CN116401785B - 一种基于MLP-Mixer的装配数据管理方法及*** - Google Patents
一种基于MLP-Mixer的装配数据管理方法及*** Download PDFInfo
- Publication number
- CN116401785B CN116401785B CN202310310928.9A CN202310310928A CN116401785B CN 116401785 B CN116401785 B CN 116401785B CN 202310310928 A CN202310310928 A CN 202310310928A CN 116401785 B CN116401785 B CN 116401785B
- Authority
- CN
- China
- Prior art keywords
- mlp
- mixer
- rep
- neural network
- rep model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013523 data management Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000011960 computer-aided design Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 239000003086 colorant Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 102100028162 ATP-binding cassette sub-family C member 3 Human genes 0.000 description 1
- 102100028187 ATP-binding cassette sub-family C member 6 Human genes 0.000 description 1
- 101000986633 Homo sapiens ATP-binding cassette sub-family C member 3 Proteins 0.000 description 1
- 101000986621 Homo sapiens ATP-binding cassette sub-family C member 6 Proteins 0.000 description 1
- 101001014572 Homo sapiens MARCKS-related protein Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MLP‑Mixer的装配数据管理方法及***，该方法包括：根据三维CAD模型的B‑Rep模型零件信息建立对应的属性邻接图；考虑B‑Rep模型零件之间的链接预测问题，基于属性邻接图对MLP‑Mixer神经网络进行优化训练，输出B‑Rep模型零件特征并得到训练后的MLP‑Mixer神经网络；考虑B‑Rep模型零件节点之间的连接标准，将B‑Rep模型零件特征输入至训练后的MLP‑Mixer神经网络进行识别连接，得到模型连接结果；以预测的连接为任务视图，建立装配BOM结构。通过使用本发明，通过将B‑Rep格式组装零件应用于MLP‑Mixer网络，输出零件的组装配对及其装配的数据以达到简化装配的效果。本发明作为一种基于MLP‑Mixer的装配数据管理方法及***，可广泛应用于计算机辅助设计复杂装配技术领域。
Description
技术领域
本发明涉及计算机辅助设计复杂装配技术领域，尤其涉及一种基于MLP-Mixer的装配数据管理方法及***。
背景技术
工业上使用的机械产品通常是由复杂的组件装配而成，使用计算机辅助设计(CAD)软件中提供的装配功能可以降低工程实验装配成本，借助CAD软件实现装配只需要使用关节约束，就能实现各个零件彼此对齐完成复杂组件的构建，在进行装配时，根据CAD设计人员的原先设计多个零件通过螺丝和关节将他们装配起来组成组件，然后多个组件再组装成一个产品，然而，装配过程是非常耗时的，在CAD过程中大约三分之一的时间用于装配工作，除此之外，复杂机械产品的装配是一个多种角色人员共同参与的过程，不同角色对数据的需求不同，如操作工人关注的是任务的起始与完工时间、工装设备状态、超差和易损伤零件信息、工时定额与关键工序等，而管理者除关注任务的起始与完工时间和执行人外，更关注的是重要质检信息、不合格项控制情况和交付质量项等，会造成信息的紊乱不利于后期的维护和装配。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于MLP-Mixer的装配数据管理方法及***，通过将B-Rep格式组装零件应用于MLP-Mixer网络，输出零件的组装配对及其装配的数据以达到简化装配的效果。
