CN116229116A - 一种基于相似零件的工艺复用加工方法、系统及电子设备 - Google Patents
一种基于相似零件的工艺复用加工方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116229116A CN116229116A CN202310220018.1A CN202310220018A CN116229116A CN 116229116 A CN116229116 A CN 116229116A CN 202310220018 A CN202310220018 A CN 202310220018A CN 116229116 A CN116229116 A CN 116229116A
- Authority
- CN
- China
- Prior art keywords
- target part
- features
- similar
- processing
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 180
- 230000008569 process Effects 0.000 title claims abstract description 123
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000003754 machining Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
本说明书公开了一种基于相似零件的工艺复用加工方法、系统及电子设备,能够快速准确地确定出加工目标零件需要的复用工艺,实施效率高、成本低、实用性强。所述方法包括:从工艺规则库中选取确定与所述目标零件相应的相似零件;对所述目标零件及相应的所述相似零件进行特征分解配准,确定与所述目标零件的多个子特征相匹配的相似特征;将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。所述系统包括相似零件确定模块、特征分解配准模块及工艺复用加工模块。所述电子设备中的处理器用于执行所述基于相似零件的工艺复用加工方法。
Description
技术领域
本发明涉及机械制造加工工艺设计技术领域,具体涉及一种基于相似零件的工艺复用加工方法、系统及电子设备。
背景技术
随着CAD/CAM系统的不断发展和广泛应用,大量的数字化三维CAD模型及关联的工艺数据/知识不断地生成并存储在企业的数据/知识库中。对于企业来说,制造产品并不是完全独立的,新旧产品的结构设计和数控工艺等方面具有一定的相似性和继承性。如何利用已经设计好的数控加工案例,在相似件上有效复用特征与工艺进行自动加工,节约工程师时间,对促进数控加工甚至整个制造业工艺设计的一致性与高效性、提高产品开发效率和质量、缩短生产准备周期具有重要意义。
在一些相关技术中,采用特征识别加工艺决策的方式实现工艺复用,首先对需要加工的给定零件进行特征识别,在过往的工艺规则库中检索与给定零件中特征对应的加工工艺方案、参数,最后根据加工方案、参数自动生成工艺程序组。这样的方式,难以对复杂零件特征进行精准有效识别,工艺决策过程中所用到的工艺规则库覆盖面有限,仍然需要较大程度的人工介入,方案实施效率较低、实用性差。
发明内容
有鉴于此,本说明书实施例提供了一种基于相似零件的工艺复用加工方法、系统及电子设备,能够快速准确地确定出加工目标零件需要的复用工艺,方案实施效率高、成本低、实用性强。
根据第一方面,本说明书实施例提供了一种基于相似零件的工艺复用加工方法,所述方法包括:
通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件;
通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征;
将多个所述相似特征的加工工艺(元素)映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
可选的,所述工艺规则库中包括多个所述历史零件相应的结构拓扑图与加工工艺集;
所述结构拓扑图包括多个结构拓扑子图;
所述加工工艺集包括多个加工工艺,多个所述加工工艺与多个所述结构拓扑子图相对应。
可选的,通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,包括:
确定所述目标零件的结构拓扑图;
计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度;
根据所述相似度从多个所述历史零件中选取确定所述相似零件。
可选的,计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度,包括:
利用图卷积神经网络的注意力网络层分别计算所述目标零件、所述历史零件对应的所述结构拓扑图的节点嵌入向量;
以所述目标零件、所述历史零件相应的所述节点嵌入向量为输入,利用所述图卷积神经网络的全连接网络层计算所述目标零件与所述历史零件对应的所述结构拓扑图之间的所述相似度。
可选的,利用图卷积神经网络的注意力网络层分别计算所述目标零件、所述历史零件对应的所述结构拓扑图的节点嵌入向量,包括:
所述节点嵌入向量:
其中,h表示注意力机制作用下的所述节点嵌入向量,N表示所述结构拓扑图中的节点总数,um,un分别表示第m,n个节点的嵌入,σ为sigmoid函数,W表示所述图卷积神经网络中所述注意力网络层相应的权重矩阵。
可选的,通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征,包括:
将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征;
通过将所述目标零件的多个所述特征子图与所述相似零件对应的多个所述结构拓扑子图进行对比匹配,确定与多个所述特征子图相对应的所述结构拓扑子图作为所述相似特征。
