元,所述方法还包括如下步骤:
步骤S201,将历史零件的特征信息输入初始学习模型的编码单元,确定出所述历史零件的特征向量;
步骤S202,利用所述初始学习模型的解码单元,对所述历史零件的特征向量进行重构,得到重构后的历史零件特征信息;
步骤S203,利用所述历史零件与所述重构后的历史零件之间的特征信息差异,对所述初始学习模型进行优化,得到所述零件特征信息转化算法模型。
在本发明实施例中,首先,将历史零件特征信息输入初始学习模型的编码单元,提取出历史零件的特征向量。
然后,利用初始学习模型的解码单元,对历史零件的特征向量进行重构,得到重构后历史零件特征信息。
最后,利用历史零件与重构后历史零件之间的特征信息差异,对初始学习模型进行优化,得到零件特征信息转化算法模型。
需要说明的是,可以将上述历史零件和历史零件对应的特征编码添加至数据库中,从而得到零件特征向量库,且零件特征信息转化算法模型采用无监督的深度学习算法。
在本发明实施例中,步骤S203包括如下步骤:
步骤S11,计算所述历史零件的几何结构特征信息与所述重构后的历史零件几何结构特征信息之间的几何结构信息损失;
步骤S12,计算所述历史零件的材料属性特征信息与所述重构后的历史零件的材料属性特征信息之间的属性信息损失;
步骤S13,计算所述历史零件的加工工艺特征信息与所述重构后的历史零件的加工工艺特征信息之间的工艺信息损失;
步骤S14,基于所述几何结构信息损失、所述材料属性信息损失和加工工艺信息损失,计算出所述历史零件与所述重构后的历史零件之间的最终损失;
步骤S15,利用所述最终损失,对所述初始学习模型进行优化,得到所述零件特征信息转化算法模型。
需要说明的是,几何结构信息损失的损失函数为倒角距离损失函数;材料属性信息损失和加工工艺信息损失的损失函数为欧式距离损失函数。
在本发明实施例中,如图3所示,几何结构信息损失可以通过倒角距离进行表示,倒角距离损失函数为其中,S1为所述历史零件的点云集合,S2为所述重构后的历史零件的点云集合,x为所述历史零件的点云集合中的任意一点,y为所述重构后的历史零件的点云集合中的任意一点。
根据几何结构信息损失、材料属性信息和加工工艺信息损失,可以得到历史零件的特征向量与重构后的历史零件的特征向量之间的最终损失,最终损失的损失函数为Loss=a*Loss1+b*Loss2+c*Loss3(其中a,b,c分别为三种损失函数的系数)。
最后,利用最终损失,对初始学习模型进行优化,得到所述零件特征信息转化算法模型。
在本发明实施例中,步骤S108包括如下步骤:
步骤S21,确定出所述目标特征向量在零件特征向量库中的索引;
步骤S22,基于所述索引,得到所述目标特征向量对应的零件,并将所述目标特征向量对应的历史零件确定为搜索结果。
在本发明实施例中,上述历史连接特征向量均存储在零件特征向量库中,且每个历史零件特征向量和每个历史零件特征向量对应的零件模型在零件特征向量库中均配置有对应的索引,因此,在确定出目标特征向量之后,可以根据目标特征向量对应的索引,确定出目标特征向量对应的零件,并将目标特征向量对应的历史零件确定为搜索结果。
利用本发明实施例所提供的零件的搜索方法,不需要设计人员花费大量的时间来进行数据标注,也不需要设计人员来梳理零件的设计逻辑,只需要具有原始三维零件及对应材料属性和加工工艺信息。
本发明实施例所提供的零件的搜索方法通过AI学习的方式,输入样本三维零件模型及其对应材料属性和加工工艺信息,自动提取三维零件的特征,构建零件向量库,当输入新的三维零件时,通过零件几何及材料属性和加工工艺特征的对比,来判断零件库中最近似的零件,能够有效提高零件搜索的准确率,同时能够提高零件搜索的搜索效率。
实施例二:
本发明实施例还提供了一种零件的搜索系统,该一种零件的搜索系统用于执行本发明实施例上述内容所提供的零件的搜索方法,以下是本发明实施例提供的零件的搜索系统的具体介绍。
如图2所示,图2为上述零件的搜索系统的示意图,该零件的搜索系统包括:训包括:训练单元10,构建单元20,获取单元30,计算单元40和输出单元50。
所述训练单元10,用于历史零件特征信息转化成特征向量的算法模型训练;
所述构建单元20,利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;
所述获取单元30,用于将待搜索零件的特征信息输入至训练好的算法模型,得到带搜索零件的特征向量;
所述计算单元40,用于计算所述待搜索零件的特征向量与历史零件特征向量库中零件特征向量间的距离;
所述输出单元50,根据所述特征向量间的距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果输出。
在本发明实施例中,通过获取待搜索零件的特征信息;将所述待搜索零件的特征信息输入零件特征信息转化算法模型,得到所述待搜索零件的特征向量;计算所述待搜索零件的特征向量与所有历史零件特征向量之间的向量距离;基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的零件确定为搜索结果,其中,所述目标特征向量为向量距离最小值对应的历史零件特征向量,达到了利用学习模型进行零件搜索的目的,进而解决了现有技术中零件检索的检索准确率较低的技术问题,从而实现了提高了零件检索的检索准确率的技术效果。
