CN110705650A - 一种基于深度学习的钣金布局方法 - Google Patents

一种基于深度学习的钣金布局方法 Download PDF

Info

Publication number
CN110705650A
CN110705650A CN201910972660.9A CN201910972660A CN110705650A CN 110705650 A CN110705650 A CN 110705650A CN 201910972660 A CN201910972660 A CN 201910972660A CN 110705650 A CN110705650 A CN 110705650A
Authority
CN
China
Prior art keywords
sheet metal
sample
layout
substrate
metal part
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.)
Granted
Application number
CN201910972660.9A
Other languages
English (en)
Other versions
CN110705650B (zh
Inventor
支含绪
马佳
马腾
邓森洋
陈雨晨
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.)
Shenzhen Technology Suzhou Co Ltd
Original Assignee
Shenzhen Technology Suzhou 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 Shenzhen Technology Suzhou Co Ltd filed Critical Shenzhen Technology Suzhou Co Ltd
Priority to CN201910972660.9A priority Critical patent/CN110705650B/zh
Publication of CN110705650A publication Critical patent/CN110705650A/zh
Application granted granted Critical
Publication of CN110705650B publication Critical patent/CN110705650B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学***图的学习，实现钣金的自动布局，并且随着不断地学习，其甚至会达到最佳布局方案。