可选的,将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征,包括:
利用预训练的图卷积神经网络针对所述目标零件的所述结构拓扑图进行处理,从所述结构拓扑图中预测并分割成多个所述特征子图。
可选的,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产,包括:
根据多个所述子特征对应的所述加工工艺生成加工流程,对所述加工流程中多个加工工艺的工艺参数进行调整;
在调整工艺参数后,基于所述加工流程对所述目标零件进行加工生产。
在第二方面,本说明书实施例还提供了一种基于相似零件的工艺复用加工系统,所述系统包括:
相似零件确定模块,用于将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件;
特征分解配准模块,用于对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征;
工艺复用加工模块,用于将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
在第三方面,本说明书实施例还提供了一种基于相似零件的工艺复用加工电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的方法。
从上面可以看出,本说明书实施例所提供的一种基于相似零件的工艺复用加工方法、系统及电子设备,具有如下的有益技术效果:
所述基于相似零件的工艺复用加工方法、系统及电子设备,通过将目标零件与工艺规则库中的多个历史零件进行对比选取确定相似零件,通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征,最后将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。这样的方式以基于相似零件的思路为所述目标零件确定有效对应的复用工艺,能够快速准确地确定出加工目标零件需要的复用工艺,方案实施效率高、成本低、实用性强。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工方法示意图;
图2示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工方法中确定相似零件的方法示意图;
图3示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工方法中确定目标零件的结构拓扑图与历史零件的结构拓扑图之间的相似度的方法示意图;
图4示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工方法中在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征的方法示意图;
图5示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统结构示意图;
图6示出了本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工电子设备结构示意图。
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。基于本发明中的实施例,本领域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。
随着CAD/CAM系统的不断发展和广泛应用,大量的数字化三维CAD模型及关联的工艺数据/知识不断地生成并存储在企业的数据/知识库中。对于企业来说,制造产品并不是完全独立的,新旧产品的结构设计和数控工艺等方面具有一定的相似性和继承性。如何利用已经设计好的数控加工案例,在相似件上有效复用特征与工艺进行自动加工,节约工程师时间,对促进数控加工甚至整个制造业工艺设计的一致性与高效性、提高产品开发效率和质量、缩短生产准备周期具有重要意义。
在一些相关技术中,采用特征识别加工艺决策的方式实现工艺复用,首先对需要加工的给定零件进行特征识别,在过往的工艺规则库中检索与给定零件中特征对应的加工工艺方案、参数,最后根据加工方案、参数自动生成工艺程序组。这样的方式,难以对复杂零件特征进行精准有效识别,工艺决策过程中所用到的工艺规则库覆盖面有限,仍然需要较大程度的人工介入,方案实施效率较低、实用性差。这样的方式,实现对特征精准识别的难度很大,采用图匹配等算法耗时较长,而且对于复杂交叉特征(如多个孔相互交叉,开放槽与各种特征复合在一起等)难以识别,并且需要人工对每种特征制作模板,耗时耗力还难以全部识别,对于相似零件上的特征工艺复用也只能够复用简单特征。并且实际情况中工艺规则库覆盖面有限,工艺决策对于千差万别的复杂交叉特征,不可能为每一种情况都设置复杂的规则表,面对复杂特征,即使能够成功识别也需要工艺人员进行人工CAM编程,人需要很大程度的人工介入。因此方案实施效率较低、成本较高、实用性差。
针对上述问题,本说明书实施例技术方案的目的在于提出一种基于相似零件的工艺复用加工方法,提出了基于相似零件的工艺复用方案,能够针对目标零件快速确定相似零件并基于相似零件确定出高可用性的复用工艺,方案实施效率高、成本低、实用性强。
基于上述目的,在一方面,本说明书实施例提供了一种基于相似零件的工艺复用加工方法。
如图1所示,本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工方法,包括:
S1:通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件。
所述工艺规则库中包括多个所述历史零件的零件模型以及相应的结构拓扑图与加工工艺集,所述加工工艺集是指在加工所述历史零件过程中所用到的多个加工工艺所组成的几何。
所述结构拓扑图包括多个节点,每个节点表示对应零件模型中的一个最小拓扑单元,即点、线、面,每个节点具有相应的属性,属性为每个拓扑单元带有的几何(长度、曲率等)或工艺属性(公差等级等)。所述结构拓扑图中的边为每个节点之间的连接关系,即当两个节点之间存在边,则表示他们是相连的,即空间几何相邻的。
