CN116976208A - 一种基于机器学习的航空紧固件划分方法 - Google Patents
一种基于机器学习的航空紧固件划分方法 Download PDFInfo
- Publication number
- CN116976208A CN116976208A CN202310943974.2A CN202310943974A CN116976208A CN 116976208 A CN116976208 A CN 116976208A CN 202310943974 A CN202310943974 A CN 202310943974A CN 116976208 A CN116976208 A CN 116976208A
- Authority
- CN
- China
- Prior art keywords
- fastener
- information
- model
- parts
- dividing
- 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 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000005192 partition Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
Abstract
本发明属于飞机数字化制造技术领域,涉及一种基于机器学习的航空紧固件划分方法。本发明基于机器学习的航空紧固件划分方法,改变了零件、紧固件划分的工作模式,利用已研制型号数据训练机器学习模型辅助工艺人员进行坚固件划分,大幅减轻工艺人员工作量,缩短工艺准备时间,提升新型号飞机研制效率。
Description
技术领域
本发明涉及一种基于机器学习的航空紧固件划分方法,属于飞机数字化制造技术领域。
背景技术
根据飞机制造中的三维工艺规程编制要求,工艺规程需要展示每个紧固件的安装位置,这就需要工艺人员在编制工艺规程之前将紧固件、参考紧固件划分到相应的工艺规程配套中。依照现有的零件及标准件划分方法,工艺人员首先会创建零件工艺规程,然后根据经验将该本工艺规程需要安装的零件及紧固件依次划分,然而飞机零件中的大部分都为紧固件,有大量的紧固件需要进行划分,且更改频繁,造成紧固件划分周期较长,影响装配工艺规程编制的整体进度。
发明内容
本专利针对紧固件划分耗时较长,影响工艺规程编制效率的问题,提出使用已研制完成型号的紧固件划分数据训练机器学习模型,利用模型计算结果辅助工艺人员进行紧固件的划分,减少紧固件首次划分与更改贯彻过程中工艺人员的工作量。该方法具有效率高、数据准确高、计算机辅助程度高等特点。
本发明的技术方案如下:
一种基于机器学习的航空紧固件划分方法,步骤如下:
本发明主要分为六个步骤,如图1所示:1)整理历史型号数据,制作数据集;2)改变零件划分顺序;3)构建训练机器学习模型;4)利用机器学习模型辅助工艺人员进行紧固件划分;5)检查紧固件件划分结果;6)优化模型参数。
所述步骤1)整理已研制型号的零件、紧固件数据,主要包含紧固件属性信息、紧固件划分信息、紧固件连接信息、零件属性信息、零件划分信息。利用紧固件连接信息过滤零件,仅保留与紧固件有连接关系的零件。如图2所示,本发明在辅助工艺人员进行紧固件分工的过程中需要使用到两个机器学习模型m1,m2。其中m1模型为紧固件与所连接零件一起安装可能性的预测模型,该模型使用多输入-单输出的BP神经网络模型进行构建;m2模型为计算两个紧固件相似性的模型,首先计算计算向量差,然后将向量差作为输入,相似性作为输出,利用决策树回归模型构建。
所述步骤2)改变工艺人员划分紧固件及相关工作的工作顺序,将工艺人员工作顺序改为:创建全部工艺规程->将全部零件划分到工艺规程配套->利用机器学习模型辅助紧固件划分->人工编制工艺规程,检查误划分紧固件并更正。
所述步骤3)构建机器学习模型m1(紧固件与所连接零件一起安装可能性预测模型)、m2(紧固件相似性计算模型),使用步骤①产生的数据集进行训练优化;
所述步骤4)利用步骤③训练完成的m1、m2模型辅助工艺人员进行紧固件划分,辅助划分流程如图2所示:
4.1)判断紧固件划分处于首次划分阶段还是更改阶段,如果是首次划分执行4.2,如果是更改阶段执行4.5;
4.2)解析紧固件三维模型文件,记录紧固件与夹层中零件的关联信息;
4.3)根据4.2的解析结果将紧固件的类型、材料、尺寸信息与夹层中零件的材料、类别、尺寸信息进行连接,将连接后的信息进行数值化、归一化处理;
4.4)使用m1模型分别计算每个紧固件其关联零件一起安装的可能性,如果计算值大于阈值,则将该紧固件划分之与零件相同的工艺规程中,如果可能性小于阈值,则需要人工进行划分,从而完成紧固件划分。
4.5)以要划分的紧固件(后记为紧固件a)的重心为原点,以距离r为半径搜索已完成划分的紧固件。如果搜索到结果执行4.6,如果未搜索到结果则执行4.2;