Description

一种基于深度学习的钣金布局方法
技术领域
本发明涉及钣金布局技术领域，具体是一种基于深度学习的钣金布局方法。
背景技术
在当前的大规模定制背景下，如何能够快速地响应设计需求，及时完成订单生产任务成为了制造业面临的重要问题。钣金件作为制造企业重要的零部件，如何有效提高钣金布局效率在工业企业设计及制造方面起到举足轻重的作用。
目前，在制造企业中，目前钣金件展平图的布局方式，多采用人工或基于某些规则的算法实现。
传统的人工方法，需要耗费大量的人工，才能得到基板利用率较好的布局；如果需要将前次布局的思路用于后续的布局，则会耗费较多的时间和精力，最终效果也不尽理想。
对于基于某些规则的算法来说，虽然可以实现钣金布局的自动化，但是往往需要人工参与，才能进一步提高其基板的利用率，并且由于无法有效更新算法，因此无论采用多长时间，其性能、效率及准确度都无法得到改善，所以人为参与需要贯穿始终。
发明内容
本发明的目的在于提供一种基于深度学习的钣金布局方法，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钣金布局方法，包含以下步骤：
A、对已有的钣金布局图进行预处理；
B、创建钣金件字典；
C、设定样本的结束及空标示；
D、创建钣金布局图中钣金件及位置信息的数值映射；
E、确定循环神经网络的结构；
F、钣金布局图样本及样本集构建；
G、对获取到的样本数据进行训练；
H、依据给定钣金件进行预测；
I、模型的自优化及自学习。
作为本发明的进一步方案：所述步骤A具体包含以下步骤：I)标签化布局图中的基板及钣金零件，利用钣金件的物料编码，对布局图中的钣金件进行标签化处理；II)数值化钣金件的位置信息，对布局图中的钣金件位置进行坐标化处理。将基板上的某一点作为坐标原点(0,0)建立全局绝对坐标系XOY；以布局图中钣金零件的左上角为基点，对每个钣金零件标注其坐标位置，即(Xn,Yn)；III)基板利用率数值化。为了使用基板利用率优化钣金布局，以及更好地进行样本训练，此处将基板利用率进行数值化处理，表示为(X，？)，其中X表示为基板的利用率，“？”表示可以为任意值；IV)钣金布局图矩阵化，通过对钣金布局图进行上述处理后，即得到矩阵化后的钣金布局图。
作为本发明的进一步方案：所述步骤B具体是：依据钣金件的编码，区分不同的钣金件，并对样本集(由所有钣金布局图组成)中每一个不同的钣金件进行聚类处理，将其放入钣金件字典中，钣金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C具体以下几处限定：I)由于每一个样本的输入都是由有限个要素组成，因此在对最后一个选项预测后，需要给出结束标示(EOP)，以表示钣金布局预测的结束；II)设定所有钣金布局图的样本为相同长度；III)由于钣金布局图中的样本长度不完全相同，因此通过设置空标记，对小于设定样本长度的样本进行填充处理；IV)由于对样本设置了结束标识及空标识，钣金件字典的长度扩展为N+2。
作为本发明的进一步方案：所述步骤D具体是：根据钣金件字典，为每一个钣金件创建其数值映射——N维one-hot向量，其中N维向量的维度由钣金件字典大小决定，即NSheetMetal+2；由于钣金件在不同钣金布局图中其位置信息不完全相同，并且在钣金布局图中设置钣金件的位置信息，因此钣金件的N维one-hot向量被扩展为NAll＝NSheetMetal+2+NPosition维的向量，其中NPosition＝2(X轴和Y轴两个坐标位置)。
作为本发明的进一步方案：所述步骤E中，循环神经网络的输出层神经元个数与输入层相同，即N+1+1+2个，循环神经网络的输出层，既包含分类问题的输出，即N+1+1个零件分类，也包含回归问题的输出，即X轴坐标位置(或基板利用率)和Y轴坐标位置；随后定义循环神经网络的时间步，时间步由训练样本集中最长训练样本的长度确定，最后定义循环神经网络单元。
作为本发明的进一步方案：所述步骤F具体是：获取目标钣金布局图集合，并将所有的待训练样本产品信息转化为各自的样本矩阵，该样本矩阵的行数为不同产品信息的个数，列为向量的维度NAll＝NSheetMetal+2+NPosition，该矩阵为循环神经网络的一个样本，将所有钣金布局样本都进行矩阵化处理后，获取行数最大的样本矩阵，行数为Nmax(row)，为该样本矩阵添加结尾标识，即Nmax(row)＝Nmax(row)+1，再将其他所有钣金布局样本矩阵的行数，通过添加结尾标识与补零标识扩展到Nmax(row)，最后构建成一个三维张量的样本集(维度为Nsample×Nmax(row)×NAll，Nsample表示钣金布局图样本个数；Nmax(row)表示样本集样本矩阵最大行数；NAll表示钣金件字典中钣金件个数+钣金件坐标维度(x,y))。