本发明所采用的第一技术方案是：一种基于MLP-Mixer的装配数据管理方法，包括以下步骤：
根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
根据模型连接结果确定任务视图，再结合零件本身的性质得到物料视图、工艺视图和质量视图，由此建立以任务为核心的集成式装配BOM结构。
进一步，所述根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图的表达式具体如下所示：
G(V,E)
上式中，G表示属性邻接图，V表示B-Rep模型的面或点，E表示边的集合，属性邻接图边E由邻接定义。
进一步，所述考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络这一步骤，其具体包括：
构建MLP-Mixer神经网络；
将属性邻接图输入至MLP-Mixer神经网络进行切分处理，得到属性邻接图块；
将所述属性邻接图块进行映射，得到对应的属性邻接图向量；
将多个属性邻接图向量进行组合处理，获取对应的矩阵；
考虑B-Rep模型零件之间的链接预测问题，预测一个表示存在关节，结合矩阵，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络。
进一步，所述MLP-Mixer神经网络包括第一多层感知器、第二多层感知器和共享编码器，其中：
所述第一多层感知器用于表示B-Rep模型零件面的顶点；
所述第二多层感知器用于表示B-Rep模型零件边的顶点；
所述共享编码器用于执行消息传递，以获得两个属性邻接图的每个顶点嵌入。
进一步，所述MLP-Mixer神经网络所使用的损失函数包括两项，第一项τCE是边缘预测tuv和实况边缘标签juv∈{0,1}之间的交叉误熵，第二项是对称交叉熵损失τsym，其中：
所述第一项交叉误熵的表达式具体为；
所述第二项对称交叉熵损失的表达式具体为；
上式中，juv表示边正解标签，表示juv归一化概率分布，tuv表示边的预测，/>表示tuv的归一化概率分布，t2D表示2D平面的预测，/>表示2D平面的正解标签的归一化概率分布，/>表示行正解标签的归一化概率分布，/>表示列正解标签的归一化概率分布，τsym表示***的交叉熵。
进一步，所述考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果这一步骤，其具体包括：
考虑B-Rep模型零件节点之间的连接标准，构建B-Rep模型零件之间连接的成本函数；
根据鼓励更大的接触面积并惩罚重叠体积为原理对成本函数进行最小化，得到最小化成本函数；
采用Nelder-Mead算法作为标准的无导数优化搜索最佳零件节点配对辅助参数，所述辅助参数包括沿关节轴的偏移距离、围绕关节轴的旋转和用于反转关节轴方向的翻转参数；
将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络，结合辅助参数与最小化成本函数对B-Rep模型零件进行连接，得到模型连接结果。
进一步，所述B-Rep模型零件节点之间的连接标准包括重叠体积和零件之间的接触面积，其表达式具体如下所示：
上式中，V1、V2表示两个B-Rep模型零件的体积，V1∩2表示两个B-Rep模型零件重叠的体积，A1、A2表示两个B-Rep模型零件的表面积，A1∩2表示两个B-Rep模型零件的接触面积。
本发明所采用的第二技术方案是：一种基于MLP-Mixer的装配数据管理***，包括：
获取模块，用于根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
训练模块，用于考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
连接模块，用于考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
管理模块，用于根据模型连接结果确定任务视图，再结合零件本身的性质得到物料视图、工艺视图和质量视图，由此建立以任务为核心的集成式装配BOM结构。
本发明方法及***的有益效果是：本发明通过使用B-Rep格式组装零件，这种格式完全契合MLP-Mixer在CV的优秀表现，并且使用参数CAD文件的监督，该文件包含用户选择的B-Rep面和定义关节的边，进一步通过使用MLP-Mixer神经网络对机械产品的B-Rep格式零件进行学习，输出零件的组装配对及其装配的数据，已达到简化装配的效果。
附图说明
图1是本发明一种基于MLP-Mixer的装配数据管理方法的步骤流程图；
图2是本发明一种基于MLP-Mixer的装配数据管理***的结构框图；
图3是本发明构建的MLP-Mixer神经网络结构示意图；