4.6)将紧固件a的类别、尺寸、材料、连接零件的信息进行数值化、归一化处理;
4.7)使用m2模型分别计算紧固件a与搜索结果中紧固件的相似性,如果计算结果高于阈值则该紧固件划分到计算结果所对应紧固件所在的工艺规程中,从而完成紧固件划分;如果计算结果低于阈值则执行4.2。
所述步骤5)人工检查紧固件划分的正确性,并将划分不准确的紧固件重新划分,记录划分数据。
所述步骤6)利用步骤⑤产生的数据优化步骤③构建的机器学习模型参数。
本发明的有益效果是:
本发明基于机器学习的航空紧固件划分方法,改变了零件、紧固件划分的工作模式,利用已研制型号数据训练机器学习模型辅助工艺人员进行坚固件划分,大幅减轻工艺人员工作量,缩短工艺准备时间,提升新型号飞机研制效率。
附图说明
图1是基于机器学习模型划分紧固件流程图;
图2是利用机器学习辅助工艺人员进行紧固件划分流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明,本实施例是以发明技术方案为前提进行实施,给出了详细的实施方式和具体的实现过程,但是本发明的保护范围不限于下述实施实例。
具体实施步骤如下:
所述步骤1)整理已研制型号的零件、紧固件数据,主要包含紧固件属性信息、紧固件划分信息、紧固件连接信息、零件属性信息、零件划分信息。如图2所示,本发明需要构建并训练两个机器学习模型,分别为m1(紧固件与所连接零件一起安装可能性预测模型)、m2(紧固件相似性计算模型)。
通过数据分析,紧固件与连接零件是多对多的关系,紧固件会与连接零件中的至少一个或多个零件在一个工艺规程中安装,本发明将紧固件与连接零件一起安装的可能性作为紧固件的划分依据,选择紧固件的类别、尺寸、材料信息,以向量形式表示、jn=(jn1,jn2,jn3,……,jnm)生成紧固件信息数据集J={j1,j2,j3……,jn}。同理选取零件类型、尺寸等信息零件表达为lx=(lx1,lx2,lx3,……,lxy),生成零件信息数据集L={l1,l2,l3……,lx},通过紧固件与零件的连接信息过滤零件,得到结果集L′={l1,l2,l3……,lx’},使用数据集J与L′构建数据集D={d1,d2,d3……,di},其中,di=(jn′1,jn′2,jn′3,……,jn′m,lx′1,lx′2,lx′3,……,lx′y,ri),ri表示紧固件jn′与零件lx′是否一起安装,在一起安装表示为1,不在一起安装表示为0。
经上述处理后,将得到的数据集J与D进行数值化与归一化处理得到数据集J1与D1。
所述步骤2)紧固件与连接零件一起安装的可能性作是辅助紧固件首次划分过程中的重要划分依据,所以完成工艺规程创建与零件划分时辅助紧固件划分的前提。需改变工艺人员原有的工作顺序,将工艺人员工作顺序改为:创建全部工艺规程->将全部零件划分到工艺规程配套->利用机器学习模型辅助紧固件划分->人工编制工艺规程,检查误划分紧固件并更正。
所述步骤3)使用多层深度学习模型构建模型m1,预测紧固件与所连接零件在一个工艺规程中安装的可能性,使用数据集D1进行训练;在J1数据集上使用半监督学习方法训练模型m2(紧固件相似性计算模型);
所述步骤4)利用步骤③训练完成的m1、m2模型辅助工艺人员进行紧固件划分,辅助划分流程如图2所示;
所述步骤5)人工编制工艺规程内容的同时,检查紧固件划分的正确性,并将划分不准确的紧固件重新划分,记录划分数据。
所述步骤6)利用步骤⑤产生的数据优化步骤③构建的机器学习模型参数。
Claims (5)
1.一种基于机器学习的航空紧固件划分方法,其特征在于,步骤如下:
1)整理历史型号数据,制作数据集;
2)改变零件划分顺序;
3)构建训练机器学习模型;
4)利用机器学习模型辅助工艺人员进行紧固件划分;
5)检查紧固件件划分结果;
6)优化模型参数;
所述步骤1)整理已研制型号的零件、紧固件数据,主要包含紧固件属性信息、紧固件划分信息、紧固件连接信息、零件属性信息、零件划分信息;利用紧固件连接信息过滤零件,仅保留与紧固件有连接关系的零件;本发明构建并训练两个机器学习模型,分别为m1、m2;从两个模型构建角度分别选取特征并制作数据集;
所述步骤2)改变工艺人员划分紧固件及相关工作的工作顺序,将工艺人员工作顺序改为:创建全部工艺规程->将全部零件划分到工艺规程配套->利用机器学习模型辅助紧固件划分->人工编制工艺规程,检查误划分紧固件并更正;
所述步骤3)构建机器学习模型m、m2,使用步骤①产生的数据集进行训练优化;
所述步骤4)利用步骤③训练完成的模型辅助工艺人员进行紧固件划分;
所述步骤5)人工检查紧固件划分的正确性,并将划分不准确的紧固件重新划分,记录划分数据;
所述步骤6)利用步骤⑤产生的数据优化步骤③构建的机器学习模型参数。
2.如权利要求1所述的一种基于机器学习的航空紧固件划分方法,其特征在于,所述步骤4)的辅助划分流程如下:
4.1)判断紧固件划分处于首次划分阶段还是更改阶段,如果是首次划分执行4.2,如果是更改阶段执行4.5;
4.2)解析紧固件三维模型文件,记录紧固件与夹层中零件的关联信息;
4.3)根据4.2的解析结果将紧固件的类型、材料、尺寸信息与夹层中零件的材料、类别、尺寸信息进行连接,将连接后的信息进行数值化、归一化处理;
4.4)使用m1模型分别计算每个紧固件其关联零件一起安装的可能性,如果计算值大于阈值,则将该紧固件划分之与零件相同的工艺规程中,如果可能性小于阈值,则需要人工进行划分,从而完成紧固件划分;
4.5)以要划分的紧固件a的重心为原点,以距离r为半径搜索已完成划分的紧固件;如果搜索到结果执行4.6,如果未搜索到结果则执行4.2;
4.6)将紧固件a的类别、尺寸、材料、连接零件的信息进行数值化、归一化处理;
4.7)使用m2模型分别计算紧固件a与搜索结果中紧固件的相似性,如果计算结果高于阈值则该紧固件划分到计算结果所对应紧固件所在的工艺规程中,从而完成紧固件划分;如果计算结果低于阈值则执行4.2。
3.如权利要求1或2所述的一种基于机器学习的航空紧固件划分方法,其特征在于,所述步骤1)中,m1模型为紧固件与所连接零件一起安装可能性的预测模型,该模型使用多输入-单输出的BP神经网络模型进行构建;m2模型为计算两个紧固件相似性的模型,首先计算计算向量差,然后将向量差作为输入,相似性作为输出,利用决策树回归模型构建。
4.如权利要求1或2所述的一种基于机器学习的航空紧固件划分方法,其特征在于,所述步骤1)具体操作如下:将紧固件与连接零件一起安装的可能性作为紧固件的划分依据,选择紧固件的类别、尺寸、材料信息,以向量形式表示、jn={jn1,jn2,jn3,……,jnm}生成紧固件信息数据集J={j1,j2,j3……,jn};同理选取零件类型、尺寸等信息零件表达为lx=(lx1,lx2,lx3,……,lxy),生成零件信息数据集L={l1,l2,l3……,lx},通过紧固件与零件的连接信息过滤零件,得到结果集L′={l1,l2,l3……,lx’},使用数据集J与L′构建数据集D={d1,d2,d3……,di},其中,di=(jn′1,jn′2,jn′3,……,jn′m,lx′1,lx′2,lx′3,……,lx′y,ri),ri表示紧固件jn′与零件lx′是否一起安装,在一起安装表示为1,不在一起安装表示为0;
经上述处理后,将得到的数据集J与D进行数值化与归一化处理得到数据集J1与D1。
5.如权利要求3所述的一种基于机器学习的航空紧固件划分方法,其特征在于,所述步骤1)具体操作如下:将紧固件与连接零件一起安装的可能性作为紧固件的划分依据,选择紧固件的类别、尺寸、材料信息,以向量形式表示、jn=(jn1,jn2,jn3,……,jnm)生成紧固件信息数据集J={j1,j2,j3……,jn};同理选取零件类型、尺寸等信息零件表达为lx=(lx1,lx2,lx3,……,lxy),生成零件信息数据集L={l1,l2,l3……,lx},通过紧固件与零件的连接信息过滤零件,得到结果集L′={l1,l2,l3……,lx′},使用数据集J与L′构建数据集D={d1,d2,d3……,di},其中,di=(jn′1,jn′2,jn′3,……,jn′m,lx′1,lx′2,lx′3,……,lx′y,ri),ri表示紧固件jn′与零件lx′是否一起安装,在一起安装表示为1,不在一起安装表示为0;
经上述处理后,将得到的数据集J与D进行数值化与归一化处理得到数据集J1与D1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943974.2A CN116976208A (zh) | 2023-07-28 | 2023-07-28 | 一种基于机器学习的航空紧固件划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943974.2A CN116976208A (zh) | 2023-07-28 | 2023-07-28 | 一种基于机器学习的航空紧固件划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976208A true CN116976208A (zh) | 2023-10-31 |
Family
ID=88476244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943974.2A Pending CN116976208A (zh) | 2023-07-28 | 2023-07-28 | 一种基于机器学习的航空紧固件划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976208A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416137A (zh) * | 2018-03-02 | 2018-08-17 | 沈阳飞机工业(集团)有限公司 | 一种飞机制造中便于简化表达标准件划分及追踪的方法 |
