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 PDFInfo
- 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
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
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:
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:
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);
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;
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。
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)
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)
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 |
-
2019
- 2019-05-15 CN CN201910400747.9A patent/CN110298066B/zh active Active
Patent Citations (9)
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)
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 |