CN110298066B - 一种标准斜楔智能匹配方法 - Google Patents

一种标准斜楔智能匹配方法 Download PDF

Info

Publication number
CN110298066B
CN110298066B CN201910400747.9A CN201910400747A CN110298066B CN 110298066 B CN110298066 B CN 110298066B CN 201910400747 A CN201910400747 A CN 201910400747A CN 110298066 B CN110298066 B CN 110298066B
Authority
CN
China
Prior art keywords
solution
constraint
installation
standard
vector
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
Application number
CN201910400747.9A
Other languages
English (en)
Other versions
CN110298066A (zh
Inventor
张福
宋和立
李恒
许号全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Digital Analog Code Technology Co ltd
Original Assignee
Chengdu Digital Analog Code Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Digital Analog Code Technology Co ltd filed Critical Chengdu Digital Analog Code Technology Co ltd
Priority to CN201910400747.9A priority Critical patent/CN110298066B/zh
Publication of CN110298066A publication Critical patent/CN110298066A/zh
Application granted granted Critical
Publication of CN110298066B publication Critical patent/CN110298066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • 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)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种标准斜楔智能匹配方法，包括如下步骤：A、输入功能性元素；B、提取特征元素计算信息；C、深度优先搜索，计算解矢量；D、根据数据结构,建立矢量容器,存放先前搜索的解矢量,建立各个解矢量的索引地址；E、访问当前解特征；F、输入安装性元素，提取安装环境的约束条件；G、蚁群算法求解满足时间步长或迭代次数的优化解；H、实例化空间安装状态参数，得到最终产品方案。本发明提高设计效率和合理性的同时，***将以极快的速度和效率进行学习和知识积累，可以更快更好地输出设计结果。