CN108491376A (zh) * | 2018-03-02 | 2018-09-04 | 沈阳飞机工业(集团)有限公司 | 一种基于机器学习的工艺规程编制方法 |
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN113657757A (zh) * | 2021-08-17 | 2021-11-16 | 厦门汇银通达数字科技有限公司 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
CN113901647A (zh) * | 2021-09-24 | 2022-01-07 | 成都飞机工业(集团)有限责任公司 | 一种零件工艺规程编制方法、装置、存储介质及电子设备 |
WO2022010374A1 (ru) * | 2020-07-07 | 2022-01-13 | Владимир Юрьевич ИВАНОВ | Способ компьютерного проектирования технологических процессов механообработки высокоточных деталей |
CN114139789A (zh) * | 2021-11-23 | 2022-03-04 | 成都飞机工业(集团)有限责任公司 | 一种基于机器学习的飞机成本预测方法 |
CN114926075A (zh) * | 2022-06-02 | 2022-08-19 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
CN115048874A (zh) * | 2022-08-16 | 2022-09-13 | 北京航空航天大学 | 一种基于机器学习的飞行器设计参数预估方法 |
US20230186085A1 (en) * | 2021-12-10 | 2023-06-15 | Seiko Epson Corporation | Learning method, determining method, learning apparatus, determining apparatus, and non-transitory computer-readable storage medium storing computer program |
-
2023
- 2023-07-28 CN CN202310943974.2A patent/CN116976208A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416137A (zh) * | 2018-03-02 | 2018-08-17 | 沈阳飞机工业(集团)有限公司 | 一种飞机制造中便于简化表达标准件划分及追踪的方法 |
CN108491376A (zh) * | 2018-03-02 | 2018-09-04 | 沈阳飞机工业(集团)有限公司 | 一种基于机器学习的工艺规程编制方法 |
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
WO2022010374A1 (ru) * | 2020-07-07 | 2022-01-13 | Владимир Юрьевич ИВАНОВ | Способ компьютерного проектирования технологических процессов механообработки высокоточных деталей |
CN113657757A (zh) * | 2021-08-17 | 2021-11-16 | 厦门汇银通达数字科技有限公司 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
CN113901647A (zh) * | 2021-09-24 | 2022-01-07 | 成都飞机工业(集团)有限责任公司 | 一种零件工艺规程编制方法、装置、存储介质及电子设备 |
CN114139789A (zh) * | 2021-11-23 | 2022-03-04 | 成都飞机工业(集团)有限责任公司 | 一种基于机器学习的飞机成本预测方法 |
US20230186085A1 (en) * | 2021-12-10 | 2023-06-15 | Seiko Epson Corporation | Learning method, determining method, learning apparatus, determining apparatus, and non-transitory computer-readable storage medium storing computer program |