图4是本发明具体实施例的流程示意图；
图5是应用本发明方法的实验数据曲线示意图；
图6是应用本发明方法得到的装配效果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
通过CAD软件实现复杂装配时3D可视化的，随着计算机视觉(CV)技术的发展可以使用CV学习方法来尝试为CAD复杂装配找出新的解决思路，卷积神经网络(CNN)是计算机视觉的首选模型，但是基于注意力的网络，例如Vision Transformer，也变得流行起来。其中最近被提出的MLP-Mixer优点尤为突出，它是一种完全基于多层感知器(MLP)的架构，它相对于CNN更加简单但是效果却与CNN差不多，MLP-Mixer包含两种类型的层：一种是MLP独立应用于图像块(即“混合”每个位置特征)，另一种是MLP跨块应用(即“混合”空间信息)，当在大型数据集上或使用现代正则化方案进行训练时，MLP-Mixer在图像分类基准上获得有竞争力的分数，其预训练和推理成本可与最先进的模型相媲美。目前应用于CAD领域的神经网络往往很复杂而且所需的算力成本也很大，MLP-Mixer网络结构简单而且算力成本相对较低，但是它能达到一个与主流复杂网络相媲美的效果，将MLP-Mixer与本发明结合，可以降低算力和搭建网络的成本，可以达到一个更好结果；
针对传统的复杂装配的耗时、费力、数据管理混乱等缺点和MLP-Mixer简便和高性能的优点，本发明将使用用B-Rep格式组装零件，B-Rep格式是一种图形格式，使用这种格式完全契合MLP-Mixer在CV的优秀表现，并且使用参数CAD文件的监督，该文件包含用户选择的B-Rep面和定义关节的边。
参照图1，本发明提供了一种基于MLP-Mixer的装配数据管理方法，该方法包括以下步骤：
S1、根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
具体地，本发明使用标准参数CAD文件，在没有对象类的情况下进行弱监督训练。CAD装配部件通常以B-Rep格式表示，包含由结构良好的图连接在一起的修剪参数表面的水密集合。每个面都包含一个参数曲面，并由使用参数曲线(如直线、圆弧和圆)定义曲面修剪范围的边界定。B-Rep格式用于所有机械CAD工具，选择B-Rep实体(即面和边)是设置关节所需的关键但耗时的手动任务。选择的每个零件上的B-Rep实体来定义由原点和方向矢量组成的每个零件的关节轴。关节轴由几何选择的类型决定，对于圆，中心点成为原点，法线成为方向向量。然后可以将这两个部分沿它们的轴对齐到组装状态。从B-Rep拓扑构建图表示G(V，E)，其中图顶点V是B-Rep面或点，图边E由邻接定义；
进一步的，装配零件B-Rep实体数据集中提取100个实体作为训练集，100个不同于训练集实体作为测试集。然后从B-Rep实体拓扑构建图表示G(V，E)，其中图顶点V是B-Rep面或点，图边E由邻接定义，这样每个实体就用一个图来表示，给定希望组装的两个零件G1、G2，分别具有n和m个顶点，形成第三个“联合连接图”Gj，它紧密连接G1和G2之间的顶点，Gj有n×m边，通过识别G1和G2之间形成关节的连接来制定链路预测问题。
S2、考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
具体地，Mixer由多个大小相同的层组成，每层由两个MLP块组成。第一个是标记混合MLP：它作用于X的列(即，它应用于转置的输入表XT)，映射R→RS并在所有列之间共享。
本发明首先通过两个单独的多层感知器(MLP)传递两个B-Rep中的顶点特征V1和V2来创建图顶点嵌入。一个MLP用于表示B-Rep面的顶点，另一个用于表示B-Rep边的顶点；然后将生成的顶点嵌入连接在一起。接下来，使用两层图注意网络C在每个部分的图中执行消息传递，以获得两个图的每个顶点嵌入t1和t2。
t1＝f(v1，G1)
t2＝f(v2，G2)
本发明将装配时的联合轴预测制定为链接预测问题，其目标是正确识别G1和G2之间的连接，也就是两个装配零件之间的连接，将两个部分沿地面真实联合轴对齐；这是通过沿Gj的边缘使用边缘卷积聚合部分之间的信息来完成的。图G1和G2中的节点特征V1和V2通过本发明的共享编码器网络f传递，以获得384维嵌入t1和t2，然后对于图Gj中密集连接G1和G2的每条边(u，v)，本发明预测一个表示存在关节：
其中R768→R是一个3层MLP，/>是连接算子，并且tu和tv是根据Gj中每条边的源和目标顶点从t1和t2收集的，这样能够更好的获取装配的零件可能的连接。
本发明将使用损失函数应用于两个MLP快上。第一项τCE是边缘预测tuv和实况边缘标签juv∈{0,1}之间的交叉误熵，归一化概率分布为其表达式为：
这里softmax操作中的下标表示它应用于Gj中的所有边，并且CE(p,q)＝-∑ipilogqi。这种损失鼓励真正的关节具有更高的值，同时抑制非关节，能够让零件的所有连接关节都被学习到。
