CN115718958A - 一种多标签学习的机械结构智能设计系统及其方法 - Google Patents
一种多标签学习的机械结构智能设计系统及其方法 Download PDFInfo
- Publication number
- CN115718958A CN115718958A CN202211038588.0A CN202211038588A CN115718958A CN 115718958 A CN115718958 A CN 115718958A CN 202211038588 A CN202211038588 A CN 202211038588A CN 115718958 A CN115718958 A CN 115718958A
- Authority
- CN
- China
- Prior art keywords
- module
- design
- intelligent
- mechanical structure
- recommendation
- 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 148
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000008676 import Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 230000036544 posture Effects 0.000 description 27
- 238000003466 welding Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001338 self-assembly Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- Devices For Executing Special Programs (AREA)
Abstract
本发明公开了一种多标签学习机械结构智能设计系统及其方法，方法步骤包括：将历史机械结构设计数据进行分类标注，形成多类别数据标签；搭建多标签机械结构智能设计算法模型，并训练；构建以多标签机械结构智能设计算法模型为基础的智能设计系统；将待设计需求导入智能设计系统；智能设计系统输出机械结构设计方案。基于机械结构设计智能推荐过程中，先对满足机械结构设计的功能要求，对机械结构设计进行整体空间和姿态进行布局，接着满足对结构、尺寸、工艺等的要求进行智能推荐，从多角度、多维度进行智能推荐，大大提高了智能设计推荐的准确性，大幅提升了机械设计效率，方案简单易行，具有良好的推广应用价值。
Description
技术领域
本发明涉及计算机技术，特别是机械结构设计方法和系统。
背景技术
随着人工智能、大数据技术的发展，利用智能算法和历史设计数据展开的机械结构智能设计技术已逐渐受到相关领域工程技术、科研人员关注。人工智能算法是学习历史的机械结构设计数据(即将输入-输出的映射关系作为标签)，通过大量设计数据训练后，在该算法中输入新设计需求可输出推荐的设计结果。机械结构设计涉及诸多信息，如功能、结构、位置、姿态、工艺、制造、材料等，单一的设计数据标签难以满足多种设计信息需求(数据结构复杂)，也会引起智能算法结构更复杂，计算效率低，进而导致智能设计推荐结果的准确度、效率等均不高。
当前，已申请或授权的相关智能机械结构设计方法大多是单一的数据标签，如申请号为CN202110022171.4的专利公开了一种机械设计方案智能推荐方法，该方法主要针对数模信息和工艺信息，推荐结果也仅为几何结构数模等信息，未涉及机械结构的位置、姿态信息数据。申请号为CN202111121320.9专利公开了一种机械设计方案分步推荐的方法，尽管该方法数据包含了结构尺寸约束、顺序约束和几何关系约束等信息，但主要是针对每一步推荐零部件的姿态、顺序信息，整体上缺乏结构布局、姿态等信息；同时，该方法也会引起数据结构、智能算法结构的复杂化，推荐的正确性和效率也可能会降低。因此，一种能够高效、准确、智能推荐机械结构设计方案的方法成为智能设计开发的关键，也是智能设计工程应用的关键。
发明内容
针对现有技术存在的问题，本发明提供一种简化了智能设计算法结构和数据结构，可有效提高推荐的准确度和效率的多标签学习的机械结构智能设计系统及其方法。
本发明通过以下技术方案实现。
一种多标签学习的机械结构智能设计系统，包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
一种多标签学习的机械结构智能设计方法，步骤包括：
1)将历史机械结构设计数据进行分类标注，形成多类别数据标签；
2)搭建多标签机械结构智能设计算法模型，并训练；
3)构建以多标签机械结构智能设计算法模型为基础的智能设计系统；
4)将待设计需求导入智能设计系统；
5)智能设计系统输出机械结构设计方案。
