利用生成技术快速增材设计的框架制造技术

根据一些实施例，系统可以包括设计经验数据存储，该设计经验数据存储包含与先前工业资产物品设计相关联的电子记录。耦合到设计经验数据存储的深度学习模型平台可以包括用于从设计人员装置接收约束和负载信息的通信端口。该深度学习平台还可包括计算机处理器，该处理器可适应于基于先前工业资产物品设计和接收到的约束和负载信息，使用与增材制造处理相关联的深度学习模型，自动地并生成地创建工业资产物品的边界和几何图形。根据一些实施例，深度学习模型计算机处理器从设计人员装置进一步接收设计调整。例如，接收到的设计调整可以用于执行优化处理和/或反馈，以不断地重新训练深度学习模型。

The framework of rapid additive design using generation technology

【技术实现步骤摘要】
【国外来华专利技术】利用生成技术快速增材设计的框架
本文公开的一些实施例涉及工业资产，更具体地说，涉及利用生成技术快速增材设计的框架，用于工业资产物品制造。
技术介绍
设计人员可能想要设计工业资产物品，例如用于喷气发动机的喷嘴，用于风力涡轮机的替换零件等。在某些情况下，设计人员可能正在创建专门使用增材制造处理(例如，三维打印机)产生的设计。虽然增材制造处理是“增材”(即，材料不断增加以构建最终物品)，但是用于创建被增材打印的几何图形的典型设计处理大大简化。例如，在设计处理中使用的传统优化技术(例如，拓扑优化)从大块材料开始，并且系统地移除部分以得到最终的“最佳”几何图形。虽然这种方法在制造处理简化(例如铣削)时工作得很好，但它可能会极大地限制设计人员与设计处理的交互。相比之下，增材制造的零件开始看起来更像“塑造”的部件，其需要设计人员在设计处理期间不断的交互。即使对于传统制造的零件，在设计处理期间为设计人员提供反馈循环也可能会显著地改进最终设计(并减少设计周期时间)。传统设计工具的另一个缺点是，它们不适合多个设计空间的快速探索。相反，这些工具需要来自多个学科的专家本文档来自技高网...

【技术保护点】
1.一种有助于创建工业资产物品的系统，其特征在于，包括：/n设计经验数据存储，所述设计经验数据存储包含与先前工业资产物品设计相关联的电子记录；/n深度学习模型平台，所述深度学习模型平台耦合到所述设计经验数据存储，包括：/n通信端口，所述通信端口从设计人员装置接收约束和负载信息，以及/n深度学习模型计算机处理器，所述深度学习模型计算机处理器耦合到所述通信端口，并且适用于基于所述先前工业资产物品设计和接收到的所述约束和负载信息，使用与增材制造处理相关联的深度学习模型，自动地并生成地创建所述工业资产物品的边界和几何图形。/n

【技术特征摘要】
【国外来华专利技术】20170816 US 15/678,6531.一种有助于创建工业资产物品的系统，其特征在于，包括：
设计经验数据存储，所述设计经验数据存储包含与先前工业资产物品设计相关联的电子记录；
深度学习模型平台，所述深度学习模型平台耦合到所述设计经验数据存储，包括：
通信端口，所述通信端口从设计人员装置接收约束和负载信息，以及
深度学习模型计算机处理器，所述深度学习模型计算机处理器耦合到所述通信端口，并且适用于基于所述先前工业资产物品设计和接收到的所述约束和负载信息，使用与增材制造处理相关联的深度学习模型，自动地并生成地创建所述工业资产物品的边界和几何图形。


2.根据权利要求1所述的系统，其特征在于，进一步包括：
深度学习模型创建平台，所述深度学习模型创建平台接收与所述先前工业资产物品设计相关联的所述电子记录，并使用多个工业资产物品设计的三维图像，自动地创建所述深度学习模型。


3.根据权利要求1所述的系统，其特征在于，其中，所述深度学习模型计算机处理器进一步接收来自所述设计人员装置的设计调整，并基于接收到的所述设计调整来执行优化处理。


4.根据权利要求3所述的系统，其特征在于，其中，接收到的所述设计调整被反馈，以不断地重新训练所述深度学习模型。


5.根据权利要求1所述的系统，其特征在于，进一步包括：
物理模型平台，所述物理模型平台接收所述边界和几何图形，并对至少一个中间工业资产设计执行验证处理。


6.根据权利要求5所述的系统，其特征在于，其中，所述验证处理的结果被反馈，以不断地重新训练所述深度学习模型。


7.根据权利要求1所述的系统，其特征在于，进一步包括：
存储库，所述存储库存储多个可搜索的生成模型。


8.根据权利要求7所述的系统，其特征在于，其中，设计人员可以执行对所述存储库的自动搜索。


9.根据权利要求8所述的系统，其特征在于，其中，所述搜索的结果包括按概率排序的生成模型建议。


10.根据权利要求1所述的系统，其特征在于，其中，自动地并生成地创建的边界和几何图形与用于所述工业资产物品的生成模型相关联。


11.根据权利要求10所述的系统，其特征在于，其中，所述生成模型由生成对抗网络(“GAN”)基于至少一个上下文模型或至少一个图像模型创建。


12.根据权利要求10所述的系统，其特征在于，其中，所述生成模型与以下中的至少一个相关联：(i)高斯混合模型，(ii)隐马尔可夫模型，(iii)概率上下文无关语法，(iv)朴素贝叶斯模型，(v)平均单依赖估计量，(vi)潜在狄利克雷分配，(vii)受限玻耳兹曼机和(xiii)生成对抗网络。


13.根据权利要求10所述的系统，其特征在于，其中，进一步基于：(i)文本，(ii)报告，(iii)设计手册和(iv)设计实践中的至少一个的自然语言处理来创建所述生成模型。


14.根据权利要求13所述的系统，其特征在于，其中，所述自然语言处理创建上下文模型。

...

【专利技术属性】
技术研发人员：阿伦·卡西·苏伯拉曼尼延，阿南达·巴鲁阿，丹尼尔·艾尔诺，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：美国;US