进一步地,零件特征信息包括几何结构、材料属性和加工工艺信息。
进一步地,步骤一中历史零件特征向量由算法模型将零件特征信息转化而成。
进一步地,零件特征信息包含零件的几何结构特征信息转化为N*3的数组表示,材料属性特征信息转为N*M1的独热编码表示,加工工艺特征信息转化为N*M2的独热编码表示。
进一步地,训练零件特征信息转化算法模型包含如下步骤:步骤(一)、建立历史零件的特征信息库,构建编码-解码结构的网络模型,其中编码层的输出为零件的特征向量;步骤(二)、训练信息转化模型学习历史零件特征信息与特征向量的映射关系;步骤(三)、评估、优化、输出训练后信息转化模型。
进一步地,骤三所述待搜索零件的特征向量与历史零件特征向量间的相似度包括了几何结构、材料属性和加工工艺三个方面的相似度。
进一步地,编码-解码结构的网络模型训练过程中,损失函数Loss包括了三个维度,其中包含几何结构重构的损失函数为倒角距离(Loss1),材料属性的损失函数为欧式距离(Loss2),加工工艺的损失函数为欧式距离(Loss3)。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(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62可以是ISA总线、PCI总线或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4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61用于存储程序,所述处理器60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过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60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60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60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61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明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上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种零件的搜索方法,其特征在于,包括如下步骤:
步骤一、历史零件特征信息转化成特征向量的算法模型训练;
步骤二、利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;
步骤三、输入待搜索零件特征信息至训练后模型,得到特征向量;
步骤四、计算所述待搜索零件的特征向量与历史零件特征向量库汇总的所有历史零件特征向量间的相似度,即向量距离;
步骤五、基于所述向量距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果。
2.根据权利要求1所述一种零件的搜索方法,其特征在于,零件特征信息包括几何结构、材料属性和加工工艺信息。
3.根据权利要求1所述一种零件的搜索方法,其特征在于,步骤一中历史零件特征向量由算法模型将零件特征信息转化而成。
4.根据权利要求1所述一种零件的搜索方法,其特征在于,零件特征信息包含零件的几何结构特征信息转化为N*3的数组表示,材料属性特征信息转为N*M1的独热编码表示,加工工艺特征信息转化为N*M2的独热编码表示。
5.根据权利要求1所述一种零件的搜索方法,其特征在于,训练零件特征信息转化算法模型包含如下步骤:
建立历史零件的特征信息库,构建编码-解码结构的网络模型,其中编码层的输出为零件的特征向量;
训练信息转化模型学习历史零件特征信息与特征向量的映射关系;
评估、优化、输出训练后信息转化模型。
6.根据权利要求1所述一种零件的搜索方法,其特征在于,步骤三所述待搜索零件的特征向量与历史零件特征向量间的相似度包括了几何结构、材料属性和加工工艺三个方面的相似度。
7.根据权利要求5所述一种零件的搜索方法,其特征在于,编码-解码结构的网络模型训练过程中,损失函数Loss包括了三个维度,其中包含几何结构重构的损失函数为倒角距离(Loss1),材料属性的损失函数为欧式距离(Loss2),加工工艺的损失函数为欧式距离(Loss3)。
8.一种零件的搜索系统,其特征在于,包括:训练单元,构建单元,获取单元,计算单元和输出单元,其中,
所述训练单元,用于历史零件特征信息转化成特征向量的算法模型训练;
所述构建单元,利用训练好的模型得到历史零件特征向量,构建历史零件特征向量库;
所述获取单元,用于将待搜索零件的特征信息输入至训练好的算法模型,得到带搜索零件的特征向量;
