CN111797989B - 基于知识的工艺智能推荐方法 - Google Patents

基于知识的工艺智能推荐方法 Download PDF

Info

Publication number
CN111797989B
CN111797989B CN202010931855.1A CN202010931855A CN111797989B CN 111797989 B CN111797989 B CN 111797989B CN 202010931855 A CN202010931855 A CN 202010931855A CN 111797989 B CN111797989 B CN 111797989B
Authority
CN
China
Prior art keywords
knowledge resource
knowledge
resource items
similarity
items
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
CN202010931855.1A
Other languages
English (en)
Other versions
CN111797989A (zh
Inventor
陈云龙
张宁
黄振雄
肖增伟
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.)
Nanjing Guorui Xinwei Software Co ltd
Original Assignee
Nanjing Guorui Xinwei Software 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 Nanjing Guorui Xinwei Software Co ltd filed Critical Nanjing Guorui Xinwei Software Co ltd
Priority to CN202010931855.1A priority Critical patent/CN111797989B/zh
Publication of CN111797989A publication Critical patent/CN111797989A/zh
Application granted granted Critical
Publication of CN111797989B publication Critical patent/CN111797989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于知识的工艺智能推荐方法，包括:步骤1，知识资源库建模：对工艺资源库、工艺知识库及自定义资源知识库进行建模和数据管理；步骤2，规则建模：建立相似度算法，步骤3，目标对象的知识资源项：给出目标对象的知识资源项，并给出优先排列顺序，表示为{a，b，c……i}；步骤4：相似度计算：得到按照相似度优先排列顺序的多个对应知识资源项；步骤5：迭代计算，得到唯一推荐的知识资源项；步骤6：推荐出唯一确定的工艺。本发明通过数据建库，以及计算，从数据库中快速匹配最佳的工艺。