作为本发明的进一步方案：所述步骤G具体是：将三维张量样本集放入到已经定义好的循环神经网络中，并选取合适的激活函数；由于时间步的输出是扩展的one-hot向量，所以此处在每个时间步的输出层不再使用Softmax激活函数，通过反向传播计算，并利用MSE得到相应的权值矩阵，最终得到符合预期的网络结构。
作为本发明的进一步方案：所述步骤H具体是：首先确定基板；对于给定m个待排版钣金零件，需先确定用于钣金布局的基板。在钣金件字典中，找到所有基板，其数量记为m基板，将其进行数值映射和向量化，并将基板的利用率都设置为100％，得到此时的基板向量为[one-hot基板,1，？]，其中，one-hot基板，表示基板的one-hot向量；1，表示该基板的目标利用率(100％)；？，表示无实际意义，将其放入已训练好的循环神经网络第一个时间步中，可分别在第一个时间步中预测出此时所有钣金件的概率值及其坐标值，选取此时每个基板对应的概率最高的钣金件，并判断已筛选出的钣金件是否在m个待排版钣金零件中，并将不在的钣金件所对应的基板排除；最后，在现有的钣金件中找到概率最高的钣金件，及其对应的基板，最终确定基板；重新将基板及其目标利用率作为网络的第一个时间步输入，放入已训练好的循环神经网络模型。在模型的第一个时间步输出概率中，查找m个待排版钣金零件中概率值最大的钣金零件，将其作为接下来布局在基板P0001中的第一个零件；随后将预测到的第一个钣金零件及其坐标值作为第二个时间步的输入，通过模型计算，在输出的概率中，查找m-1个待排版钣金零件中概率值最大的钣金零件作为布局在基板P0001中的第二个零件；以此类推，重复上述时间步，直到预测输出钣金零件字典中的结束标志EOP或者m个钣金零件全部预测完毕，循环神经网络模型停止预测，并根据预测出的钣金零件的坐标位置将其依次布局在基板P0001中，形成钣金布局图。
作为本发明的进一步方案：用户可以在通过步骤H完成的钣金布局图中，对于其进行调整，达到最终的预期，随后再将当前方案作为新的样本与其他样本一起放入网络中进行训练，这样模型就可以根据用户的调整做进一步的优化，并更好地指导用户进行下一次的钣金布局。
与现有技术相比，本发明的有益效果是：本发明的方法可以通过学***图的布局，实现钣金的自动布局，并且随着不断地学习，其甚至会达到最佳布局方案。
附图说明
图1为钣金布局图预处理示意图。
图2为钣金件及位置信息的数值映射示意图。
图3为基于深度学习的钣金布局图组的模型训练示意图。
图4为基于深度学习的钣金布局图生成过程图。
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1-4，实施例1：本发明实施例中，一种基于深度学习的钣金布局方法，包含以下步骤：
A、对已有的钣金布局图进行预处理；
I)标签化布局图中的基板及钣金零件，利用钣金件的物料编码，对布局图中的钣金件进行标签化处理。
II)数值化钣金件的位置信息。对布局图中的钣金件位置进行坐标化处理。将基板上的某一点作为坐标原点(0,0)，以此建立全局绝对坐标系XOY；以布局图中钣金零件的左上角为基点，对每个钣金零件标注其坐标位置，即(Xn,Yn)。
III)基板利用率数值化。为了使用基板利用率来优化钣金布局，以及更好地进行样本训练。此处将基板利用率进行数值化处理，表示为(X，？)，其中X表示为基板的利用率，”？”表示可以为任意值。
IV)钣金布局图矩阵化。通过对钣金布局图进行上述处理后，即得到矩阵化后的钣金布局图，此专利中按照先沿x轴，再沿Y轴进行矩阵排列(亦可先按照Y轴进行再按照X轴进行排列，只需所有样本按照相同方向即可)，如图1所示。
B、创建钣金件字典；
依据钣金件的编码，区分不同的钣金件，并对样本集(由所有钣金布局图组成)中每一个不同的钣金件进行聚类处理，将其放入钣金件字典中，钣金件字典中零部件的个数为N。
C、设定样本的结束及空标示。
I)由于每一个样本的输入都是由有限个要素组成，因此在对最后一个选项预测后，需要给出结束标示(EOP)，以表示钣金布局预测的结束；
II)在本方法中，设定所有钣金布局图的样本的长度相同，且不能小于最长样本长度；
III)由于钣金布局图中的样本长度不完全相同，因此通过设置空标记，对小于设定样本长度的样本进行填充处理，通过设置空标记来实现。
IV)由于对样本设置了结束标识及空标识，钣金件字典的长度扩展为N+2。
D、创建钣金布局图中钣金件及位置信息的数值映射。
根据钣金件字典，为每一个钣金件创建其数值映射——N维one-hot向量。其中N维向量的维度由钣金件字典大小决定(即在本专利中为NSheetMetal+2)；
