一种多标签学习的机械结构智能设计系统及其方法技术方案

本发明专利技术公开了一种多标签学习机械结构智能设计系统及其方法，方法步骤包括：将历史机械结构设计数据进行分类标注，形成多类别数据标签；搭建多标签机械结构智能设计算法模型，并训练；构建以多标签机械结构智能设计算法模型为基础的智能设计系统；将待设计需求导入智能设计系统；智能设计系统输出机械结构设计方案。基于机械结构设计智能推荐过程中，先对满足机械结构设计的功能要求，对机械结构设计进行整体空间和姿态进行布局，接着满足对结构、尺寸、工艺等的要求进行智能推荐，从多角度、多维度进行智能推荐，大大提高了智能设计推荐的准确性，大幅提升了机械设计效率，方案简单易行，具有良好的推广应用价值。具有良好的推广应用价值。具有良好的推广应用价值。

【技术实现步骤摘要】
一种多标签学习的机械结构智能设计系统及其方法


[0001]本专利技术涉及计算机技术，特别是机械结构设计方法和系统。

技术介绍

[0002]随着人工智能、大数据技术的发展，利用智能算法和历史设计数据展开的机械结构智能设计技术已逐渐受到相关领域工程技术、科研人员关注。人工智能算法是学习历史的机械结构设计数据(即将输入
‑
输出的映射关系作为标签)，通过大量设计数据训练后，在该算法中输入新设计需求可输出推荐的设计结果。机械结构设计涉及诸多信息，如功能、结构、位置、姿态、工艺、制造、材料等，单一的设计数据标签难以满足多种设计信息需求(数据结构复杂)，也会引起智能算法结构更复杂，计算效率低，进而导致智能设计推荐结果的准确度、效率等均不高。
[0003]当前，已申请或授权的相关智能机械结构设计方法大多是单一的数据标签，如申请号为CN202110022171.4的专利公开了一种机械设计方案智能推荐方法，该方法主要针对数模信息和工艺信息，推荐结果也仅为几何结构数模等信息，未涉及机械结构的位置、姿态信息数据。申请号为CN202111121320.9专利公开了一种机械设计方案分步推荐的方法，尽管该方法数据包含了结构尺寸约束、顺序约束和几何关系约束等信息，但主要是针对每一步推荐零部件的姿态、顺序信息，整体上缺乏结构布局、姿态等信息；同时，该方法也会引起数据结构、智能算法结构的复杂化，推荐的正确性和效率也可能会降低。因此，一种能够高效、准确、智能推荐机械结构设计方案的方法成为智能设计开发的关键，也是智能设计工程应用的关键。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种简化了智能设计算法结构和数据结构，可有效提高推荐的准确度和效率的多标签学习的机械结构智能设计系统及其方法。
[0005]本专利技术通过以下技术方案实现。
[0006]一种多标签学习的机械结构智能设计系统，包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
[0007]一种多标签学习的机械结构智能设计方法，步骤包括：
[0008]1)将历史机械结构设计数据进行分类标注，形成多类别数据标签；
[0009]2)搭建多标签机械结构智能设计算法模型，并训练；
[0010]3)构建以多标签机械结构智能设计算法模型为基础的智能设计系统；
[0011]4)将待设计需求导入智能设计系统；
[0012]5)智能设计系统输出机械结构设计方案。
[0013]所述多类别数据标签至少包括两类标签，其中一类标签为整体结构功能与布局和姿态标签，另一类标签为零部件结构与零部件结构数据标签。
[0014]所述多标签机械结构智能设计算法模型包括基于卷积神经网络的三维布局与姿态推荐模型和基于卷积神经网络的零部件推荐设计模型。
[0015]所述智能设计系统包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。
[0016]整体结构功能与布局和姿态标签用于训练机械结构设计中结构布局和姿态的设计推荐方案，所述零部件结构与零部件结构数据标签用于训练机械结构零部件的设计推荐方案。
[0017]所述智能计算推荐端是利用全连接神经网络算法模块计算推荐的整体布局和姿态方案，利用卷积神经网络算法模块计算推荐零部件及装配方案。
[0018]所述组合模块是将设计方案的整体布局和姿态、组成结构的零部件及装配信息自动组合构成整体的设计方案。