为了更好地集中损失项，以便更好地将关节与更可能的非关节进行对比，本发明使用对称交叉熵损失τsym作为损失函数中的第二项，其表达式具体如下所示：
这里softmax的下标表示它是在单轴上，2D下标表示Gj边缘上的预测和正解标签被重塑成n×m矩阵。
S3、考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
具体地，网络预测的B-Rep实体允许本发明查询地面实况B-Rep数据以获得每个部分的联合轴预测。一旦这些轴对齐在一起，三个辅助参数就定义了一个刚性关节，并可用于关节位姿预测。沿关节轴的偏移距离、围绕关节轴的旋转以及用于反转关节轴方向的翻转参数。本发明使用神经引导搜索找到这些参数，该搜索允许本发明枚举top-k关节轴预测并直接考虑两个部分之间的交互。为了评估候选关节配置，本发明的成本函数Sjoint＝Soverlap+λScontact，它考虑了定义明确的关节的两个一般标准：重叠体积和零件之间的接触面积，公式如下：
这里，V1和V2是两个零件的体积，V1∩2表示它们的可能重叠体积(即两个零件的可接触面积)。同理，A1和A2为两部分的表面积，它们的接触面积为A1∩2。直观地说，为了使两个部分彼此紧密对齐，最小化成本函数应该鼓励更大的接触面积，同时惩罚重叠体积以防止穿透。因此，如果Coverlap<0.1，本发明让λ＝-10。否则，本发明设置λ＝0以增加重叠惩罚。给定这个成本函数，本发明使用Nelder-Mead算法作为标准的无导数优化来搜索最佳关节(配对)姿势，一旦确定配对零件和配对的姿势也就可以对零件进行自动装配。
综合上述步骤S2和步骤S3，进一步的；
本发明以Gj为输入，Gj矩阵转置后以列为单位输入MLP1，得到同样形状的输出然后再转置后输入MLP2，最后得到结果。结果是一个同输入形状的矩阵，通过后续的处理可以估计所有可能的连接对上关节的存在，最后，根据预测的关节轴，通过搜索发现关节参数，以完成组装。这个过程的目标是正确识别G1和G2之间的连接，将两个零件沿预测的关节轴真实对齐。图G1和G2中的节点特征V1和V2通过本发明的共享编码器网络f传递，以获得384维嵌入t1和t2。
然后预测存在的关节，损失函数是第一项τcE是边缘预测tuv和实况边缘标签juv∈{0,1}之间的交叉误熵。
B-Rep格式的一对零件具有有限数量的面和边，它们可以配对形成一个关节，特别是Gj中的n×m边。每个联合在n×m预测空间中产生一个正标签，所有剩余的组合都是负标签。对于复杂的零件，例如可能包含数千个离散B-Rep实体的机械齿轮，这会导致正负标签之间的极端不平衡。为了增加正标签的数量，将相同零件对之间的关节合并为关节集。这种方法向网络展示单个数据样本，即一个关节集，其中包含一对零件之间的所有已知关节。重要的是，联合合并避免了向网络呈现多个相互矛盾的数据样本，其中一个样本中的负标签可能是另一个样本中的正标签。
S4、CAD复杂装配数据管理。
具体地，本发明基于单一产品数据源的思想，依据物料、工艺、任务、质量视图信息之间的逻辑关联关系，建立以任务为核心的集成式装配BOM结构。装配过程数据能够映射为物料(Materials，M)视图、工艺(Process，P)视图、质量(Quality，Q)视图和任务(Task，T)视图上的对应信息，这四个视图上的信息分别回答了用什么来装配、如何装配、记录哪些信息和由谁来执行的问题。在装配过程中，单台发动机在M，P，Q，T视图上的信息可分别用物料BOM(Materials BOM，MBOM)、工艺BOM(Process BOM，PBOM)、质量BOM(Quality BOM，QBOM)和任务BOM(Task BOM，TBOM)表示，各个树结构的节点间存在逻辑关联关系。四个视图中BOM节点之间的逻辑关联关系可描述为：每个任务节点对应一个唯一的部件节点(如方向盘装配任务t11对应方向盘m11)；每个任务节点可能对应一个或多个质量表节点(如方向盘装配任务t11对应方向盘检验表q11、方向盘装配报告q12等)；任务节点与工艺节点之间一一对应(如方向盘装配任务t11对应方向盘装配工艺p11)。装配过程中，任务驱动着流程的执行并演绎出完整的装配数据。因此，以任务为核心，基于单一产品数据源的思想将四个视图的单树式结构关联起来，可建立集成式树结构的装配BOM。根据装配过程中不同角色人员对数据的差异化需求，建立了多角色数据需求网络模型，在此基础上用多色集理论来对模型进行简洁直观的数学描述，以便于计算机的存储和处理，最后给出了符合工业要求的流程；
进一步的，装配过程数据能够映射为M视图、P视图、Q视图和T视图上的对应信息，这四个视图上的信息分别回答了用什么来装配、如何装配、记录哪些信息和由谁来执行的问题。
