CN110688722B - 一种基于深度学习的零部件属性矩阵自动生成方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的零部件属性矩阵自动生成方法，包含以下步骤：A、获取作为样本的产品的零部件信息，创建零部件字典；B、创建零部件的数值映射；C、定义属性矩阵E的大小；D、根据样本产品的结构，建立零部件序列模型；E、设定固定的滑动窗口，划分零部件序列模型，形成训练样本集D；F、构建神经网络结构，并确定网络的输入层、隐含层与输出层；G、对相关的样本进行训练；H、使用属性矩阵E，本发明提出一种基于深度学习的零部件属性矩阵自动生成方法，通过该方法，无需人工对海量零部件的大量属性进行逐一标记，即可自动得到属性矩阵。

Description

一种基于深度学习的零部件属性矩阵自动生成方法

技术领域

本发明涉及智能制造技术领域，具体是一种基于深度学习的零部件属性矩阵自动生成方法。

背景技术

目前智能制造领域，在利用数据挖掘或人工智能等方式分析零件时，往往容易丢失其相关性。而增强数据挖掘中零件的相关性可以非常有效地了解零件之间的相似性。在产品设计时，精确并有效的零部件相似性计算，能对零部件选取进行有效推荐，因此可提升产品的智能设计效率；在加工工艺设计时，因其能大幅提升工艺资源及工艺参数等工艺信息的重用性，因此可大幅智能加工工艺设计的效率；在进行装配工艺设计时，因其能大幅提升部件的装配工艺及装配资源的复用性，因此可大幅提升装配工艺路线的智能设计效率；在仿真分析时，基于相似性的推荐，可以有效的借用先前已经划分好的网格及载荷等，从而大幅提升智能仿真分析的效率。因此增强数据挖掘中零件相关性对制造业各个环节都有极大的促进作用，甚至是面向大规模定制的智能制造中极其重要的一环。

当前，在利用数据挖掘或人工智能等方式分析零件时，往往采用one-hot向量对零件进行数值化处理，由于one-hot向量的特点——即零部件字典中任何两个不同零件的one-hot向量内积为0——零件之间的相关性会丢失。且由于one-hot向量的维度容易受到字典长度的影响，因此相关的计算就会随向量维度的增长呈指数级递增趋势。

为了提升零件间的相关性，目前往往利用零部件的属性信息(如孔径、外轮廓尺寸、孔特征、外圆柱特征等)对其进行向量化表示。每个零件的属性相关值就组成了一个m×n 维的矩阵(m为零部件字典中零部件的个数，n为其对应的所有属性个数)，即属性矩阵。通过属性矩阵对零部件进行向量化表示时，就会得一个比one-hot向量维度更低且包含零件属性信息的向量。由于该种方法包含了零部件属性信息，因此就可以大幅提高零件的相关性，从而提升了计算零件相似性等内容的有效性。

然而，对属性信息的标记来说，往往需要投入大量的人工操作。并且，人工对零部件的属性信息进行标记和赋值是十分耗费资源的工作。

发明内容

本发明的目的在于提供一种基于深度学习的零部件属性矩阵自动生成方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，包含以下步骤：

A、获取作为样本的产品的零部件信息，创建零部件字典；

B、创建零部件的数值映射；

C、定义属性矩阵E的大小；

D、根据样本产品的结构，建立零部件序列模型；

E、设定固定的滑动窗口，划分零部件序列模型，形成训练样本集D；

F、构建神经网络结构，并确定网络的输入层、隐含层与输出层；

G、对相关的样本进行训练；

H、使用属性矩阵E。

作为本发明的进一步方案：所述步骤一具体是：获取所有作为样本的产品结构，为产品结构中的零部件信息创建零部件字典。通过零部件的编号，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为N。

作为本发明的进一步方案：所述步骤二具体是：为零部件字典中的每个零部件创建数值映射，此处将零部件映射的内容定义为一个N维的向量。如图1所示，其中向量的维度由零部件字典的大小决定(即该向量的维度为N)，并定义其为零部件的one-hot向量。

作为本发明的进一步方案：所述步骤三具体是：定义属性矩阵E为一个N×M大小的矩阵，其中矩阵E的横坐标表示字典中的N个零部件，矩阵的纵坐标表示零部件的M个共同特征信息。

作为本发明的进一步方案：所述步骤四具体是：获取所有作为样本的产品结构，对产品结构中零部件的序列化依照产品的结构树进行处理。

作为本发明的进一步方案：所述步骤五具体是：设定零部件个数为n的固定滑动窗口，假定n＝3，根据固定滑动窗口中的三个零部件和其后一个零部件，来确定训练样本的输入和输出，在零部件序列模型中，固定滑动窗口中的三个零部件P1、P2、P3为训练样本的输入，其后一个零部件P4为训练样本的输出，将P1、P2、P3与P4作为一个样本添加到训练样本集，然后将固定滑动窗口向右滑动一个零部件，训练样本的输入变为固定滑动窗口中的零部件P2、P3、P4，输出变为其后一个零部件P5，将P2、P3、P4与P5作为一个样本添加到训练样本集，以此类推，当该零部件产品的序列模型划分完毕，按上述过程为下一个零部件产品序列模型进行划分，通过不断的滑动窗口，最终形成训练样本集D。