所述多类别数据标签至少包括两类标签，其中一类标签为整体结构功能与布局和姿态标签，另一类标签为零部件结构与零部件结构数据标签。
所述多标签机械结构智能设计算法模型包括基于卷积神经网络的三维布局与姿态推荐模型和基于卷积神经网络的零部件推荐设计模型。
所述智能设计系统包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
整体结构功能与布局和姿态标签用于训练机械结构设计中结构布局和姿态的设计推荐方案，所述零部件结构与零部件结构数据标签用于训练机械结构零部件的设计推荐方案。
所述智能计算推荐端是利用全连接神经网络算法模块计算推荐的整体布局和姿态方案，利用卷积神经网络算法模块计算推荐零部件及装配方案。
所述组合模块是将设计方案的整体布局和姿态、组成结构的零部件及装配信息自动组合构成整体的设计方案。
所述利用全连接神经网络算法模块计算推荐的整体布局和姿态方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为三维方案的布局和姿态的数据；
构建布局和姿态推荐网络模型；
训练网络模型至收敛；
应用网络模型，通过输入方案设计信息，自动输出三维数模的布局和姿态矩阵。
所述利用卷积神经网络算法模块计算推荐零部件及装配方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为历史设计的零部件及装配方案；
构建零部件和装配方案推荐的网络模型；
训练网络模型至收敛；
应用网络模型，通过输入新的方案设计信息，自动推荐当前方案所需的零部件及装配方案。
相比于现存技术，本发明的优点在于：本发明基于机械结构设计智能推荐过程中，先对满足机械结构设计的功能要求，对机械结构设计进行整体空间和姿态进行布局，接着满足对结构、尺寸、工艺等的要求进行智能推荐，从多角度、多维度进行智能推荐，结合多种设计输入信息：包括数模，工艺，加工等；设计了一套网络架构模型，能够充分学习输入信息中的知识，大大提高了智能设计推荐的准确性，通过对输入数据进行压缩，和对训练好的模型进行参数剪枝、蒸馏；保持模型准确度的基础上，减少了模型参数，提高了模型计算效率；并且通过模型的应用，大幅提升了机械设计效率，方案简单易行，具有良好的推广应用价值。
附图说明
图1为实施例1待加工部件(某车型车门)模型。
图2为实施例1整体布局和姿态模块推荐。
图3为实施例1最终设计方案推荐。
图4为实施例1整体布局推荐网络结构。
图5为实施例1内部结构推荐网络结构。
图6为实施例2待加工部件(某汽车轮罩焊装夹具)模型。
图7为实施例2整体布局和姿态模块推荐。
图8为实施例2最终设计方案推荐。
图9为本发明智能设计系统结构示意图。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
如图9所示，一种多标签学习的机械结构智能设计系统，包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
一种多标签学习的机械结构智能设计方法，步骤包括：
1)将历史机械结构设计数据进行分类标注，形成多类别数据标签；
2)搭建多标签机械结构智能设计算法模型，并训练；
3)构建以多标签机械结构智能设计算法模型为基础的智能设计系统；
4)将待设计需求导入智能设计系统；
5)智能设计系统输出机械结构设计方案。
所述多类别数据标签至少包括两类标签，其中一类标签为整体结构功能与布局和姿态标签，另一类标签为零部件结构与零部件结构数据标签。
所述多标签机械结构智能设计算法模型包括基于卷积神经网络的三维布局与姿态推荐模型和基于卷积神经网络的零部件推荐设计模型。
整体结构功能与布局和姿态标签用于训练机械结构设计中结构布局和姿态的设计推荐方案，所述零部件结构与零部件结构数据标签用于训练机械结构零部件的设计推荐方案。
所述智能计算推荐端是利用全连接神经网络算法模块计算推荐的整体布局和姿态方案，利用卷积神经网络算法模块计算推荐零部件及装配方案。
所述组合模块是将设计方案的整体布局和姿态、组成结构的零部件及装配信息自动组合构成整体的设计方案。
所述利用全连接神经网络算法模块计算推荐的整体布局和姿态方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为三维方案的布局和姿态的数据；
构建布局和姿态推荐网络模型；
训练网络模型至收敛；
应用网络模型，通过输入方案设计信息，自动输出三维数模的布局和姿态矩阵。
所述利用卷积神经网络算法模块计算推荐零部件及装配方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为历史设计的零部件及装配方案；
构建零部件和装配方案推荐的网络模型；
训练网络模型至收敛；
应用网络模型，通过输入新的方案设计信息，自动推荐当前方案所需的零部件及装配方案。
实施例1：汽车车门抓取设计方案推荐
一、汽车车门抓取设计方案推荐。
