基于深度学习的海绵排样方法技术

本发明专利技术公开了基于深度学习的海绵排样方法，属于深度学习技术领域，该排样方法具体步骤如下：(1)收集各类零件样件信息并进行形状转化；(2)构建ptr‑net模型并对其进行训练测试；(3)ptr‑net模型接收部件信息以生成排样方案；(4)通过遗传算法对排样方案进行改进优化；本发明专利技术能够自动化排样过程，减少人工干预和主观性，提高排样的一致性和效率，能够实现更接近最优解的排样结果，降低材料浪费，适用于各种不同的部件形状和原材料类型，能够可以帮助企业节省开发成本，并提高生产效率。

【技术实现步骤摘要】

本专利技术涉及深度学习，尤其涉及基于深度学习的海绵排样方法。

技术介绍

1、伴随全球联通化程度越来越高，不同国家和企业的竞争变得愈趋激烈，也变得非常依赖资源和能源。作为在全球范围内一个拥有非常丰富资源的大国，但因我国人口数量庞大、经济飞速发展等诸多因素，我国在许多关键资源上还非常依赖于进口。令人痛心的是，我国在资源利用率上依然存在滞后问题，所以尽可能地保证资源被充分使用显得尤为重要。与此同时，在制造行业中，竞争对于身处行业的企业来说已经不再仅仅局限于产品性能，成本上的竞争对于企业来说也变得越来越重要。因此材料的合理利用，对于提升企业的竞争力，提高企业的生产效率至关重要。钣金作为机械生产过程中至关重要的原材料之一，在我国制造业蓬勃发展的背景下需求持续增长。然而，我国在钢铁资源利用率方面远远落后于英国、美国等先进制造业大国。在日益激烈的竞争环境下，提高钢铁利用率不仅在经济层面具有重要意义，而且对国家资源战略利用也显得至关重要。因此，我们迫切需要加强对资源利用和节约的意识，推动技术创新，优化生产流程，提高资源利用效率。在钣金领域，可以通过引进先进设备、提升工艺水本文档来自技高网...

【技术保护点】

1.基于深度学习的海绵排样方法，其特征在于，该排样方法具体步骤如下：

2.根据权利要求1所述的基于深度学习的海绵排样方法，其特征在于，步骤(1)中所述零件样件信息形状转化具体步骤如下：

3.根据权利要求2所述的基于深度学习的海绵排样方法，其特征在于，步骤(2)中所述所述ptr-net模型训练测试具体步骤如下：

4.根据权利要求3所述的基于深度学习的海绵排样方法，其特征在于，步骤3中所述注意力机制具体计算公式如下：

5.根据权利要求3所述的基于深度学习的海绵排样方法，其特征在于，步骤(4)中所述排样方案改进优化具体步骤如下：

6....

【技术特征摘要】

1.基于深度学习的海绵排样方法，其特征在于，该排样方法具体步骤如下：

2.根据权利要求1所述的基于深度学习的海绵排样方法，其特征在于，步骤(1)中所述零件样件信息形状转化具体步骤如下：

3.根据权利要求2所述的基于深度学习的海绵排样方法，其特征在于，步骤(2)中所述所述ptr-net模型训练测试具体步骤如下：

【专利技术属性】
技术研发人员：孙家乐，陈田，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人