Description

基于知识的工艺智能推荐方法
技术领域
本发明涉及一种基于知识的工艺智能推荐方法，属于人工智能的技术领域。
背景技术
每个产品都从头设计，零部件重用率低，存在很多类似的新零件，加大设计制造及维护成本。
设计师都按照自己的方式设计，缺乏标准化和规范化，质量、成本、可制造性存在问题。
设计过程往往需要经过很多步骤，每个步骤执行时缺乏规范化的引导，导致执行效率较低。
经验丰富的“老师傅”是企业的宝贵财富，但随着年龄增长而退休，这些宝贵知识面临流失。
设计人员的水平对设计质量、成本、效率的影响大，设计过程对人员经验、能力水平依赖性。
因此，需要一种基于知识的电装工艺快速生成方法，通过构建知识资源库，利用相似度算法、关系映射、规则推理等技术手段，实现电装工艺的快速设计。
发明内容
为了解决上述技术问题，本发明提供一种基于知识的工艺智能推荐方法，其具体技术方案如下：
一种基于知识的工艺智能推荐方法，包括以下步骤：
步骤1，知识资源库建模：对工艺资源库、工艺知识库及自定义资源知识库进行建模和数据管理；
步骤2，规则建模：建立相似度算法，具体为：
用向量空间中两个向量夹角
Figure 269772DEST_PATH_IMAGE001
的余弦值作为衡量两个知识资源项间差异的大小， 余弦值越接近1，就表明夹角越接近0度，相似度公式
Figure 718071DEST_PATH_IMAGE002
公式中X和Y表示选中的两个知识资源项，其中一个为目标对象的知识资源项，另一个为知识资源库中的知识资源项，i表示对应目标知识资源项的配置；
设置相似度权重值，当相似度达到权重值时，将该知识资源项保留，否则剔除；
步骤3，目标对象的知识资源项：给出目标对象的知识资源项，并给出优先排列顺序，表示为知识资源项{a，b，c……i}，所述步骤1中的知识资源库中含有知识资源项{a，b，c……i}；
步骤4：相似度计算：设步骤1中知识资源项a有na个，将步骤3的知识资源项a代入步骤2的计算公式，目标对象的知识资源项a分别与知识资源库中的na个知识资源项a计算相似度，剔除相似度小于权重值的知识资源项a后，得到ma个保留的知识资源项a，并将ma个保留知识资源项a按照相似度优先排列顺序；
设步骤1中知识资源项b有nb个，将目标对象的知识资源项b代入步骤2的计算公式，目标对象的知识资源项b分别与知识资源库中的nb个知识资源项b计算相似度，剔除相似度小于权重值的知识资源项b后，得到mb个保留的知识资源项b，并将mb个保留的知识资源项b按照相似度优先排列顺序；
设步骤1中知识资源项c有nc个，……，步骤1中知识资源项i有ni个，依次完成目标对象的知识资源项c……i的相似度计算，得到按照相似度优先排列顺序的mc个保留的知识资源项c，……，mi个保留的知识资源项i；
步骤5：迭代计算，得到精确值：将步骤4得到的ma个知识资源项a，mb个知识资源项b，……mi个知识资源项i，分别进行迭代计算，得到各个知识资源项唯一的精确值；
步骤6：推荐出唯一确定的工艺。
进一步的，所述步骤5的具体过程为： 以目标对象的知识资源项配置为初始值，作 为迭代的起点，对方程
Figure 278234DEST_PATH_IMAGE003
进行求解，设置收敛条件
Figure 204602DEST_PATH_IMAGE004
和迭代次数上限N，在满足收敛 条件或迭代次数超过上限N的时候跳出循环；
在初始点
Figure 550132DEST_PATH_IMAGE005
处进行泰勒级数展开，可得：
Figure 638174DEST_PATH_IMAGE006
在此点处线性化这个方程，即令泰勒展开式前两项之和等于0，反映在图像上就是 在点
Figure 983836DEST_PATH_IMAGE005
处做函数曲线的切线，切线方程为：
Figure 448315DEST_PATH_IMAGE007
接着找这条切线与
Figure 694358DEST_PATH_IMAGE008
轴相交的点，令上式中
Figure 218880DEST_PATH_IMAGE009
，交点的横坐标计算出：
Figure 238788DEST_PATH_IMAGE010
在计算
Figure 506959DEST_PATH_IMAGE011
时，首先要判断
Figure 312235DEST_PATH_IMAGE012
是否为0，若为0，此切线与
Figure 804396DEST_PATH_IMAGE013
轴平行，没有交点，迭 代终止，无输出，此时，更换初始值，再次尝试迭代，若不为0，在这一步中得到的
