【技术实现步骤摘要】
本专利技术涉及计算机辅助设计与制造领域，更具体地涉及一种基于图神经网络的排样效率评估方法、设备以及存储介质。
技术介绍
1、排样是一种在工业生产中广泛使用的技术，在激光切割、服装皮革、船舶海洋、物流运输等领域均有广泛应用。排样指在给定的原材料尺寸下，在满足给定约束条件的前提下尽可能多地排放所需加工的零件，以提升排样效率(即材料利用率)，其中约束条件可能涉及部件本身(如部件自身允许何种旋转角度)、部件与其他部件的关系(如部件需要相互靠近)或目标织物图案(织物与图案对齐)等，排样效率被定义为排放零件的总面积与原材料总面积的比例。
2、除了排样效率外，待排样零件的组合方式也影响排样的材料利用率。了解一组零件的排样效率有利于优化生产各个阶段的材料损耗水平，如从设计(零件形状优化)到规划，甚至生产后分析。在生产计划阶段，生产商可决定如何将多个项目分成若干批次进行切割，这项工作被称为分区规划，是一个组合优化问题，涉及最小化使用的材料数量，同时最大化加工的零件数量。
3、因此，需要了解零件组合的效率高低，以选取全局效率最高的零件分组，然而，二维排样问题的计算量非常大，一般无法使用穷举法进行求解。即便将排样零件均视为矩形，排样也是np-hard问题。根据所使用的排样算法和效率期望值，即使是较为简单的排样数据集，排样时间也在几分钟到几小时，因此，为零件的组合优化计算数千次排样操作的方法是不足的。
4、相关技术之一，是根据有代表性的排样案例建立经验效率表来估算排样效率。例如，这种经验效率表会指出，对基本衬衫进行中
技术实现思路
1、为解决上述不足，根据本专利技术的第一方面，提供了一种基于图神经网络的排样效率评估方法，包括：获取排样任务信息，包括第一任务信息和第二任务信息；根据所述排样任务信息，输入排样预测图神经网络，进行编码和解码，所述排样预测图神经网络包括卷积神经网络编码器、图神经网络、回归模块，其中，图神经网络包括信息传递模块和信息读出模块；以及，根据所述回归模块，评估所述排样任务信息对应的排样效率。
2、可选地，所述第一任务信息设置为零件信息，所述第二任务信息设置为排样的约束信息。
3、可选地，将零件信息配置为节点特征向量；将排样的约束信息配置为边特征向量。
4、可选地，排样的约束信息，至少包括：零件旋转、零件分组、零件模式排列。
5、可选地，所述卷积神经网络编码器将像素化的零件转化为低维度矢量；所述信息传递模块将零件信息与排样的约束信息进行整合与特征更新，生成节点嵌入信息，并通过所述回归模块评估排样效率。
6、可选地，所述回归模块为具有一个输出单元的金字塔多层感知器，其输出满足：
7、y＝w3·σ(w2·σ(w1x))；
8、其中，y为排样效率；w1，w2和w3为大小分别为(x×2h)，(2h×h)，(h×1)的基于学习的感知器，其中x为输入特征向量维度；h为隐藏层维度；σ为激活函数。
9、可选地，所述零件旋转设置为一旋转角度限制，每个零件均基于自身旋转角度限制自相连；所述零件分组用于同系列零件共享同一配置参数；所述零件模式排列设置为两个零件之间用于一对一关系表示的排列关系。
10、根据本专利技术的第二方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
11、根据本专利技术的第三方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。
12、根据本专利技术的第四方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
13、本专利技术的实施例本专利技术基于图神经网络进行排样效率评估，可在未进行排样的情况下，对输入的给定排样案例进行排样效率评估，相比执行排样计算再输出排样效率，节省了时间，有利于进行大规模生产的分区规划组合优化。并且，经过训练，能够精确评估排样效率。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的排样效率评估方法，其特征在于，包括：
2.如权利要求1所述的基于图神经网络的排样效率评估方法，其特征在于，所述第一任务信息设置为零件信息，所述第二任务信息设置为排样的约束信息。
3.如权利要求2所述的基于图神经网络的排样效率评估方法，其特征在于，将零件信息配置为节点特征向量；将排样的约束信息配置为边特征向量。
4.如权利要求3所述的基于图神经网络的排样效率评估方法，其特征在于，排样的约束信息，至少包括：零件旋转、零件分组、零件模式排列。
5.如权利要求4所述的基于图神经网络的排样效率评估方法，其特征在于，所述卷积神经网络编码器将像素化的零件转化为低维度矢量；所述信息传递模块将零件信息与排样的约束信息进行整合与特征更新，生成节点嵌入信息，并通过所述回归模块评估排样效率。
6.如权利要求5所述的基于图神经网络的排样效率评估方法，其特征在于，所述回归模块为具有一个输出单元的金字塔多层感知器，其输出满足：
7.如权利要求6所述的基于图神经网络的排样效率评估方法，其特征在于，所述零件旋转设置为一
8.一种电子设备，包括：
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求17中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求17中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于图神经网络的排样效率评估方法，其特征在于，包括：
2.如权利要求1所述的基于图神经网络的排样效率评估方法，其特征在于，所述第一任务信息设置为零件信息，所述第二任务信息设置为排样的约束信息。
3.如权利要求2所述的基于图神经网络的排样效率评估方法，其特征在于，将零件信息配置为节点特征向量；将排样的约束信息配置为边特征向量。
4.如权利要求3所述的基于图神经网络的排样效率评估方法，其特征在于，排样的约束信息，至少包括：零件旋转、零件分组、零件模式排列。
5.如权利要求4所述的基于图神经网络的排样效率评估方法，其特征在于，所述卷积神经网络编码器将像素化的零件转化为低维度矢量；所述信息传递模块将零件信息与排样的约束信息进行整合与特征更新，生成节点嵌入信息，并通过所述回归模...
【专利技术属性】
技术研发人员：李坰其，
申请(专利权)人：杭州赋形智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。