1、历史机械设计方案数据搜集及推荐模型训练；实施例1采集的是汽车焊装夹具设计抓取方案数据580套，对每套数据进行分类标注，一类标签为抓取功能与布局和姿态数据标签，另一类标签为零件结构及装配与零件结构及装配数据标签，将580套抓取功能与布局和姿态数据标签导入到建立的全连接神经网络模型并训练模型，将另外580套零部件结构及装配与零部件结构及装配数据标签导入到建立的卷积神经网络模型并训练模型，将两种训练模型进行组合构成包含抓取功能到结构布局与姿态设计算法模型和零部件结构及装配到零部件结构及装配设计的多标签机械结构设计系统；
2、导入项目信息至训练的算法模型：导入待加工汽车车门数模，(如图1所示)RPS点信息；
3、整体布局与姿态推荐：数据导入后，智能计算推荐端根据输入的数据，对数据库内580套设计方案进行对比学习，通过全链接神经网络计算模块对整体布局和姿态进行推荐，如图1所示，分别在第一横梁距离端点5-10cm处垂直与地面生成一个夹紧单元、第二横梁距离端点4-8cm处垂直与地面生成第二个夹紧单元，在纵梁的两端分别距离端点15-20cm处生成第三和第四夹紧单元，在第一纵梁距离端点3-6cm处生成第一和第二定位单元并且穿过工件定位孔垂直于地面，推荐结果(如图2所示)；
4、零部件结构及装配推荐：数据导入后，智能计算端根据输入的数据，对历史数据库内580套设计方案进行学习，通过卷积神经网络计算模块对历史结构和装配进行推荐，通过夹紧点位置信息，自动设计夹紧单元，根据夹紧机构与工件的几个关系(夹紧机构与工件夹紧面贴合)，摆正夹紧单元位置，夹紧机构推荐完成后进行支柱、连接块，气缸的推荐选择，选择的信息包含几何约束、结构尺寸约束等；
5、最终设计方案推荐：根据全链接神经网络计算模块对整体布局和姿态进行推荐结果和卷积神经网络计算模块对历史结构和装配进行推荐结果进行整合和优化，输出最终的推荐结果，设计(如图3所示)；
1.数据集的输入构建：
1.1输入为历史的数模信息和业务标签信息，业务标签信息包括车身区域，焊接工艺(点焊、弧焊、铆接等；)，焊点信息，RPS点信息等；
1.2数模信息的参数化表达：将数模信息转换为点云信息(Point cloud：N*3的数组)和离散网格化数据(Mesh：N*3+M*3)，N表示点的个数，M表示面的个数
1.3业务标签信息的参数化表达：将语义的标签信息转化为向量的参数(N*L)，L表示标签信息的表达维度；并且与数模的参数化信息结合，构建成真正的输入信息；
2.数据集的标签构建(groud truth):
2.1数据集的真实标签分为整体布局标签和内部结构标签；
2.2整体布局标签包括设计单元与输入的相对位置矩阵(4*4)以及空间6个方向(+X,-X,+Y，-Y，+Z，-Z)的最小干涉距离(6*1)；
2.3内部结构标签包括设计单元的零件个数(N*1)以及每个零件的自身装配矩阵(N*4*4)；2.4整体布局标签和内部结构标签作为级联网络结构的groud truth；
3.网络架构的设计：
3.1针对推荐场景，设计了级联卷积神经网络；
3.2整体布局推荐网络：通过输入层、卷积层、池化层、连接层、输出层的组合，构建了整体布局推荐网络，该网络结构如图4所示：该网络结构输出为22*1的数组，转换为4*4的矩阵+6*1的数组；与整体布局标签的矩阵维度和数组维度保持一致；
内部结构推荐网络构建：通过输入层、卷积层、池化层、连接层、输出层的组合，构建了整体布局推荐网络，该网络层的输入，是经过整体推荐网络的输出校准后的输入；输出为设计单元的零件个数(N*1)以及每个零件的自身装配矩阵(N*4*4)，整体网络结构如图5所示；4.损失函数的构建
4.1整体布局推荐网络的损失函数定义：该损失函数为向量距离函数，可定义为余弦距离和欧式距离等；
4.2内部结构推荐网络的损失函数定义：该损失函数为向量距离函数，可定义为余弦距离和欧式距离等
5.网络的应用
当训练完成后，得到训练好的两个模型，依次应用整体布局推荐模型和内部结构推荐模型，得到最终完整的设计方案。
实施例2：汽车轮罩夹紧设计方案推荐
一、汽车轮罩夹紧设计方案推荐
1.历史机械设计方案数据搜集及推荐模型训练；实施例2采集的是汽车轮罩焊装夹具设计夹紧方案数据430套，对每套数据进行分类标注，一类标签为夹紧功能与布局和姿态数据标签，另一类标签为零件结构及装配与零件结构及装配数据标签，将430套夹紧功能与布局和姿态数据标签导入到建立的全连接神经网络模型并训练模型，将另外430套零部件结构及装配与零部件结构及装配数据标签导入到建立的卷积神经网络模型并训练模型，将两种训练模型进行组合构成包含夹紧功能到结构布局与姿态设计算法模型和零部件结构及装配到零部件结构及装配设计的多标签机械结构设计系统；
2.导入项目信息至训练的算法模型：导入待加工汽车轮罩数模，(如图6所示)RPS点信息；
3.整体布局与姿态推荐：数据导入后，智能计算推荐端根据输入的数据，对数据库内430套设计方案进行对比学习，通过全链接神经网络计算模块对整体布局和姿态进行推荐，如图1所示，根据输入的RPS点信息和数模信息，分别在轮罩左右两侧端点的边缘处进行第一和第二夹紧单元推荐，然后依次围绕第一和第二夹紧单元间隔15-30cm进行第三、第四、第五和第六夹紧单元的推荐(如图7所示)；