在本专利中钣金件在不同钣金布局图中其位置信息不完全相同，并且需在钣金布局图中设置钣金件的位置信息，因此需要将钣金件的N维one-hot向量被扩展为NAll＝NSheetMetal+2+NPosition维的向量，其中NPosition＝2(NPosition＝2为X轴和Y轴两个坐标位置)。
在钣金布局图中对钣金件及位置信息的数值映射如图2；
E、确定循环神经网络的结构
循环神经网络的输出层神经元个数与输入层相同，即N+1+1+2个。这里与普通的循环神经网络输出不同，普通的循环神经网络常用来解决分类问题，即预测是某一类别的概率。在本发明中，循环神经网络的输出层，既包含分类问题的输出，即N+1+1个零件分类，也包含回归问题的输出，即X轴坐标位置(或基板利用率)和Y轴坐标位置。
定义循环神经网络的时间步。时间步是根据训练样本集中最长训练样本的长度确定的。
最后定义循环神经网络单元和普通循环神经网络相同(如BasicRNNCell、BasicLSTMCell、LSTMCell、GRUCell等)。
F、钣金布局图样本及样本集构建
获取目标钣金布局图集合，并将所有的待训练样本产品信息转化为各自的样本矩阵(该样本矩阵的行数为不同产品信息的个数，列为向量的维度NAll＝NSheetMetal+2+NPosition)，该矩阵为循环神经网络的一个样本；
将所有钣金布局样本都进行矩阵化处理后，其每个样本矩阵的行数不尽相同，获取行数最大的样本矩阵(行数为Nmax(row))，为该样本矩阵添加结尾标识(即Nmax(row)＝Nmax(row)+1)；
再将其他所有钣金布局样本矩阵的行数，通过添加结尾标识与补零标识扩展到该行数(NRow+1)；
最后构建成一个三维张量的样本集，即三维张量的维度为Nsample×Nmax(row)×NAll
NSample：钣金布局图样本个数；
Nmax(row)：样本集样本矩阵最大行数；
NAll：钣金件字典中钣金件个数+钣金件坐标维度(x,y))
G、对获取到的样本数据进行训练。
将三维张量样本集放入到已经定义好的循环神经网络中，并选取合适的激活函数(如Tanh,Sigmoid,ReLu等——由于时间步的输出是扩展的one-hot向量(包括x,y位置信息)，所以此处在每个时间步的输出层不再使用不同循环神经网络的Softmax激活函数)，通过反向传播计算，并利用MSE(均方误差损失函数)得到相应的权值矩阵，最终得到符合预期的网络结构。
基于深度学习的钣金布局的训练过程如图3所示；
H、依据给定钣金件进行预测。
I)确定基板；对于给定m个待排版钣金零件，需先确定用于钣金布局的基板。在钣金件字典中，找到所有基板，其数量记为m基板，将其进行数值映射和向量化，并将基板的利用率都设置为100％，得到此时的基板向量为[one-hot基板,1，？]
one-hot基板，表示基板的one-hot向量；
1，表示该基板的目标利用率(100％)；
？，表示在这里无实际意义。
将其放入已训练好的循环神经网络(RNN)第一个时间步中，可分别在第一个时间步中预测出此时所有钣金件的概率值及其坐标值，选取此时每个基板对应的概率最高的钣金件，并判断已筛选出的钣金件是否在m个待排版钣金零件中，并将不在的钣金件所对应的基板排除；最后，在现有的钣金件中找到概率最高的钣金件，及其对应的基板，最终确定基板(以P0001为例)。
重新将基板及其目标利用率作为网络的第一个时间步输入，放入已训练好的循环神经网络模型。在模型的第一个时间步输出概率中，查找m个待排版钣金零件中概率值最大的钣金零件，将其作为接下来布局在基板P0001中的第一个零件；随后将预测到的第一个钣金零件及其坐标值作为第二个时间步的输入，通过模型计算，在输出的概率中，查找m-1个待排版钣金零件中概率值最大的钣金零件作为布局在基板P0001中的第二个零件。
以此类推，重复上述时间步，直到预测输出钣金零件字典中的结束标志EOP或者m个钣金零件全部预测完毕，循环神经网络模型停止预测，并根据预测出的钣金零件的坐标位置将其依次布局在基板P0001中，形成钣金布局图。
基于深度学习的钣金布局的预测过程如图4所示。
I、模型的自优化及自学习。
实施例2：在实施例1的基础上，用户可以在通过步骤H完成的钣金布局图中，对其进行调整，达到最终的预期。随后再将当前方案作为新的样本与其他样本一起再放入网络中进行训练，这样模型就可以根据用户的调整做进一步的优化，并更好地指导用户进行下一次的钣金布局。
由于数据集的增加，是在用户干预的情况下进行，因此有效样本会不断增加，再通过循环神经网络模型不断地训练，其泛化能力不断提高，最终有机会达到代替工程师自动进行钣金布局的目的。
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 (10)