根据多色集理论，MDDNM的多色集元素即为T、M、P、Q四个视图，依次用a1，a2，a3，a4表示，记为A＝{a1，a2，a3，a4}。多色集的个人颜色表示T、M、P、Q视图中节点可能具有的特征，即任务具有起始和完工时间、执行人、工装设备状态的特征，依次用a11，a12，a13表示；物料具有超差零件、易损伤零件、外协零件的特征，依次用a21，a22，a23表示；工艺有工时定额、关键工序的特征，依次用a31，a32表示；质量有重要质检信息、不合格项控制情况、交付质量项的特征，依次用a41，a42，a43表示，记为F(a)＝{a11，a12，a13，a21，a22，a23，a31，a32，a41，a42，a43}。多色集的统一颜色为有数据需求的不同角色人员：操作工人、工艺员、质检员、用户、管理者，依次用b1，b2，b3，b4，b5表示，记为F(A)＝{b1，b2，b3，b4，b5}。元素和统一颜色之间的相关关系布尔矩阵A×F(A)，每一列表示对应统一颜色与哪些元素有关。元素个人颜色与统一颜色之间相关关系布尔矩阵F(a)×F(A)，每一列表示对应统一颜色与哪些个人颜色有关。获得A×F(a)，A×F(A)，F(a)×F(A)矩阵后，首先判断该需求是否与任务有关，若是，则指定任务特征(指点起始和完工时间、任务的执行人，任务的特定工装设备)，寻找装配BOM上符合指定特征的所有任务节点；否则获取当前发动机的所有任务节点。然后依次遍历所有符合指定特征的任务节点，获取与指定特征相符的物料、工艺、质量信息后打包返回，最后给出了符合工业要求的流程。
综上所述，本发明的目标是用B-Rep格式组装零件作为输入，输出预测的装配配对信息等，同时对装配过程的信息进行管理，如果使用CNN来进行学习可能会显得相对笨重，同时为凸显本发明的新颖性，固选择效果较为相近而体量很轻新式CV学习框架一MLP-Mixer，Mixer将一系列S个不重叠的图像块作为输入，每个块都投影到所需的隐藏维度C，所有补丁都使用相同的投影矩阵进行线性投影，Mixer由多个大小相同的层组成，每层由两个MLP块组成，本发明使用MLP-Mixer神经网络对机械产品的B-Rep格式零件进行学习，输出零件的组装配对及其装配的数据，已达到简化装配的效果。
参照图2，一种基于MLP-Mixer的装配数据管理***，包括：
获取模块，用于根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
训练模块，用于考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
连接模块，用于考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
管理模块，用于根据模型连接结果确定任务视图，再结合零件本身的性质得到物料视图、工艺视图和质量视图，由此建立以任务为核心的集成式装配BOM结构。
对本发明的附图进行说明：
如图3所示为MLP-Mixer神经网络结构在MLP-Mixer中，通过Mixer Layer使用MLP先后对列、行进行映射，实现空间域和通道域的信息融合；
如图4所示为本发明的是通过MLP-Mixer神经网络，提取装配零件的特征，通过零件特征预测装配的数据，测试装配的关节以及装配方法；
如图5所示为实验结果图显示了训练过程和测试过程中损失函数的收敛曲线。实验结果显示在本次实验中MLP-Mixer神经网络具有较好的性能，能够快速的实现损失函数的收敛；
如图6所示为装配效果图，显示了装配应用的流程。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于MLP-Mixer的装配数据管理方法，其特征在于，包括以下步骤：
根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
根据模型连接结果确定任务视图，再结合零件本身的性质得到物料视图、工艺视图和质量视图，由此建立以任务为核心的集成式装配BOM结构；
所述考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络这一步骤，其具体包括：
构建MLP-Mixer神经网络；
将属性邻接图输入至MLP-Mixer神经网络进行切分处理，得到属性邻接图块；
将所述属性邻接图块进行映射，得到对应的属性邻接图向量；
将多个属性邻接图向量进行组合处理，获取对应的矩阵；
考虑B-Rep模型零件之间的链接预测问题，预测一个存在关节的表示，结合矩阵，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
所述存在关节表示为：
其中，表示一个三层MLP，/>表示连接算子。
2.根据权利要求1所述一种基于MLP-Mixer的装配数据管理方法，其特征在于，所述根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图的表达式具体如下所示：