4.零部件结构及装配推荐：数据导入后，智能计算端根据输入的数据，对历史数据库内430套设计方案进行学习，通过卷积神经网络计算模块对历史结构和装配进行推荐，通过夹紧点位置信息，自动设计夹紧单元，根据夹紧机构与工件的几个关系(夹紧机构与工件夹紧面贴合)，摆正夹紧单元位置，夹紧机构推荐完成后进行支柱、连接块，气缸的推荐选择，选择的信息包含几何约束、结构尺寸约束等；
5.最终设计方案推荐：根据全链接神经网络计算模块对整体布局和姿态进行推荐结果和卷积神经网络计算模块对历史结构和装配进行推荐结果进行整合和优化，输出最终的推荐结果，设计(如图8所示)。
Claims (10)
1.一种多标签学习的机械结构智能设计系统，其特征在于包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
2.一种多标签学习的机械结构智能设计方法，其特征在于步骤包括：
1)将历史机械结构设计数据进行分类标注，形成多类别数据标签；
2)搭建多标签机械结构智能设计算法模型，并训练；
3)构建以多标签机械结构智能设计算法模型为基础的智能设计系统；
4)将待设计需求导入智能设计系统；
5)智能设计系统输出机械结构设计方案。
3.根据权利要求2所述的一种多标签学习的机械结构智能设计方法，其特征在于所述多类别数据标签至少包括两类标签，其中一类标签为整体结构功能与布局和姿态标签，另一类标签为零部件结构与零部件结构数据标签。
4.根据权利要求2所述一种多标签学习的机械结构智能设计方法，其特征在于所述多标签机械结构智能设计算法模型包括基于卷积神经网络的三维布局与姿态推荐模型和基于卷积神经网络的零部件推荐设计模型。
5.根据权利要求2所述一种多标签学习的机械结构智能设计方法，其特征在于所述智能设计系统包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
6.根据权利要求3所述一种多标签学习的机械结构智能设计方法，其特征在于整体结构功能与布局和姿态标签用于训练机械结构设计中结构布局和姿态的设计推荐方案，所述零部件结构与零部件结构数据标签用于训练机械结构零部件的设计推荐方案。
7.根据权利要求1或5所述一种多标签学习的机械结构智能设计方法，其特征在于所述智能计算推荐端是利用全连接神经网络算法模块计算推荐的整体布局和姿态方案，利用卷积神经网络算法模块计算推荐零部件及装配方案。
8.根据权利要求1或5所述一种多标签学习的机械结构智能设计方法，其特征在于所述组合模块是将设计方案的整体布局和姿态、组成结构的零部件及装配信息自动组合构成整体的设计方案。
9.根据权利要求7所述一种多标签学习的机械结构智能设计方法，其特征在于所述利用全连接神经网络算法模块计算推荐的整体布局和姿态方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为三维方案的布局和姿态的数据；
构建布局和姿态推荐网络模型；
训练网络模型至收敛；
应用网络模型，通过输入方案设计信息，自动输出三维数模的布局和姿态矩阵。
10.根据权利要求7所述一种多标签学习的机械结构智能设计方法，其特征在于所述利用卷积神经网络算法模块计算推荐零部件及装配方案的步骤包括：
构建数据集：输入为历史方案设计信息；标签为历史设计的零部件及装配方案；
构建零部件和装配方案推荐的网络模型；
训练网络模型至收敛；
应用网络模型，通过输入新的方案设计信息，自动推荐当前方案所需的零部件及装配方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211038588.0A CN115718958A (zh) | 2022-08-26 | 2022-08-26 | 一种多标签学习的机械结构智能设计系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211038588.0A CN115718958A (zh) | 2022-08-26 | 2022-08-26 | 一种多标签学习的机械结构智能设计系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115718958A true CN115718958A (zh) | 2023-02-28 |
Family
ID=85254856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211038588.0A Pending CN115718958A (zh) | 2022-08-26 | 2022-08-26 | 一种多标签学习的机械结构智能设计系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115718958A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116882033A (zh) * | 2023-09-05 | 2023-10-13 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