1.一种基于深度学习的钣金布局方法，其特征在于，包含以下步骤：
A、对已有的钣金布局图进行预处理；
B、创建钣金件字典；
C、设定样本的结束及空标示；
D、创建钣金布局图中钣金件及位置信息的数值映射；
E、确定循环神经网络的结构；
F、钣金布局图样本及样本集构建；
G、对获取到的样本数据进行训练；
H、依据给定钣金件进行预测；
I、模型的自优化及自学习。
2.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤A具体包含以下步骤：I)标签化布局图中的基板及钣金零件，利用钣金件的物料编码，对布局图中的钣金件进行标签化处理；II)数值化钣金件的位置信息，对布局图中的钣金件位置进行坐标化处理，将基板上的某一点作为为坐标原点(0,0)，以此建立全局绝对坐标系XOY；以布局图中钣金零件的左上角为基点，对每个钣金零件标注其坐标位置，即(Xn,Yn)；III)基板利用率数值化，为了使用基板利用率优化钣金布局，以及更好地进行样本训练，此处将基板利用率进行数值化处理，表示为(X，？)，其中X表示为基板的利用率，“？”表示可以为任意值；IV)钣金布局图矩阵化，通过对钣金布局图进行上述处理后，即得到矩阵化后的钣金布局图。
3.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤B具体是：依据钣金件的编码，区分不同的钣金件，并对样本集中每一个不同的钣金件进行聚类处理，将其放入钣金件字典中，钣金件字典中零部件的个数为N。
4.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤C具体以下几处限定：I)由于每一个样本的输入都是由有限个要素组成，因此在对最后一个选项预测后，需要给出结束标示(EOP)，以表示钣金布局预测的结束；II)设定所有钣金布局图的样本为相同长度；III)由于钣金布局图中的样本长度不完全相同，因此通过设置空标记，对小于设定样本长度的样本进行填充处理；IV)由于对样本设置了结束标识及空标识，钣金件字典的长度扩展为N+2。
5.根据权利要求4所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤D具体是：根据钣金件字典，为每一个钣金件创建其数值映射——N维one-hot向量，其中N维向量的维度由钣金件字典大小决定，即NSheetMetal+2；由于钣金件在不同钣金布局图中其位置信息不完全相同，并且在钣金布局图中设置钣金件的位置信息，因此钣金件的N维one-hot向量被扩展为NAll＝NSheetMetal+2+NPosition维的向量，其中NPosition＝2(X轴和Y轴两个坐标位置)。
6.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤E中，循环神经网络的输出层神经元个数与输入层相同，即N+1+1+2个，循环神经网络的输出层，既包含分类问题的输出，即N+1+1个零件分类，也包含回归问题的输出，即X轴坐标位置/基板利用率和Y轴坐标位置；随后定义循环神经网络的时间步，时间步由训练样本集中最长训练样本的长度确定，最后定义循环神经网络单元。
7.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤F具体是：获取目标钣金布局图集合，并将所有的待训练样本产品信息转化为各自的样本矩阵，该样本矩阵的行数为不同产品信息的个数，列为向量的维度NAll＝NSheetMetal+2+NPosition，该矩阵为循环神经网络的一个样本，将所有钣金布局样本都进行矩阵化处理后，获取行数最大的样本矩阵，行数为Nmax(row)，为该样本矩阵添加结尾标识，即Nmax(row)＝Nmax(row)+1，再将其他所有钣金布局样本矩阵的行数，通过添加结尾标识与补零标识扩展到Nmax(row)；最后构建成一个三维张量的样本集，维度为Nsample×Nmax(row)×NAll，Nsample表示钣金布局图样本个数；Nmax(row)表示样本集样本矩阵最大行数；NAll表示钣金件字典中钣金件个数+钣金件坐标维度(x,y)。
8.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤G具体是：将三维张量样本集放入到已经定义好的循环神经网络中，并选取合适的激活函数；由于时间步的输出是扩展的one-hot向量，所以此处在每个时间步的输出层不再使用Softmax激活函数，通过反向传播计算，并利用MSE得到相应的权值矩阵，最终得到符合预期的网络结构。
9.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤H具体是：首先确定基板；对于给定m个待排版钣金零件，需先确定用于钣金布局的基板，在钣金件字典中，找到所有基板，其数量记为m基板，将其进行数值映射和向量化，并将基板的利用率都设置为100％，得到此时的基板向量为[one-hot基板,1，？]，其中，one-hot基板，表示基板的one-hot向量；1，表示该基板的目标利用率(100％)；？，表示无实际意义；将其放入已训练好的循环神经网络第一个时间步中，可分别在第一个时间步中预测出此时所有钣金件的概率值及其坐标值，选取此时每个基板对应的概率最高的钣金件，并判断已筛选出的钣金件是否在m个待排版钣金零件中，并将不在的钣金件所对应的基板排除；最后，在现有的钣金件中找到概率最高的钣金件，及其对应的基板，最终确定基板；重新将基板及其目标利用率作为网络的第一个时间步输入，放入已训练好的循环神经网络模型，在模型的第一个时间步输出概率中，查找m个待排版钣金零件中概率值最大的钣金零件，将其作为接下来布局在基板P0001中的第一个零件；随后将预测到的第一个钣金零件及其坐标值作为第二个时间步的输入，通过模型计算，在输出的概率中，查找m-1个待排版钣金零件中概率值最大的钣金零件作为布局在基板P0001中的第二个零件；以此类推，重复上述时间步，直到预测输出钣金零件字典中的结束标志EOP或者m个钣金零件全部预测完毕，循环神经网络模型停止预测，并根据预测出的钣金零件的坐标位置将其依次布局在基板P0001中，形成钣金布局图。
10.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，用户可以在步骤H完成的钣金布局图中，对其进行调整，达到最终的预期，随后再将当前方案作为新的样本与其他样本一起放入网络中进行训练，这样模型就可以根据用户的调整做进一步的优化，并更好地指导用户进行下一次的钣金布局。
CN201910972660.9A 2019-10-14 2019-10-14 一种基于深度学习的钣金布局方法 Active CN110705650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910972660.9A CN110705650B (zh) 2019-10-14 2019-10-14 一种基于深度学习的钣金布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910972660.9A CN110705650B (zh) 2019-10-14 2019-10-14 一种基于深度学习的钣金布局方法