Description

一种标准斜楔智能匹配方法
技术领域
本发明涉及涉及智能模具设计与制造技术，特别涉及一种标准斜楔智 能匹配方法。
背景技术
现有模具设计技术中，对于斜楔的模具设计，尚没有特定的方案。一 般是设计人员根据模具的整体情况，通过肉眼观察和主观判定，对斜楔上 各元素进行形位尺寸计算和匹配，需要进行大量的相似计算，然后通过大 量的修改得出合理的设计结果。因此，目前斜楔的设计具有工作重复性高、 设计效率低。
发明内容
有鉴于此，本发明的目的在于提供一种标准斜楔智能匹配方法，以通 过自动识别设计元素、自动计算形位尺寸、自动交互零件间关系实现标准 斜楔的智能设计。
根据本发明的一个方面，提供了一种标准斜楔智能匹配方法，其特征 在于，包括如下步骤：
A、输入功能性元素；
B、提取特征元素计算信息；
C、深度优先搜索，计算解矢量；
D、根据数据结构,建立矢量容器,存放先前搜索的解矢量,建立各个解 矢量的索引地址；
E、访问当前解特征；
F、输入安装性元素，提取安装环境的约束条件；
G、蚁群算法求解满足时间步长或迭代次数的优化解；
H、实例化空间安装状态参数，得到最终产品方案。
在一些实施方式中，步骤A所述功能性输入元素包括：上级计算的工 作特征线区域约束、标准CAM方位约束、标准CAM外部属性信息、标准CAM 安装面的安装形态。
在一些实施方式中，步骤B所述提取特征元素计算信息，具体为：将 特征线区域按最小矩形拟合；提取工作的方位矢量及安装平面的安装矢量； 提取特征区域宽度约束数值、高度约束数值、力量约束数值。
在一些实施方式中，步骤C所述深度优先搜索，计算解矢量；具体为： 定义约束条件变量，为每个约束设置不同的权重，建立匹配度函数，以约 束条件变量和权重进行匹配计算得到解矢量。
在一些实施方式中，所述约束条件变量包括场景使用约束、成本约束、 时间约束、安装约束。
在一些实施方式中，步骤E所述访问当前解特征；具体为：通过解矢 量找到对应的主键及虚拟模型数据云，优先提取虚拟模型相应的一组特性 信息，对特征信息进行筛选和插值操作，对离散的每一段用最小二乘法拟 合成低阶的计算几何，从而简化特征，加快算法收敛速度。
在一些实施方式中，步骤F所述安装环境的约束条件包括尺寸范围、 最大可容许变化量区域、区域最小安全量、特征约束曲线。
在一些实施方式中，步骤G所述蚁群算法求解满足时间步长或迭代次 数的优化解，具体为：带入安装环境约束参数通过动态规划求出关键因素 的安装平行解集，通过概率统计求出随机影响因素的分布特点，从平行解 中找出满足时间步长或迭代次数的优化解。
在一些实施方式中，标准斜楔智能匹配方法还包括步骤I、训练模型, 记录当前合理解矢量，更新记忆禁忌表。
在一些实施方式中，步骤H所述实例化空间安装状态参数，得到最终 产品方案，具体为：根据解矢量构造特征变换矩阵，实例化特征数据到空 间选择位置，建立分布标识，聚合标识，ID更新等索引查询。
本发明的标准斜楔智能匹配方法，具有如下有益效果：
1)相对于人工设计：大量消除设计人员的重复劳动，提高设计效率。 可以更快地验证产品(及产品工艺)设计的正确性。
2)相对于传统设计：输入元素的改变牵一发而动全身，只需带入替 换、计算、更新即可，无需另起炉灶，费时费力。
3)自身学习和升级的能力：不需要人工试错，提高设计效率和合理 性的同时，***将以极快的速度和效率进行学习和知识积累，可以更快更 好地输出设计结果。
附图说明
图1为本发明一实施方式的一种标准斜楔智能匹配方法的流程示意图。
具体实施方式
下面结合附图对发明作进一步详细的说明。
图1示意性地显示了根据本发明的一种实施方式的一种标准斜楔智能 匹配方法。
参照图1，一种标准斜楔智能匹配方法包括如下步骤：
步骤101：输入功能性元素；步骤A所述功能性输入元素包括：上级计 算的工作特征线区域约束、标准CAM(computer Aided Manufacturing，计 算机辅助制造)方位约束、标准CAM外部属性信息、标准CAM安装面的安装 形态等。
步骤102：提取特征元素计算信息；工作特征线区域常常含有多个域, 每个域由细分的曲线段组成,将特征线区域按最小矩形拟合；提取工作的方 位矢量及安装平面的安装矢量；提取特征区域宽度约束数值、高度约束数 值、力量约束数值。