G(V,E)
上式中，G表示属性邻接图，V表示B-Rep模型的面或点，E表示边的集合，属性邻接图边E由邻接定义。
3.根据权利要求2所述一种基于MLP-Mixer的装配数据管理方法，其特征在于，所述MLP-Mixer神经网络包括第一多层感知器、第二多层感知器和共享编码器，其中：
所述第一多层感知器用于表示B-Rep模型零件面的顶点；
所述第二多层感知器用于表示B-Rep模型零件边的顶点；
所述共享编码器用于执行消息传递，以获得两个属性邻接图的每个顶点嵌入。
4.根据权利要求3所述一种基于MLP-Mixer的装配数据管理方法，其特征在于，所述MLP-Mixer神经网络所使用的损失函数包括两项，第一项τCE是存在关节tuv和边正解标签juv∈{0,1}之间的交叉误熵，第二项是***的交叉熵τsym，其中：
所述交叉误熵的表达式具体为；
所述***的交叉熵的表达式具体为；
上式中，juv表示边正解标签，表示juv归一化概率分布，tuv表示存在关节，/>表示tuv的归一化概率分布，t2D表示2D平面的预测，/>表示2D平面的正解标签的归一化概率分布，表示行正解标签的归一化概率分布，/>表示列正解标签的归一化概率分布。
5.根据权利要求4所述一种基于MLP-Mixer的装配数据管理方法，其特征在于，所述考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果这一步骤，其具体包括：
考虑B-Rep模型零件节点之间的连接标准，构建B-Rep模型零件之间连接的成本函数；
根据鼓励更大的接触面积并惩罚重叠体积为原理对成本函数进行最小化，得到最小化成本函数；
采用Nelder-Mead算法作为标准的无导数优化搜索最佳零件节点配对辅助参数，所述辅助参数包括沿关节轴的偏移距离、围绕关节轴的旋转和用于反转关节轴方向的翻转参数；
将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络，结合辅助参数与最小化成本函数对B-Rep模型零件进行连接，得到模型连接结果。
6.根据权利要求5所述一种基于MLP-Mixer的装配数据管理方法，其特征在于，所述B-Rep模型零件节点之间的连接标准包括重叠体积和零件之间的接触面积，其表达式具体如下所示：
上式中，V1、V2表示两个B-Rep模型零件的体积，V1∩2表示两个B-Rep模型零件重叠的体积，A1、A2表示两个B-Rep模型零件的表面积，A1∩2表示两个B-Rep模型零件的接触面积。
7.一种基于MLP-Mixer的装配数据管理***，其特征在于，包括以下模块：
获取模块，用于根据三维CAD模型的B-Rep模型零件信息建立对应的属性邻接图；
训练模块，用于考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
连接模块，用于考虑B-Rep模型零件节点之间的连接标准，将B-Rep模型零件特征输入至训练后的MLP-Mixer神经网络进行识别连接，得到模型连接结果；
管理模块，用于根据模型连接结果确定任务视图，再结合零件本身的性质得到物料视图、工艺视图和质量视图，由此建立以任务为核心的集成式装配BOM结构；
所述考虑B-Rep模型零件之间的链接预测问题，基于属性邻接图对MLP-Mixer神经网络进行优化训练，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络，其具体包括：构建MLP-Mixer神经网络；将属性邻接图输入至MLP-Mixer神经网络进行切分处理，得到属性邻接图块；将所述属性邻接图块进行映射，得到对应的属性邻接图向量；将多个属性邻接图向量进行组合处理，获取对应的矩阵；考虑B-Rep模型零件之间的链接预测问题，预测一个存在关节的表示，结合矩阵，输出B-Rep模型零件特征并得到训练后的MLP-Mixer神经网络；
所述存在关节表示为：
其中，表示一个三层MLP，/>表示连接算子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310928.9A CN116401785B (zh) | 2023-03-28 | 2023-03-28 | 一种基于MLP-Mixer的装配数据管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310928.9A CN116401785B (zh) | 2023-03-28 | 2023-03-28 | 一种基于MLP-Mixer的装配数据管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116401785A CN116401785A (zh) | 2023-07-07 |