Publications (2)

Publication Number Publication Date
CN110705650A true CN110705650A (zh) 2020-01-17
CN110705650B CN110705650B (zh) 2023-10-24

Family

ID=69200203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910972660.9A Active CN110705650B (zh) 2019-10-14 2019-10-14 一种基于深度学习的钣金布局方法

Country Status (1)

Country Link
CN (1) CN110705650B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232423A (zh) * 2020-10-21 2021-01-15 深制科技(苏州)有限公司 一种基于深度学习的Part2Vec零件向量化处理方法
CN113705111A (zh) * 2021-09-22 2021-11-26 百安居信息技术(上海)有限公司 一种基于深度学习的装修家具自动布局方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178081A (ja) * 2001-12-04 2003-06-27 Matsushita Electric Ind Co Ltd レイアウトグラフマッチングを使用した文書分類及びラベル付け方法
CN106840869A (zh) * 2016-12-15 2017-06-13 北京航空航天大学 一种基于两种布贴方式下光纤光栅光谱图像分析的孔边裂纹诊断方法
CN206614331U (zh) * 2017-02-14 2017-11-07 铁王数控机床（苏州）有限公司 一种机床拉门模组结构
CN108230121A (zh) * 2018-02-09 2018-06-29 艾凯克斯（嘉兴）信息科技有限公司 一种基于循环神经网络的产品设计方法
CN108280746A (zh) * 2018-02-09 2018-07-13 艾凯克斯（嘉兴）信息科技有限公司 一种基于双向循环神经网络的产品设计方法
CN108875651A (zh) * 2018-06-22 2018-11-23 深圳市易成自动驾驶技术有限公司 物品摆放评估方法、装置及计算机可读存储介质
CN109102493A (zh) * 2018-07-03 2018-12-28 柳州市木子科技有限公司 一种基于cnn和lr的汽车钣金件裂纹检测***
WO2019085329A1 (zh) * 2017-11-02 2019-05-09 平安科技（深圳）有限公司 基于循环神经网络的人物性格分析方法、装置及存储介质
CN110321846A (zh) * 2019-07-04 2019-10-11 上海融客软件科技有限公司 3d图形处理方法、装置、加工方法及电子终端