CN114926075A (zh) * | 2022-06-02 | 2022-08-19 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
CN115048874A (zh) * | 2022-08-16 | 2022-09-13 | 北京航空航天大学 | 一种基于机器学习的飞行器设计参数预估方法 |
Non-Patent Citations (2)
Title |
---|
徐迪: "CAPP中智能工艺决策技术研究", 《万方数据库》 * |
李汝鹏;卢鹄;梅繁;: "大型客机基于模型定义的紧固件辅助工艺设计研究与实现", 航空制造技术 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3462385A1 (en) | Sgcnn: structural graph convolutional neural network | |
CN101093559B (zh) | 一种基于知识发现的专家系统构造方法 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN111814897A (zh) | 一种基于多层次shapelet的时间序列数据分类方法 | |
CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
CN111461286A (zh) | 基于进化神经网络的Spark参数自动优化系统和方法 | |
Zhong et al. | Assembly unit partitioning for hull structure in shipbuilding | |
CN108595631A (zh) | 基于图谱理论的三维cad模型双层检索方法 | |
Formentini et al. | Conceptual Design for Assembly methodology formalization: systems installation analysis and manufacturing information integration in the design and development of aircraft architectures | |
Lin et al. | Knowledge representation and reuse model of civil aircraft structural maintenance cases | |
Wallis et al. | Data mining-supported generation of assembly process plans | |
Esmaeili et al. | Variable reduction for multi-objective optimization using data mining techniques; application to aerospace structures | |
CN116822038B (zh) | 基于数据驱动的异型封闭加筋拓扑优化方法 | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN110990907B (zh) | 基于特征-资源知识的船用柴油机关重件可制造性三级优化方法 | |
CN117010275A (zh) | 一种基于多相似实例的零件加工工艺重用修正方法 | |
CN116976208A (zh) | 一种基于机器学习的航空紧固件划分方法 | |
CN106649551A (zh) | 基于cbr有限元模板的检索方法 | |
CN110674631A (zh) | 一种基于版本提交信息的软件缺陷自动分派方法及系统 | |
WO2020167316A1 (en) | Machine learning-based generative design for process planning | |
CN112306730B (zh) | 基于历史项目伪标签生成的缺陷报告严重程度预测方法 | |
CN112487717B (zh) | 一种船用柴油机关键件的可制造性智能评价方法 | |
CN114897193A (zh) | 一种基于人在回路的飞机结构维修决策方法及决策系统 | |
JP7343348B2 (ja) | プログラミング支援装置及びプログラミング支援方法 | |
Sudjianto et al. | Single-index model tree |
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 |