| CN116401785B true CN116401785B (zh) | 2023-12-08 |
Family
ID=87008439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310310928.9A Active CN116401785B (zh) | 2023-03-28 | 2023-03-28 | 一种基于MLP-Mixer的装配数据管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401785B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611850B (zh) * | 2023-07-14 | 2023-10-24 | 浙江春风动力股份有限公司 | 发动机装配质量曲线的检测和追溯*** |
| CN117746510B (zh) * | 2024-02-19 | 2024-05-28 | 河海大学 | 一种基于点云特征图的实时三维行为识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305250A (zh) * | 2018-01-30 | 2018-07-20 | 昆明理工大学 | 非结构化机器人视觉检测机械零件的同步识别与定位方法 |
| CN113043275A (zh) * | 2021-03-29 | 2021-06-29 | 南京工业职业技术大学 | 基于专家演示和强化学习的微零件装配方法 |
| CN114238676A (zh) * | 2021-12-22 | 2022-03-25 | 芯勍(上海)智能化科技股份有限公司 | 一种基于图神经网络的mbd模型检索方法及装置 |
| CN114491841A (zh) * | 2022-01-17 | 2022-05-13 | 浙江大学 | 一种基于nx二次开发与图神经网络的加工特征识别方法 |
| CN115049730A (zh) * | 2022-05-31 | 2022-09-13 | 北京有竹居网络技术有限公司 | 零件装配方法、装置、电子设备及存储介质 |
| CN115203935A (zh) * | 2022-07-12 | 2022-10-18 | 厦门大学 | 基于深度学习的频率选择表面结构拓扑逆预测方法及装置 |
-
2023
- 2023-03-28 CN CN202310310928.9A patent/CN116401785B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305250A (zh) * | 2018-01-30 | 2018-07-20 | 昆明理工大学 | 非结构化机器人视觉检测机械零件的同步识别与定位方法 |
| CN113043275A (zh) * | 2021-03-29 | 2021-06-29 | 南京工业职业技术大学 | 基于专家演示和强化学习的微零件装配方法 |
| CN114238676A (zh) * | 2021-12-22 | 2022-03-25 | 芯勍(上海)智能化科技股份有限公司 | 一种基于图神经网络的mbd模型检索方法及装置 |
| CN114491841A (zh) * | 2022-01-17 | 2022-05-13 | 浙江大学 | 一种基于nx二次开发与图神经网络的加工特征识别方法 |
| CN115049730A (zh) * | 2022-05-31 | 2022-09-13 | 北京有竹居网络技术有限公司 | 零件装配方法、装置、电子设备及存储介质 |
| CN115203935A (zh) * | 2022-07-12 | 2022-10-18 | 厦门大学 | 基于深度学习的频率选择表面结构拓扑逆预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工神经网络的装配序列规划方法研究;张晶;崔汉国;朱石坚;;武汉理工大学学报(交通科学与工程版)(05);第1053-1056页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116401785A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116401785B (zh) | 一种基于MLP-Mixer的装配数据管理方法及*** | |
| Furukawa | SOM of SOMs | |
| Wang et al. | A parametric top-view representation of complex road scenes | |
| CN113961718A (zh) | 一种基于工业机械故障诊断知识图谱的知识推理方法 | |