步骤103：深度优先搜索，计算解矢量；定义约束条件变量Xi，为每 个约束设置不同的权重，建立匹配度函数，以约束条件变量和权重进行匹 配计算得到解矢量。
所述约束条件变量包括X1场景使用约束、X2成本约束、X3时间约束、 X4安装约束。为每个约束设置不同的权重Wi(W1,W2,W3,W4),其值初始大小 来源于数理统计,例如:使用频率,实时价格等波动因素建立匹配度函 数:theta＝f(X1,X2,X3,X4,W1,W2,W3,W4,Orders)
Orders＝f(X,Y)
X＝{X1,X2,X3,X4}频率相关参数
Y＝{Y1,Y2,Y3,Y4}价格相关参数
theta-返回状态变量；Orders-当前解矢量。
可通过最速下降法或Newton法求出极值解，当解空间无解时，可执行 步骤111逐步释放次要约束,修改权重比例。返回步骤101继续迭代。
步骤104：根据数据结构,建立矢量容器,存放先前搜索的解矢量,建立 各个解矢量的索引地址；
步骤105：访问当前解特征；通过解矢量找到对应的主键及虚拟模型数 据云，优先提取虚拟模型相应的一组特性信息，对特征信息进行筛选和插 值操作，对离散的每一段用最小二乘法拟合成低阶的计算几何，从而简化 特征，加快算法收敛速度。所述计算几何为简化模型离散之后的包裹体。
步骤106：输入安装性元素，提取安装环境的约束条件；所述安装环境 的约束条件包括尺寸范围、最大可容许变化量区域、区域最小安全量、特 征约束曲线。
步骤107：蚁群算法求解满足时间步长或迭代次数的优化解；在模型中 带入安装性元素，安装环境约束参数通过动态规划求出关键因素的安装平 行解集，通过概率统计求出随机影响因素的分布特点，从平行解中找出满 足时间步长或迭代次数的优化解。
为平行解解设置初始信息量τ，构建状态转移概率公式为：
Figure 1
选择平行解中的一个节点作为起始节点训练模型，通过信息素的不断 更新达到最终收敛于最优解上，信息素更新方程为：
Figure BDA0002059667150000052
m——蚂蚁个数；n——结点(顶点)个数；
ηij——边弧(i，j)的能见度(visibility)，或称局部启发因子 ，一般取1/dij，dij表示路径(i，j)之间的长度；(由城市i转移到 城市j的可见度亦称启发信息)
τij——边弧(i，j)的信息素轨迹强度(intensity)；
Figure BDA0002059667150000053
——蚂蚁k于弧上(i，j)留下的单位长度轨迹信息素数量；
Figure BDA0002059667150000054
——蚂蚁k在结点的转移概率，j足尚未访问结点；
α——信息素轨迹的相对重要性(α≥0)；
β——边弧能见度的相对重要性(β≥0)；
ρ——信息素轨迹的持久性(0≤ρ≤1)，1-ρ可理解为轨迹 衰减度(evaporation)；
Q——体现蚂蚁所留轨迹数量的一个常数；
U——可行结点集合；
Figure BDA0002059667150000061
——为第k只蚂蚁在第结点i出发下一步的可行结点集；
tabu(k)——一个列表，用于记录第k只蚂蚁到目前为止已经访 问的城市。
通过已有的标签化训练样本去训练得到一个最优模型，在当前使用环 境下建立评价机制，产生一个推断功能，获取评价函数下较佳解即为全局 最优解。
还包括步骤109训练模型，记录当前合理解矢量，更新记忆禁忌表；在 求取安装平行解集过程中，以前合理解矢量更新记忆禁忌表，返回步骤104 继续迭代，计算下一个解矢量。
步骤108：实例化空间安装状态参数，得到最终产品方案。以最优模型 进行实例化，根据解矢量构造特征变换矩阵，实例化特征数据到空间选择 位置，建立分布标识，聚合标识，ID更新等索引查询。得到可视化产品模 型和最佳产品方案。
本发明通过对标斜楔内各参数结合约束条件进行匹配计算及优化设 计，并自动进行计算模型的训练和优化，最终得到标斜楔模具的优化解决 方案。所有设计过程不需要人工去识别和设计计算，能适应设计环境的复 杂性，大大提高了工作效率和设计的精准性。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员 来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进， 这些都属于发明的保护范围。