Figure 577180DEST_PATH_IMAGE014
较初始 值
Figure 632730DEST_PATH_IMAGE015
更接近精确解，完成第一步迭代，
随后判断是否满足收敛条件：
Figure 807359DEST_PATH_IMAGE016
若满足收敛条件，跳出循环，把
Figure 470421DEST_PATH_IMAGE017
作为近似解，输出，若不满足收敛条件，则回到循 环起点，用
Figure 215655DEST_PATH_IMAGE017
代替初值点
Figure 622365DEST_PATH_IMAGE018
，进行新一轮的迭代，得到牛顿法的迭代公式为：
Figure 431927DEST_PATH_IMAGE019
对于有根的方程，这个迭代过程会在
Figure 734733DEST_PATH_IMAGE020
的邻域内达到收敛，得到最终的近 似解，当迭代次数达到设定的迭代次数上限N时，也会跳出循环，当跳出循环无输出时，更换 初始值，再次尝试迭代，直到输出唯一确定的知识资源项。
进一步的，步骤1中所述工艺资源库包括制造单位、设备、工装、工具、道具、量具、材料、工序、工步，
所述工艺知识库包括内部标准、工艺模板、工序模板、工艺常用语；
所述自定义资源知识库包括切削用量、加工余量、加工方法、特征、技术要求。
本发明的有益效果是：
本发明首先将工艺设计过程中各种参数建立数据库，当有新的设计目标时，选择实现该目标的任意属性（比如物料属性、工艺属性等），***自动计算与该目标属性匹配度高的参数，重新建立数据库，然后，数据的迭代处理得到推荐的精确值，所有的知识参数快速组装成一个完整的工艺。
附图说明
图1是本发明的工艺生成过程图，
图2是本发明的迭代过程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明的知识资源库包括工艺资源库、工艺知识库及自定义资源知识库，工艺资源库包括制造单位、设备、工装、工具、道具、量具、材料、工序、工步；工艺知识库包括内部标准、工艺模板、工序模板、工艺常用语；自定义资源知识库包括切削用量、加工余量、加工方法、特征、技术要求。将工作经验按需输入到***中，构成数据库。在实际使用中，根据设计目标选择对应的一个或多个知识参数，该知识参数为知识资源库中已有的知识参数。
建立相似度算法，具体为：
用向量空间中两个向量夹角
Figure 216529DEST_PATH_IMAGE001
的余弦值作为衡量两个个体（知识资源项）间差异 的大小，余弦值越接近1，就表明夹角越接近0度，相似度公式
Figure 630193DEST_PATH_IMAGE022
公式中X和Y表示选中的两个知识资源项，其中一个为目标对象的知识资源项，另一个为知识资源库中的知识资源项，i表示对应目标知识资源项的配置；
设置相似度权重值，当相似度达到权重值时，将该知识资源项保留，否则剔除；
举例：
PCB物料A.基本属性.物料编码：AL2.001.123
PCB物料B.基本属性.物料编码：AL3.001.456
首先列出所有字符。
A、L、0、1、2、3、4、5、6。
计算词频，写出词频向量。
物料A：（1，1，2，2，2，1，0，0，0，2）
物料B：（1，1，2，1，0，1，1，1，1，2）
通过上面的余弦公式计算
Figure 717098DEST_PATH_IMAGE023
Figure 941537DEST_PATH_IMAGE025
Figure 910630DEST_PATH_IMAGE026
如果0.77大于权重值，则将该物料纳入待选物料库，否则直接排除。
实际应用时，按照如下步骤进行：
1，输入目标对象的知识资源项：给出目标对象的知识资源项，并给出优先排列顺序，表示为知识资源项{a，b，c……i}，所述步骤1中的知识资源库中含有知识资源项{a，b，c……i}；
2，相似度计算：设步骤1中知识资源项a有na个，将步骤3的知识资源项a代入步骤2的计算公式，目标对象的知识资源项a分别与知识资源库中的na个知识资源项a计算相似度，剔除相似度小于权重值的知识资源项a后，得到ma个保留的知识资源项a，并将ma个保留知识资源项a按照相似度优先排列顺序；
设步骤1中知识资源项b有nb个，将目标对象的知识资源项b代入步骤2的计算公式，目标对象的知识资源项b分别与知识资源库中的nb个知识资源项b计算相似度，剔除相似度小于权重值的知识资源项b后，得到mb个保留的知识资源项b，并将mb个保留的知识资源项b按照相似度优先排列顺序；