所述结构拓扑图可以拆分为多个结构拓扑投子图,多个结构拓扑子图与所述加工工艺集中的多个所述加工工艺相对应。
可以通过结构拓扑图的相似程度来衡量相对应的零件之间的相似程度,从而从多个历史零件中选取相似零件。如图2所示,作为具体实施方式,通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件的方法,可以包括以下步骤:
S201:确定所述目标零件的结构拓扑图。
在加工工艺设计技术领域中,工件模型可以在CAD/CAM等设计软件中展示,利用这些设计软件可以较为方便地导出所述目标零件的所述结构拓扑图。
S202:计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度。
计算所述目标零件对应的所述结构拓扑图与所述历史零件对应的所述结构拓扑图之间的相似度,可以对两拓扑图进行拓扑特征分析,基于拓扑特征计算确定二者间的拓扑结构的相似度;或者可以计算两拓扑图间的图编辑距离还衡量二者的相似度;还可以利用计算机视觉算法计算确定两拓扑图的相似度。
如图3所示,为本说明书实施例中计算确定结构拓扑图间相似度的方法示意图。作为具体的实施方式,可以采用以下方案计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度:
S301:利用图卷积神经网络的注意力网络层分别计算所述目标零件、所述历史零件对应的所述结构拓扑图的节点嵌入向量。
所述节点嵌入向量:
其中,h表示注意力机制作用下的所述节点嵌入向量,N表示所述结构拓扑图中的节点总数,um,un分别表示第m,n个节点的嵌入,σ为sigmoid函数,W表示所述图卷积神经网络中所述注意力网络层相应的权重矩阵。
S302:以所述目标零件、所述历史零件相应的所述节点嵌入向量为输入,利用所述图卷积神经网络的全连接网络层计算所述目标零件与所述历史零件对应的所述结构拓扑图之间的所述相似度。
将所述目标零件对应的所述结构拓扑图的所述节点嵌入向量hi,以及所述历史零件对应的所述结构拓扑图的所述节点嵌入向量hj作为所述全连接网络层的输入,计算确定节点嵌入向量hi,hj之间的相似度得分,即为相应的所述结构拓扑图之间的相似度,也可以作为所述目标零件与所述历史零件之间的相似度。
S203:根据所述相似度从多个所述历史零件中选取确定所述相似零件。
在确定所述目标零件相对多个所述历史零件的相似度之后,可以根据所述相似度从多个所述历史零件中选取确定所述相似零件。例如可以选取相似度最高的所述历史零件作为所述相似零件;还可以设置相似度阈值,将相似度超过所述相似度阈值的一个或多个所述历史零件作为所述相似零件;或者,可以按照所述相似度对多个所述历史零件进行排序,选取排名靠前的多个所述历史零件作为所述相似零件。
S2:通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征。
可以将所述目标零件相应的所述结构拓扑图拆分成多个子图作为所述目标零件的子特征,与之相对应的所述相似零件相应的所述结构拓扑图可以拆分为多个结构拓扑子图,之后可以分别将所述目标零件的多个子图与所述相似零件的多个所述结构拓扑子图进行对比匹配,以实现特征配准。
如图4所示,为本说明书实施例中在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征的方法示意图。作为具体的实施方式,通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征的方法可以包括以下步骤:
S401:将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征。
在一些可选实施例中,可以利用预训练的图卷积神经网络针对所述目标零件的所述结构拓扑图进行处理,从所述结构拓扑图中预测并分割成多个所述特征子图。
采用基于图卷积神经网络(Graph Convolutional Network,GCN)的特征子图分割算法,可以对结构拓扑图的节点以及子图提取节点嵌入并聚合为图嵌入的特征,并与遗传算法相结合,实现能够从目标零件的拓扑结构图中预测并分割特征子图的功能。
S402:通过将所述目标零件的多个所述特征子图与所述相似零件对应的多个所述结构拓扑子图进行对比匹配,确定与多个所述特征子图相对应的所述结构拓扑子图作为所述相似特征。
将所述目标零件的多个所述特征子图与所述相似零件对应的多个所述结构拓扑子图进行对比匹配时,可以采用子图匹配算法将二者进行对其配准,确定所述目标零件的多个所述特征子图与所述相似零件的多个所述结构拓扑子图间的对应关系。
所述对应关系可以包括相似、全等以及未配对。在所述相似零件中与所述目标零件的所述特征子图间关系为相似或全等关系的所述结构拓扑子图,可以作为所述特征子图对应的所述相似特征。
S3:将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
可以根据多个所述子特征对应的所述加工工艺生成加工流程,对所述加工流程中多个加工工艺的工艺参数进行调整;在调整工艺参数后,基于所述加工流程对所述目标零件进行加工生产。
所述基于相似零件的工艺复用加工方法、系统及电子设备,通过将目标零件与工艺规则库中的多个历史零件进行对比选取确定相似零件,通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征,最后将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。这样的方式以基于相似零件的思路为所述目标零件确定有效对应的复用工艺,能够快速准确地确定出加工目标零件需要的复用工艺,方案实施效率高、成本低、实用性强。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本说明书实施例还提供了一种基于相似零件的工艺复用加工系统。
参考图5,所述基于相似零件的工艺复用加工系统,包括:
相似零件确定模块,用于将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件;
特征分解配准模块,用于对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征;
工艺复用加工模块,用于将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述工艺规则库中包括多个所述历史零件相应的结构拓扑图与加工工艺集;所述结构拓扑图包括多个结构拓扑子图;所述加工工艺集包括多个加工工艺,多个所述加工工艺与多个所述结构拓扑子图相对应。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述相似零件确定模块,还用于确定所述目标零件的结构拓扑图;计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度;根据所述相似度从多个所述历史零件中选取确定所述相似零件。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述相似零件确定模块,还用于利用图卷积神经网络的注意力网络层分别计算所述目标零件、所述历史零件对应的所述结构拓扑图的节点嵌入向量;以所述目标零件、所述历史零件相应的所述节点嵌入向量为输入,利用所述图卷积神经网络的全连接网络层计算所述目标零件与所述历史零件对应的所述结构拓扑图之间的所述相似度。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述相似零件确定单元计算确定所述节点嵌入向量的方法,包括:
所述节点嵌入向量:
其中,h表示注意力机制作用下的所述节点嵌入向量,N表示所述结构拓扑图中的节点总数,um,un分别表示第m,n个节点的嵌入,σ为sigmoid函数,W表示所述图卷积神经网络中所述注意力网络层相应的权重矩阵。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述特征分解配准模块,还用于将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征;将所述目标零件的多个所述特征子图与所述相似零件对应的多个所述结构拓扑子图进行对比匹配;根据对比匹配结果确定与多个所述特征子图相对应的所述结构拓扑子图作为所述相似特征。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述特征分解配准模块,还用于利用预训练的图卷积神经网络针对所述目标零件的所述结构拓扑图进行处理,从所述结构拓扑图中预测并分割成多个所述特征子图。
在本说明书一个或多个可选实施例所提供的一种基于相似零件的工艺复用加工系统中,所述工艺复用加工模块,还用于根据多个所述子特征对应的所述加工工艺生成加工流程,对所述加工流程中多个加工工艺的工艺参数进行调整;在调整工艺参数后,基于所述加工流程对所述目标零件进行加工生产。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的基于相似零件的工艺复用加工方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于相似零件的工艺复用加工方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于相似零件的工艺复用加工方法,其特征在于,所述方法包括:
通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件;
通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征;
将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
2.根据权利要求1所述的方法,其特征在于,所述工艺规则库中包括多个所述历史零件相应的结构拓扑图与加工工艺集;
所述结构拓扑图包括多个结构拓扑子图;
所述加工工艺集包括多个加工工艺,多个所述加工工艺与多个所述结构拓扑子图相对应。
3.根据权利要求2所述的方法,其特征在于,通过将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,包括:
确定所述目标零件的结构拓扑图;
计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度;
根据所述相似度从多个所述历史零件中选取确定所述相似零件。
4.根据权利要求3所述的方法,其特征在于,计算确定所述目标零件的结构拓扑图与所述工艺规则库中多个所述历史零件的结构拓扑图之间的相似度,包括:
利用图卷积神经网络的注意力网络层分别计算所述目标零件、所述历史零件对应的所述结构拓扑图的节点嵌入向量;
以所述目标零件、所述历史零件相应的所述节点嵌入向量为输入,利用所述图卷积神经网络的全连接网络层计算所述目标零件与所述历史零件对应的所述结构拓扑图之间的所述相似度。
6.根据权利要求2所述的方法,其特征在于,通过对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征,包括:
将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征;
将所述目标零件的多个所述特征子图与所述相似零件对应的多个所述结构拓扑子图进行对比匹配;
根据对比匹配结果确定与多个所述特征子图相对应的所述结构拓扑子图作为所述相似特征。
7.根据权利要求6所述的方法,其特征在于,将所述目标零件的所述结构拓扑图拆分为多个特征子图作为所述目标零件的所述子特征,包括:
利用预训练的图卷积神经网络针对所述目标零件的所述结构拓扑图进行处理,从所述结构拓扑图中预测并分割成多个所述特征子图。
8.根据权利要求1所述的方法,其特征在于,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产,包括:
根据多个所述子特征对应的所述加工工艺生成加工流程,对所述加工流程中多个加工工艺的工艺参数进行调整;
在调整工艺参数后,基于所述加工流程对所述目标零件进行加工生产。
9.一种基于相似零件的工艺复用加工系统,其特征在于,所述系统包括:
相似零件确定模块,用于将目标零件与工艺规则库中的多个历史零件进行对比,从所述工艺规则库中选取确定与所述目标零件相应的相似零件,所述目标零件为给定的待加工零件;
特征分解配准模块,用于对所述目标零件及相应的所述相似零件进行特征分解配准,在所述相似零件中确定与所述目标零件的多个子特征相匹配的相似特征;
工艺复用加工模块,用于将多个所述相似特征的加工工艺映射至所述目标零件中的多个所述子特征,根据多个所述子特征对应的所述加工工艺对所述目标零件进行加工生产。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310220018.1A CN116229116A (zh) | 2023-03-08 | 2023-03-08 | 一种基于相似零件的工艺复用加工方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310220018.1A CN116229116A (zh) | 2023-03-08 | 2023-03-08 | 一种基于相似零件的工艺复用加工方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116229116A true CN116229116A (zh) | 2023-06-06 |
Family
ID=86578459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310220018.1A Pending CN116229116A (zh) | 2023-03-08 | 2023-03-08 | 一种基于相似零件的工艺复用加工方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229116A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612145A (zh) * | 2023-12-15 | 2024-02-27 | 上海青翼工业软件有限公司 | 一种零件自动加工方法、装置、计算机设备及存储介质 |
-
2023
- 2023-03-08 CN CN202310220018.1A patent/CN116229116A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612145A (zh) * | 2023-12-15 | 2024-02-27 | 上海青翼工业软件有限公司 | 一种零件自动加工方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400555B (zh) | 图数据查询任务处理方法、装置、计算机设备和存储介质 | |
JP2018022476A (ja) | モフォロジー基準によるデータベースの照会 | |
CN112583620B (zh) | 网络拓扑图生成方法、装置、电子设备和存储介质 | |
CN116229116A (zh) | 一种基于相似零件的工艺复用加工方法、系统及电子设备 | |
CN109981311B (zh) | 图布局的实现方法及装置 | |
CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
WO2015148332A1 (en) | Intelligent chamfer recognition in cad models | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
CN116304227A (zh) | 一种零件加工工艺复用方法、系统及电子设备 | |
CN115997213A (zh) | 计算机辅助设计(cad)组件的约束的基于机器学习的生成 | |
KR102239588B1 (ko) | 이미지 처리 방법 및 장치 | |
CN107567641B (zh) | 用于识别复制品的系统和方法 | |
CN105740313B (zh) | 设计等值域图 | |
WO2020142251A1 (en) | Prediction for time series data using a space partitioning data structure | |
CN113903016B (zh) | 分岔点检测方法、装置、计算机设备和存储介质 | |
CN110325984B (zh) | 在图形中进行层次社区检测的系统和方法 | |
KR101235506B1 (ko) | 초기 클러스터링을 사용한 병합식 계층적 클러스터링 방법 및 장치 | |
CN114429801A (zh) | 数据处理方法、训练方法、识别方法、装置、设备及介质 | |
JP6713099B2 (ja) | 学習済モデル統合方法、装置、プログラム、icチップ、及びシステム | |
CN111723247A (zh) | 基于图的假设计算 | |
US20230252207A1 (en) | Method and system for generating a geometric component using machine learning models | |
CN116152277B (zh) | 一种地图分割方法、装置、电子设备及介质 | |
CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
CN115358379B (zh) | 神经网络处理、信息处理方法、装置和计算机设备 |
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 |