Claims (8)

1.一种标准斜楔智能匹配方法，其特征在于，包括如下步骤： A、输入功能性元素；所述功能性元素包括：上级计算的工作特征线区域约束、标准CAM方位约束、标准CAM外部属性信息、标准CAM安装面的安装形态； B、提取特征元素计算信息；所述提取特征元素计算信息，具体为：将特征线区域按最小矩形拟合；提取工作的方位矢量及安装平面的安装矢量；提取特征区域宽度约束数值、高度约束数值、力量约束数值； C、深度优先搜索，计算解矢量； D、根据数据结构,建立矢量容器,存放先前搜索的解矢量,建立各个解矢量的索引地址； E、访问当前解特征； F、输入安装性元素，提取安装环境的约束条件； G、蚁群算法求解满足时间步长或迭代次数的优化解； H、实例化空间安装状态参数，得到最终产品方案。
2.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，步骤C所述深度优先搜索，计算解矢量；具体为：定义约束条件变量，为每个约束设置不同的权重，建立匹配度函数，以约束条件变量和权重进行匹配计算得到解矢量。
3.根据权利要求2所述的一种标准斜楔智能匹配方法，其特征在于，所述约束条件变量包括场景使用约束、成本约束、时间约束、安装约束。
4.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，步骤E所述访问当前解特征；具体为：通过解矢量找到对应的主键及虚拟模型数据云，优先提取虚拟模型相应的一组特性信息，对特征信息进行筛选和插值操作，对离散的每一段用最小二乘法拟合成低阶的计算几何，从而简化特征，加快算法收敛速度。
5.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，步骤F所述安装环境的约束条件包括尺寸范围、最大可容许变化量区域、区域最小安全量、特征约束曲线。
6.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，步骤G所述蚁群算法求解满足时间步长或迭代次数的优化解，具体为：带入安装环境约束参数通过动态规划求出关键因素的安装平行解集，通过概率统计求出随机影响因素的分布特点，从平行解中找出满足时间步长或迭代次数的优化解。
7.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，还包括步骤I、训练模型,记录当前合理解矢量，更新记忆禁忌表。
8.根据权利要求1所述的一种标准斜楔智能匹配方法，其特征在于，步骤H所述实例化空间安装状态参数，得到最终产品方案，具体为：根据解矢量构造特征变换矩阵，实例化特征数据到空间选择位置，建立分布标识，聚合标识，ID更新等索引查询。
CN201910400747.9A 2019-05-15 2019-05-15 一种标准斜楔智能匹配方法 Active CN110298066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910400747.9A CN110298066B (zh) 2019-05-15 2019-05-15 一种标准斜楔智能匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910400747.9A CN110298066B (zh) 2019-05-15 2019-05-15 一种标准斜楔智能匹配方法

Publications (2)

Publication Number Publication Date
CN110298066A CN110298066A (zh) 2019-10-01
CN110298066B true CN110298066B (zh) 2023-04-18

Family

ID=68026800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910400747.9A Active CN110298066B (zh) 2019-05-15 2019-05-15 一种标准斜楔智能匹配方法

Country Status (1)

Country Link
CN (1) CN110298066B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5969973A (en) * 1994-11-09 1999-10-19 Amada Company, Ltd. Intelligent system for generating and executing a sheet metal bending plan
GB2424304A (en) * 2005-03-18 2006-09-20 Lightuning Tech Inc Generating non-overlapping partial fingerprints with a sweep sensor
EP2365440A1 (en) * 2010-03-12 2011-09-14 Xmos Ltd Program flow route constructor
WO2018130820A1 (en) * 2017-01-12 2018-07-19 University Of Bath Generating an object representation to be manufactured
CN108333937A (zh) * 2018-02-02 2018-07-27 江苏师范大学 一种用于多轴联动机床的轮廓加工方法
CN108628260A (zh) * 2017-03-20 2018-10-09 浙江巨星工具有限公司 基于机器人的多品种工具成套设备及自动装配工艺
CN109164815A (zh) * 2018-09-06 2019-01-08 中国计量大学 一种基于改进蚁群算法的自主水下航行器路径规划方法
CN109388875A (zh) * 2018-09-05 2019-02-26 重庆创速工业有限公司 一种弹性元件模块的设计实现方法
CN109597355A (zh) * 2018-11-02 2019-04-09 南京航空航天大学 曲面微织构数控加工刀轴矢量的设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7328074B2 (en) * 2002-12-02 2008-02-05 United Technologies Corporation Real-time quadratic programming for control of dynamical systems
WO2006138525A2 (en) * 2005-06-16 2006-12-28 Strider Labs System and method for recognition in 2d images using 3d class models