作为本发明的进一步方案：所述步骤六具体是：依据零部件的one-hot向量维度N，创建神经网络输入层和输出层的神经元个数，因为训练样本的输入为滑动窗口中三个零部件，输出为其后的一个零部件，所以输入层神经元个数由三个零部件的one-hot向量组成，即N×3个输入层神经元；输出层神经元个数由一个零部件的one-hot向量组成，即N×1 个输出层神经元，由步骤四中定义的N×M大小的属性矩阵E可确定神经网络隐含层的神经元个数，输入层到隐含层的神经元是非全连接的，将属性矩阵E看做是输入层到隐含层的权值矩阵，分别与输入的三个零部件的one-hot向量相乘，得到三个零部件的嵌入向量，嵌入向量的维度均等于M，所以隐含层神经元的个数由三个零部件的嵌入向量组成，即M ×3个隐含层神经元。

作为本发明的进一步方案：所述步骤七具体是：将训练样本集D转化为样本矩阵，放入到已经构建好的神经网络中，选取合适的激活函数，通过计算，最终得到符合预期的网络结构以及所有最优的权值参数，从中获取输入层到隐含层的权值矩阵，即属性矩阵E。

作为本发明的进一步方案：所述步骤八具体是：将给定的零部件的one-hot向量乘以训练得到的属性矩阵E，获得零部件所对应的属性向量。如果为两个零部件的属性向量，即可将其应用于相关算法如余弦夹角、神经网络等，计算其相似性等。

与现有技术相比，本发明的有益效果是：本发明提出一种基于深度学习的零部件属性矩阵自动生成方法，通过该方法，无需人工对海量零部件的大量属性进行逐一标记，即可自动得到属性矩阵。

附图说明

图1为零部件字典中第i个零部件的one-hot向量图。

图2为人工标记的属性矩阵E示意图。

图3为零部件序列模型示意图。

图4为训练样本集D示意图。

图5为基于深度学习的属性矩阵训练示意图。

图6为one-hot向量降维计算过程示意图。

图7为零部件字典示意图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术人员在没有做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。

请参阅图1-7，实施例1：本发明实施例中，一种基于深度学习的零部件属性矩阵自动生成方法，包含以下步骤：

一、获取作为样本的产品的零部件信息，创建零部件字典。

获取所有作为样本的产品结构，为产品结构中的零部件信息创建零部件字典。通过零部件的编号，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为N。

二、创建零部件的数值映射。

为零部件字典中的每个零部件创建数值映射，此处将零部件映射的内容定义为一个N 维的向量。如图1所示，其中向量的维度由零部件字典的大小决定(即该向量的维度为N)，并定义其为零部件的one-hot向量。

三、定义属性矩阵E的大小。

定义属性矩阵E为一个N×M大小的矩阵，其中矩阵E的横坐标表示字典中的N个零部件，矩阵的纵坐标表示零部件的M个共同特征信息，如图2所示。

四、根据样本中产品结构，建立零部件序列模型。

获取所有作为样本的产品结构，对产品结构中零部件的序列化依照产品的结构树进行处理，如图3所示零部件。

五、设定固定滑动窗口，划分零部件序列模型，形成训练样本集D。

设定零部件个数为n的固定滑动窗口，假定n＝3，根据固定滑动窗口中的三个零部件和其后一个零部件，来确定训练样本的输入和输出。如图4所示，在零部件序列模型中，固定滑动窗口中的三个零部件P1、P2、P3为训练样本的输入，其后一个零部件P4为训练样本的输出，将P1、P2、P3与P4作为一个样本添加到训练样本集。然后将固定滑动窗口向右滑动一个零部件，训练样本的输入变为固定历史窗口中的零部件P2、P3、P4，输出变为其后一个零部件P5，将P2、P3、P4与P5作为一个样本添加到训练样本集。以此类推，当该零部件产品的序列模型划分完毕，按上述过程为下一个零部件产品序列模型进行划分，通过不断的滑动窗口，最终形成训练样本集D。

六、构建神经网络结构，并确定网络的输入层、隐含层与输出层。

依据零部件的one-hot向量维度N，创建神经网络输入层和输出层的神经元个数。因为训练样本的输入为固定历史窗口中三个零部件，输出为其后的一个零部件，所以输入层神经元个数由三个零部件的one-hot向量组成，即N×3个输入层神经元；输出层神经元个数由一个零部件的one-hot向量组成，即N×1个输出层神经元。