设步骤1中知识资源项c有nc个，……，步骤1中知识资源项i有ni个，依次完成目标对象的知识资源项c……i的相似度计算，得到按照相似度优先排列顺序的mc个保留的知识资源项c，……，mi个保留的知识资源项i；
3，迭代计算，得到精确值：将步骤4得到的ma个知识资源项a，mb个知识资源项b，……mi个知识资源项i，分别进行迭代计算，得到各个知识资源项唯一的精确值；
4，推荐出唯一确定的工艺。
迭代计算的具体过程为： 以目标对象的知识参数配置为初始值，作为迭代的起 点，对方程
Figure 862406DEST_PATH_IMAGE003
进行求解，设置收敛条件
Figure 866134DEST_PATH_IMAGE004
和迭代次数上限N，在满足收敛条件或迭代 次数过高（超过上限N）的时候跳出循环，避免在求不出近似解的时候陷入无限循环；
在初始点
Figure 291168DEST_PATH_IMAGE005
处进行泰勒级数展开，可得：
Figure 747557DEST_PATH_IMAGE006
在此点处线性化这个方程，也就是令泰勒展开式前两项之和等于0，反映在图像上 就是在点
Figure 50493DEST_PATH_IMAGE005
处做函数曲线的切线，切线方程为：
Figure 643149DEST_PATH_IMAGE007
接着找这条切线与
Figure 458658DEST_PATH_IMAGE008
轴相交的地方，令上式中
Figure 402343DEST_PATH_IMAGE009
，交点的横坐标可以计算出：
Figure 164763DEST_PATH_IMAGE010
在计算
Figure 126771DEST_PATH_IMAGE011
首先要判断
Figure 847603DEST_PATH_IMAGE012
是否为0，若为0的话此处切线与
Figure 278584DEST_PATH_IMAGE013
轴平行，没有交点， 也就无法继续迭代过程，产生这种情况的原因是初始值取点位置不合适，换个初始值再次 尝试，在这一步中得到的
Figure 923323DEST_PATH_IMAGE014
较初始值
Figure 287308DEST_PATH_IMAGE015
更接近精确解，到这里就完成了第一步迭代，
随后判断是否满足收敛条件：
Figure 913462DEST_PATH_IMAGE016
若满足条件，则说明这一步中求得的
Figure 81007DEST_PATH_IMAGE017
非常逼近精确解，跳出循环，把
Figure 981967DEST_PATH_IMAGE017
作为近 似解，若不满足收敛条件，则回到循环起点，用
Figure 669300DEST_PATH_IMAGE017
代替初值点
Figure 997513DEST_PATH_IMAGE018
，进行新一轮的迭代，得到 牛顿法的迭代公式为：
Figure 684978DEST_PATH_IMAGE019
对于有根的方程，这个迭代过程会在
Figure 459071DEST_PATH_IMAGE020
的邻域内达到收敛，得到最终的近 似解，而如果迭代多次也无法收敛，当次数达到设定的迭代次数上限时，也会跳出循环，当 调出循环无输出时，更换初始值，再次尝试迭代，直到得到唯一确定的知识参数。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种基于知识的工艺智能推荐方法，其特征在于：包括以下步骤：
步骤1，知识资源库建模：对工艺资源库、工艺知识库及自定义知识资源库进行建模和数据管理；
步骤2，规则建模：建立相似度算法，具体为：
用向量空间中两个向量夹角
Figure DEST_PATH_IMAGE001
的余弦值作为衡量两个知识资源项间差异的大小，余弦值越接近1，就表明夹角越接近0度，相似度公式
Figure DEST_PATH_IMAGE002
公式中x和y表示选中的两个知识资源项，其中一个为目标对象的知识资源项，另一个为知识资源库中的知识资源项，i表示对应目标对象的知识资源项的配置；
设置相似度权重值，当相似度达到权重值时，将该知识资源项保留，否则剔除；
步骤3，目标对象的知识资源项：给出目标对象的知识资源项，并给出优先排列顺序，表示为知识资源项{a，b，c……n}，所述步骤1中的知识资源库中含有知识资源项{a，b，c……n}；