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5969973A (en) * 1994-11-09 1999-10-19 Amada Company, Ltd. Intelligent system for generating and executing a sheet metal bending plan
GB2424304A (en) * 2005-03-18 2006-09-20 Lightuning Tech Inc Generating non-overlapping partial fingerprints with a sweep sensor
EP2365440A1 (en) * 2010-03-12 2011-09-14 Xmos Ltd Program flow route constructor
WO2018130820A1 (en) * 2017-01-12 2018-07-19 University Of Bath Generating an object representation to be manufactured
CN108628260A (zh) * 2017-03-20 2018-10-09 浙江巨星工具有限公司 基于机器人的多品种工具成套设备及自动装配工艺
CN108333937A (zh) * 2018-02-02 2018-07-27 江苏师范大学 一种用于多轴联动机床的轮廓加工方法
CN109388875A (zh) * 2018-09-05 2019-02-26 重庆创速工业有限公司 一种弹性元件模块的设计实现方法
CN109164815A (zh) * 2018-09-06 2019-01-08 中国计量大学 一种基于改进蚁群算法的自主水下航行器路径规划方法
CN109597355A (zh) * 2018-11-02 2019-04-09 南京航空航天大学 曲面微织构数控加工刀轴矢量的设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Detecting and matching feature points;EtienneVincent，RobertLaganière;《Journal of Visual Communication and Image Representation》;20050228;第16卷(第1期);第38-54页 *
型腔零件曲面加工特征识别方法;耿维忠 等;《计算机集成制造***》;20160331;第22卷(第3期);第738-745页 *

Also Published As

Publication number Publication date
CN110298066A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
Tanchoco Material flow systems in manufacturing
CN109284363A (zh) 一种问答方法、装置、电子设备及存储介质
CN110008259A (zh) 可视化数据分析的方法及终端设备
Sharda et al. Robust manufacturing system design using multi objective genetic algorithms, Petri nets and Bayesian uncertainty representation
CN103778304A (zh) 一种机动车驱动桥的设计方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN109324905A (zh) 数据库操作方法、装置、电子设备及存储介质
Scanlan et al. Cost modelling for aircraft design optimization
CN110428015A (zh) 一种模型的训练方法及相关设备
Özsoy et al. Estimating the parameters of nonlinear regression models through particle swarm optimization
CN115330357A (zh) 智能立体车库数据管理方法、装置、设备及存储介质
CN109285024A (zh) 在线特征确定方法、装置、电子设备及存储介质
Liu et al. An obsolescence forecasting method based on improved radial basis function neural network
CN110298066B (zh) 一种标准斜楔智能匹配方法
CN108182243A (zh) 一种基于Spark的分布式进化算法岛模型并行化方法
CN107491841A (zh) 非线性优化方法及存储介质
Küchenhof et al. Planning & tracking the changes-matrix mapping of modular product family generations
CN109033678A (zh) 一种基于虚拟样本生成的飞行器近似优化设计方法
CN114662009A (zh) 一种基于图卷积的工业互联网工厂协同推荐算法
CN106446382A (zh) 面向领域实体的图形化建模与分析环境及其实现方法
Antonova et al. Frame-based expert system implementation for resource conversion processes analysis
KR20190120729A (ko) 빅데이터 기계학습을 이용한 시스템 모델링방법
CN110688805A (zh) 一种汽车外流场流动数值的分析方法
US11709471B2 (en) Distributed automated synthesis of correct-by-construction controllers
Koźlak et al. Multi-agent environment for decision-support in production systems using machine learning methods

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200114

Address after: 610037 no.36-4, Jinqing Road, Jinniu District, Chengdu, Sichuan Province

Applicant after: Chengdu digital analog code technology Co.,Ltd.

Address before: Zheng Jie 400050 Xiejiawan Jiulongpo District of Chongqing City No. 49 China Resources Building thirty-seventh room first

Applicant before: Chongqing Chuangsu Industrial Technology Research Institute Co.,Ltd.

GR01 Patent grant
GR01 Patent grant