由步骤4中定义的N×M大小的属性矩阵E可推出神经网络隐含层的神经元个数。如图5所示，输入层到隐含层的神经元是非全连接的，将属性矩阵E看做是输入层到隐含层的权值矩阵，分别与输入的三个零部件的one-hot向量相乘，得到三个零部件的嵌入向量，嵌入向量的维度均等于M，所以隐含层神经元的个数由三个零部件的嵌入向量组成，即M ×3个隐含层神经元。

七、对相关样本进行训练。

将训练样本集D转化为样本矩阵(该样本矩阵的行数为零部件序列模型划分的样本个数，列数为三个零部件one-hot向量的维度，即N×3)，放入到已经构建好的神经网络中，选取合适的激活函数(如Tanh,Sigmoid,ReLu,Softmax等)，通过计算(BP神经网络等)，最终得到符合预期的网络结构以及所有最优的权值参数，从中获取输入层到隐含层的权值矩阵，即属性矩阵E。

八、使用属性矩阵E。

实施例2：在实施例1的基础上，步骤八中，将给定的零部件的one-hot向量乘以训练得到的属性矩阵E，获得零部件所对应的属性向量。如果为两个零部件的属性向量，即可将其应用于相关算法如余弦夹角、神经网络等，计算其相似性等。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，包含以下步骤：

步骤一、获取作为样本的产品的零部件信息，创建零部件字典；所述步骤一具体是：获取所有作为样本的产品结构，为产品结构中的零部件信息创建零部件字典；通过零部件的编号，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为N；

步骤二、创建零部件的数值映射；所述步骤二具体是：为零部件字典中的每个零部件创建数值映射，此处将零部件映射的内容定义为一个N维的向量，其中向量的维度由零部件字典的大小决定，即该向量的维度为N，并定义其为零部件的one-hot向量；

步骤三、定义属性矩阵E的大小；步骤三具体是：定义属性矩阵E为一个N×M大小的矩阵，其中矩阵E的横坐标表示字典中的N个零部件，矩阵的纵坐标表示零部件的M个共同特征信息；

步骤四、根据样本产品的结构，建立零部件序列模型；所述步骤四具体是：获取所有作为样本的产品结构，对产品结构中零部件的序列化依照产品的结构树进行处理；

步骤五、设定固定的滑动窗口，划分零部件序列模型，形成训练样本集D；所述步骤五具体是：设定零部件个数为n的固定滑动窗口，设定n = 3，根据固定滑动窗口中的三个零部件和其后一个零部件，来确定训练样本的输入和输出，在零部件序列模型中，固定滑动窗口中的三个零部件P1、P2、P3为训练样本的输入，其后一个零部件P4为训练样本的输出，将P1、P2、P3与P4作为一个样本添加到训练样本集，然后将固定滑动窗口向右滑动一个零部件，训练样本的输入变为固定滑动窗口中的零部件P2、P3、P4，输出变为其后一个零部件P5，将P2、P3、P4与P5作为一个样本添加到训练样本集，以此类推，当该零部件产品的序列模型划分完毕，按上述过程为下一个零部件产品序列模型进行划分，通过不断的滑动窗口，最终形成训练样本集D；

步骤六、构建神经网络结构，并确定网络的输入层、隐含层与输出层；所述步骤六具体是：依据零部件的one-hot向量维度N，创建神经网络输入层和输出层的神经元个数，因为训练样本的输入为固定滑动窗口中三个零部件，输出为其后的一个零部件，所以输入层神经元个数由三个零部件的one-hot向量组成，即N×3个输入层神经元；输出层神经元个数由一个零部件的one-hot向量组成，即N×1个输出层神经元，由步骤四中定义的N×M大小的属性矩阵E可确定神经网络隐含层的神经元个数，输入层到隐含层的神经元是非全连接的，将属性矩阵E设定为输入层到隐含层的权值矩阵，分别与输入的三个零部件的one-hot向量相乘，得到三个零部件的嵌入向量，嵌入向量的维度均等于M，所以隐含层神经元的个数由三个零部件的嵌入向量组成，即M×3个隐含层神经元；

步骤七、对相关的样本进行训练；

步骤八、使用属性矩阵E。

2.根据权利要求1所述的一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，所述步骤七具体是：将训练样本集D转化为样本矩阵，放入到已经构建好的神经网络中，选取合适的激活函数，通过计算，最终得到符合预期的网络结构以及所有最优的权值参数，从中获取输入层到隐含层的权值矩阵，即属性矩阵E。

3.根据权利要求1所述的一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，所述步骤八具体是：将给定的零部件的one-hot向量乘以训练得到的属性矩阵E，获得零部件所对应的属性向量；如果为两个零部件的属性向量，即可将其应用于相关算法如余弦夹角、神经网络，计算其相似性。