| Wang et al. | Contrastive consensus graph learning for multi-view clustering | |
| CN114758152A (zh) | 一种基于注意力机制和邻域一致性的特征匹配方法 | |
| Hong et al. | Unified 3d and 4d panoptic segmentation via dynamic shifting networks | |
| Hu | A novel deep learning driven robot path planning strategy: Q-learning approach | |
| Li et al. | Rearrangement planning for general part assembly | |
| Komatsu et al. | Octave deep plane-sweeping network: reducing spatial redundancy for learning-based plane-sweeping stereo | |
| Ge et al. | Point2MM: Learning medial mesh from point clouds | |
| Cortés et al. | A deep neural network architecture to estimate node assignment costs for the graph edit distance | |
| Cao et al. | WireframeNet: A novel method for wireframe generation from point cloud | |
| Corrochano | Handbook of geometric computing: applications in pattern recognition, computer vision, neuralcomputing, and robotics | |
| Jani et al. | 3D affine registration using teaching-learning based optimization | |
| Wu et al. | Unsupervised joint 3d object model learning and 6d pose estimation for depth-based instance segmentation | |
| Nabijonov | Artificial intelligence and machine learning advancements | |
| Liu et al. | Self-supervised learning for specified latent representation | |
| Shen et al. | Action-conditional implicit visual dynamics for deformable object manipulation | |
| Song et al. | Assessing machine learnability of image and graph representations for drone performance prediction | |
| Smedberg et al. | Trend mining 2.0: Automating the discovery of variable trends in the objective space | |
| Chen et al. | Deep learning framework-based 3D shape reconstruction of tanks from a single RGB image | |
| Fang et al. | Direction-induced convolution for point cloud analysis | |
| Wu et al. | Context-based local-global fusion network for 3D point cloud classification and segmentation | |
| Mahmood et al. | Decision-making Approach Based on Bipolar Complex Fuzzy Uncertain Linguistic Aggregation Operators |
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 |