步骤4：相似度计算：设步骤1中知识资源项a有na个，将步骤3的知识资源项a代入步骤2的计算公式，目标对象的知识资源项a分别与知识资源库中的na个知识资源项a计算相似度，剔除相似度小于权重值的知识资源项a后，得到ma个保留的知识资源项a，并将ma个保留知识资源项a按照相似度优先排列顺序；
设步骤1中知识资源项b有nb个，将目标对象的知识资源项b代入步骤2的计算公式，目标对象的知识资源项b分别与知识资源库中的nb个知识资源项b计算相似度，剔除相似度小于权重值的知识资源项b后，得到mb个保留的知识资源项b，并将mb个保留的知识资源项b按照相似度优先排列顺序；
设步骤1中知识资源项c有nc个，……，步骤1中知识资源项i有ni个，依次完成目标对象的知识资源项c……i的相似度计算，得到按照相似度优先排列顺序的mc个保留的知识资源项c，……，mi个保留的知识资源项i；
步骤5：迭代计算，得到精确值：将步骤4得到的ma个知识资源项a，mb个知识资源项b，……，mi个知识资源项i，分别进行迭代计算，得到各个知识资源项唯一的精确值；
步骤6：推荐出唯一确定的工艺。
2.根据权利要求1所述的基于知识的工艺智能推荐方法，其特征在于：所述步骤5的具体过程为： 以目标对象的知识资源项配置为初始值，作为迭代的起点，对方程
Figure DEST_PATH_IMAGE003
进行求解，设置收敛条件
Figure DEST_PATH_IMAGE005
和迭代次数上限N，在满足收敛条件或迭代次数超过上限N的时候跳出循环；
在初始点
Figure DEST_PATH_IMAGE006
处进行泰勒级数展开，可得：
Figure DEST_PATH_IMAGE008
，
在此点处线性化这个方程，即令泰勒展开式前两项之和等于0，反映在图像上就是在点
Figure 858484DEST_PATH_IMAGE006
处做函数曲线的切线，切线方程为：
Figure DEST_PATH_IMAGE010
接着找这条切线与
Figure DEST_PATH_IMAGE011
轴相交的点，令上式中
Figure DEST_PATH_IMAGE012
，交点的横坐标计算出：
Figure DEST_PATH_IMAGE013
在计算
Figure DEST_PATH_IMAGE014
时，首先要判断
Figure DEST_PATH_IMAGE015
是否为0，若为0，此切线与
Figure DEST_PATH_IMAGE016
轴平行，没有交点，迭代终止，无输出，此时，更换初始值，再次尝试迭代，若不为0，在这一步中得到的
Figure DEST_PATH_IMAGE017
较初始值
Figure DEST_PATH_IMAGE018
更接近精确解，完成第一步迭代，
随后判断是否满足收敛条件：
Figure DEST_PATH_IMAGE019
若满足收敛条件，跳出循环，把
Figure DEST_PATH_IMAGE020
作为近似解，输出，若不满足收敛条件，则回到循环起点，用
Figure 52443DEST_PATH_IMAGE020
代替初值点
Figure DEST_PATH_IMAGE021
，进行新一轮的迭代，得到牛顿法的迭代公式为：
Figure DEST_PATH_IMAGE022
对于有根的方程，这个迭代过程会在
Figure DEST_PATH_IMAGE023
的邻域内达到收敛，得到最终的近似解，当迭代次数达到设定的迭代次数上限N时，也会跳出循环，当跳出循环无输出时，更换初始值，再次尝试迭代，直到输出唯一确定的知识资源项。
3.根据权利要求1所述的基于知识的工艺智能推荐方法，其特征在于：步骤1中所述工艺资源库包括制造单位、设备、工装、工具、道具、量具、材料、工序、工步，
所述工艺知识库包括内部标准、工艺模板、工序模板、工艺常用语；
所述自定义知识资源库包括切削用量、加工余量、加工方法、特征、技术要求。
CN202010931855.1A 2020-09-08 2020-09-08 基于知识的工艺智能推荐方法 Active CN111797989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010931855.1A CN111797989B (zh) 2020-09-08 2020-09-08 基于知识的工艺智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010931855.1A CN111797989B (zh) 2020-09-08 2020-09-08 基于知识的工艺智能推荐方法