-
2022
- 2022-08-26 CN CN202211038588.0A patent/CN115718958A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116882033A (zh) * | 2023-09-05 | 2023-10-13 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
| CN116882033B (zh) * | 2023-09-05 | 2023-11-28 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108062569B (zh) | 一种基于红外和雷达的无人车驾驶决策方法 | |
| CN112651973A (zh) | 基于特征金字塔注意力和混合注意力级联的语义分割方法 | |
| CN113870318B (zh) | 一种基于多帧点云的运动目标检测系统和方法 | |
| CN113210911B (zh) | 基于图卷积网络的白车身点焊变形预测模型构建方法 | |
| Cheng et al. | Research status of artificial neural network and its application assumption in aviation | |
| Zhou et al. | Deep learning enabled cutting tool selection for special-shaped machining features of complex products | |
| AU2020103335A4 (en) | Distributed semisupervised extreme learning machine algorithms for horizontally and vertically partitioned data | |
| CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
| CN115718958A (zh) | 一种多标签学习的机械结构智能设计系统及其方法 | |
| CN113752255B (zh) | 一种基于深度强化学习的机械臂六自由度实时抓取方法 | |
| CN114117926A (zh) | 一种基于联邦学习的机器人协同控制算法 | |
| CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
| CN113516133A (zh) | 一种多模态图像分类方法及系统 | |
| Luo et al. | Dense-tnt: Efficient vehicle type classification neural network using satellite imagery | |
| Li et al. | RoadFormer: Duplex transformer for RGB-normal semantic road scene parsing | |
| CN113870160A (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
| Chang et al. | Differentiable architecture search with ensemble gumbel-softmax | |
| CN116662628A (zh) | 一种基于复杂薄壁零件的三维cad模型检索方法 | |
| CN114511924A (zh) | 基于自适应增广与表示学习的半监督骨骼动作识别方法 | |
| CN116245944B (zh) | 一种基于实测数据的舱段自动化对接方法及系统 | |
| CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
| CN116189054A (zh) | 基于神经网络的人机协作方法及人机协作系统 | |
| CN114299346A (zh) | 基于通道注意力的点云识别方法及系统 | |
| Xia et al. | Efficient synthesis of compact deep neural networks | |
| CN112365456B (zh) | 基于三维点云数据的变电站设备分类方法 |
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 |