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178081A (ja) * 2001-12-04 2003-06-27 Matsushita Electric Ind Co Ltd レイアウトグラフマッチングを使用した文書分類及びラベル付け方法
CN106840869A (zh) * 2016-12-15 2017-06-13 北京航空航天大学 一种基于两种布贴方式下光纤光栅光谱图像分析的孔边裂纹诊断方法
CN206614331U (zh) * 2017-02-14 2017-11-07 铁王数控机床（苏州）有限公司 一种机床拉门模组结构
WO2019085329A1 (zh) * 2017-11-02 2019-05-09 平安科技（深圳）有限公司 基于循环神经网络的人物性格分析方法、装置及存储介质
CN108230121A (zh) * 2018-02-09 2018-06-29 艾凯克斯（嘉兴）信息科技有限公司 一种基于循环神经网络的产品设计方法
CN108280746A (zh) * 2018-02-09 2018-07-13 艾凯克斯（嘉兴）信息科技有限公司 一种基于双向循环神经网络的产品设计方法
CN108875651A (zh) * 2018-06-22 2018-11-23 深圳市易成自动驾驶技术有限公司 物品摆放评估方法、装置及计算机可读存储介质
CN109102493A (zh) * 2018-07-03 2018-12-28 柳州市木子科技有限公司 一种基于cnn和lr的汽车钣金件裂纹检测***
CN110321846A (zh) * 2019-07-04 2019-10-11 上海融客软件科技有限公司 3d图形处理方法、装置、加工方法及电子终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李斌;: "钣金加工工艺中数控冲剪复合机床的应用" *
王磊;张振东;: "汽车线束设计思路及零件选型" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232423A (zh) * 2020-10-21 2021-01-15 深制科技(苏州)有限公司 一种基于深度学习的Part2Vec零件向量化处理方法
CN112232423B (zh) * 2020-10-21 2024-05-28 深制科技(苏州)有限公司 一种基于深度学习的Part2Vec零件向量化处理方法
CN113705111A (zh) * 2021-09-22 2021-11-26 百安居信息技术(上海)有限公司 一种基于深度学习的装修家具自动布局方法及***

Also Published As

Publication number Publication date
CN110705650B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN113034026B (zh) 基于Q-learning和GA的多目标柔性作业车间调度自学习方法
CN108694502A (zh) 一种基于XGBoost算法的机器人制造单元自适应调度方法
CN110488810B (zh) 基于改进型粒子群算法的焊接机器人最优路径规划方法
CN112270406A (zh) 一种类脑计算机操作***的神经信息可视化方法
CN107609694B (zh) 海上风电集群输电***结构优化方法及存储介质
Chattopadhyay et al. Neuro-genetic impact on cell formation methods of Cellular Manufacturing System design: A quantitative review and analysis
CN110705650B (zh) 一种基于深度学习的钣金布局方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及***
CN112947300A (zh) 一种加工质量虚拟量测方法、***、介质及设备
CN105844334B (zh) 一种基于径向基神经网络的温度插值方法
CN115130749A (zh) 融合nsga-ⅲ和topsis的数据驱动多目标优化方法
CN112907150A (zh) 一种基于遗传算法的生产排程方法
CN111597943A (zh) 一种基于图神经网络的表格结构识别方法
Mishra et al. An improved hybrid flower pollination algorithm for assembly sequence optimization
CN109116300A (zh) 一种基于非充分指纹信息的极限学习定位方法
CN110688722B (zh) 一种基于深度学习的零部件属性矩阵自动生成方法
CN117292141A (zh) 基于三维卷积神经网络的加工特征自动识别方法和***
CN112257202A (zh) 多内孔零件的基于神经网络的二维结构网格自动分解方法
CN111797135A (zh) 一种基于实体嵌入的结构化数据处理方法
CN108614889B (zh) 基于混合高斯模型的移动对象连续k近邻查询方法及***
CN115908697A (zh) 基于点云概率分布学习的生成模型及其方法
CN113191560B (zh) 一种改进sgm(1,1)模型的共享单车短时需求预测方法及***
Kontolatis et al. Optimisation of press-brake bending operations in 3D space
CN115082726A (zh) 一种基于PointNet优化的座便器陶瓷素坯产品分类方法

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
GR01 Patent grant
GR01 Patent grant