Publications (2)

Publication Number Publication Date
CN111797989A CN111797989A (zh) 2020-10-20
CN111797989B true CN111797989B (zh) 2020-12-18

Family

ID=72834160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010931855.1A Active CN111797989B (zh) 2020-09-08 2020-09-08 基于知识的工艺智能推荐方法

Country Status (1)

Country Link
CN (1) CN111797989B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434391B (zh) * 2020-12-10 2022-03-01 四川长虹电器股份有限公司 一种基于注塑件相似度比较推荐工艺参数的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458732A (zh) * 2008-12-25 2009-06-17 浙江师范大学 面向饰品创新设计的知识应用方法
CN101477521A (zh) * 2008-12-18 2009-07-08 四川大学 用于构建机械产品设计知识库的非规范知识获取方法
CN111625918A (zh) * 2019-02-27 2020-09-04 阿里巴巴集团控股有限公司 一种工艺参数推荐方法、装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885749B (zh) * 2016-09-30 2022-01-11 南京理工大学 本体语义扩展与协同过滤加权融合的工艺知识检索方法
US11468973B2 (en) * 2018-02-02 2022-10-11 Richard Postrel Leveraging genomic, phenotypic and pharmacological data to cure disease
CN110766055A (zh) * 2019-09-23 2020-02-07 西安交通大学 一种基于语素划分和人工神经网络的智能装配工艺设计方法
CN110851499A (zh) * 2019-11-06 2020-02-28 上海卫星装备研究所 基于知识的装配工艺设计方法、***及介质
CN111369130B (zh) * 2020-02-29 2023-05-26 华南理工大学 基于语义数据和知识推理的分布式自适应产线重构方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477521A (zh) * 2008-12-18 2009-07-08 四川大学 用于构建机械产品设计知识库的非规范知识获取方法
CN101458732A (zh) * 2008-12-25 2009-06-17 浙江师范大学 面向饰品创新设计的知识应用方法
CN111625918A (zh) * 2019-02-27 2020-09-04 阿里巴巴集团控股有限公司 一种工艺参数推荐方法、装置及电子设备

Also Published As

Publication number Publication date
CN111797989A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
JP6764025B2 (ja) 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
Balogun et al. Software defect prediction using ensemble learning: an ANP based evaluation method
Jo et al. Panene: A progressive algorithm for indexing and querying approximate k-nearest neighbors
Lakshminarayanan et al. New product design via analysis of historical databases
Yang et al. Designing fuzzy supply chain network problem by mean-risk optimization method
CN110428015A (zh) 一种模型的训练方法及相关设备
CN112187554A (zh) 一种基于蒙特卡洛树搜索的运维***故障定位方法和***
Manassero et al. A new method to cope with decision makers' uncertainty in the equipment selection process
CN111797989B (zh) 基于知识的工艺智能推荐方法
Parwita et al. Optimization of COCOMO II coefficients using Cuckoo optimization algorithm to improve the accuracy of effort estimation
Guo et al. Research of new strategies for improving CBR system
CN116681104A (zh) 分布式空间图神经网络的模型建立及实现方法
Kubalık et al. Enhanced symbolic regression through local variable transformations
Kiseleva et al. An Algorithm to Construct Generalized Voronoi Diagrams with Fuzzy Parameters Based on the Theory of Optimal Partitioning and Neuro-Fuzzy Technologies.
Kazakovtsev et al. Genetic algorithm with greedy heuristic for capacity planning
Achimugu et al. Using the fuzzy multi-criteria decision making approach for software requirements prioritization
Amini et al. A fuzzy MADM method for uncertain attributes using ranking distribution
CN116302088A (zh) 一种代码克隆检测方法、存储介质及设备
Beskorovainyi et al. Mathematical models for determining the pareto front for building technological processes options under the conditions of interval presentation of local criteria
US20220390918A1 (en) Methods and systems for selection of manufacturing orientation using machine learning
CN114880457A (zh) 工艺推荐模型的训练、工艺推荐方法及电子设备
CN107105052A (zh) 基于图规划的启发式Web服务组合方法
Yilmaz et al. On a new smoothing technique for non-smooth, non-convex optimization
CN112307288A (zh) 一种用于多渠道的用户聚类方法

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