所述计算单元,用于计算所述待搜索零件的特征向量与历史零件特征向量库中零件特征向量间的距离;
所述输出单元,根据所述特征向量间的距离,确定出目标特征向量,并将所述目标特征向量对应的历史零件确定为搜索结果输出。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253747.4A CN113901616A (zh) | 2021-10-27 | 2021-10-27 | 一种零件的搜索方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253747.4A CN113901616A (zh) | 2021-10-27 | 2021-10-27 | 一种零件的搜索方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901616A true CN113901616A (zh) | 2022-01-07 |
Family
ID=79026964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111253747.4A Pending CN113901616A (zh) | 2021-10-27 | 2021-10-27 | 一种零件的搜索方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370592A (zh) * | 2023-10-10 | 2024-01-09 | 重庆荟奇安科技有限公司 | 一种基于机器学习的零件相似性识别方法 |
-
2021
- 2021-10-27 CN CN202111253747.4A patent/CN113901616A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370592A (zh) * | 2023-10-10 | 2024-01-09 | 重庆荟奇安科技有限公司 | 一种基于机器学习的零件相似性识别方法 |
CN117370592B (zh) * | 2023-10-10 | 2024-04-26 | 重庆荟奇安科技有限公司 | 一种基于机器学习的零件相似性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108426B (zh) | 自然语言提问的理解方法、装置及电子设备 | |
CN110442516B (zh) | 信息处理方法、设备及计算机可读存储介质 | |
Sun et al. | IFCCompressor: A content-based compression algorithm for optimizing Industry Foundation Classes files | |
CN102053992A (zh) | 聚类方法和系统 | |
CN113254354A (zh) | 测试用例推荐方法、装置、可读存储介质及电子设备 | |
CN116432091B (zh) | 基于小样本的设备故障诊断方法、模型的构建方法及装置 | |
CN103473307A (zh) | 跨媒体稀疏哈希索引方法 | |
CN111985228A (zh) | 文本关键词提取方法、装置、计算机设备和存储介质 | |
CN111291824A (zh) | 时间序列的处理方法、装置、电子设备和计算机可读介质 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN113901616A (zh) | 一种零件的搜索方法和系统 | |
CN110334262B (zh) | 一种模型训练方法、装置及电子设备 | |
CN114564410A (zh) | 基于类级别源代码相似度的软件缺陷预测方法 | |
CN115328434A (zh) | 搜索结果的排序方法、装置及电子设备 | |
CN112286977A (zh) | 基于云计算的数据推送方法、电子设备及系统 | |
CN114153839A (zh) | 多源异构数据的集成方法、装置、设备及存储介质 | |
CN110472659A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN117009518A (zh) | 融合基本属性和文本内容的相似事件判断方法及其应用 | |
CN110765291A (zh) | 检索方法、装置及电子设备 | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 | |
CN111737428B (zh) | 一种目标材料匹配方法、装置、设备及可读存储介质 | |
CN109739839A (zh) | 数据空值处理方法、装置及终端设备 | |
CN113299345B (zh) | 病毒基因分类的方法、装置及电子设备 | |
CN112579841B (zh) | 一种多模态数据库建立方法、检索方法及系统 |
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 |