[0019]所述利用全连接神经网络算法模块计算推荐的整体布局和姿态方案的步骤包括：
[0020]构建数据集：输入为历史方案设计信息；标签为三维方案的布局和姿态的数据；
[0021]构建布局和姿态推荐网络模型；
[0022]训练网络模型至收敛；
[0023]应用网络模型，通过输入方案设计信息，自动输出三维数模的布局和姿态矩阵。
[0024]所述利用卷积神经网络算法模块计算推荐零部件及装配方案的步骤包括：
[0025]构建数据集：输入为历史方案设计信息；标签为历史设计的零部件及装配方案；
[0026]构建零部件和装配方案推荐的网络模型；
[0027]训练网络模型至收敛；
[0028]应用网络模型，通过输入新的方案设计信息，自动推荐当前方案所需的零部件及装配方案。
[0029]相比于现存技术，本专利技术的优点在于：本专利技术基于机械结构设计智能推荐过程中，先对满足机械结构设计的功能要求，对机械结构设计进行整体空间和姿态进行布局，接着满足对结构、尺寸、工艺等的要求进行智能推荐，从多角度、多维度进行智能推荐，结合多种设计输入信息：包括数模，工艺，加工等；设计了一套网络架构模型，能够充分学习输入信息中的知识，大大提高了智能设计推荐的准确性，通过对输入数据进行压缩，和对训练好的模型进行参数剪枝、蒸馏；保持模型准确度的基础上，减少了模型参数，提高了模型计算效率；
并且通过模型的应用，大幅提升了机械设计效率，方案简单易行，具有良好的推广应用价值。
附图说明
[0030]图1为实施例1待加工部件(某车型车门)模型。
[0031]图2为实施例1整体布局和姿态模块推荐。
[0032]图3为实施例1最终设计方案推荐。
[0033]图4为实施例1整体布局推荐网络结构。
[0034]图5为实施例1内部结构推荐网络结构。
[0035]图6为实施例2待加工部件(某汽车轮罩焊装夹具)模型。
[0036]图7为实施例2整体布局和姿态模块推荐。
[0037]图8为实施例2最终设计方案推荐。
[0038]图9为本专利技术智能设计系统结构示意图。
具体实施方式
[0039]下面结合说明书附图和具体的实施例，对本专利技术作详细描述。
[0040]如图9所示，一种多标签学习的机械结构智能设计系统，包括设计需求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多标签学习的机械结构智能设计系统，其特征在于包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，所述数据自动分类模块分别与全连接神经网络计算模块和卷积神经网络计算模块单向连接，所述全连接神经网络计算模块单向连接有整体布局和姿态推荐模块，所述卷积神经网络计算模块单向连接有零部件及装配推荐模块，所述整体布局和姿态推荐模块和零部件及装配推荐模块分别连接在组合模块上，所述组合模块与输出模块相连接。2.一种多标签学习的机械结构智能设计方法，其特征在于步骤包括：1)将历史机械结构设计数据进行分类标注，形成多类别数据标签；2)搭建多标签机械结构智能设计算法模型，并训练；3)构建以多标签机械结构智能设计算法模型为基础的智能设计系统；4)将待设计需求导入智能设计系统；5)智能设计系统输出机械结构设计方案。3.根据权利要求2所述的一种多标签学习的机械结构智能设计方法，其特征在于所述多类别数据标签至少包括两类标签，其中一类标签为整体结构功能与布局和姿态标签，另一类标签为零部件结构与零部件结构数据标签。4.根据权利要求2所述一种多标签学习的机械结构智能设计方法，其特征在于所述多标签机械结构智能设计算法模型包括基于卷积神经网络的三维布局与姿态推荐模型和基于卷积神经网络的零部件推荐设计模型。5.根据权利要求2所述一种多标签学习的机械结构智能设计方法，其特征在于所述智能设计系统包括设计需求输入端、智能计算推荐端和输出端，所述设计需求输入端包括数据导入模块和数据自动分类模块，所述智能计算推荐端包括全连接神经网络计算模块和卷积神经网络计算模块，所述输出端为输出模块，所述数据导入模块与数据自动分类模块单向连接，...

【专利技术属性】
技术研发人员：郜清科，吴泳荣，郑锐，杨庆保，李星辰，
申请(专利权)人：上海设序科技有限公司，
类型：发明
国别省市：