【技术实现步骤摘要】
本专利技术涉及套料组合方法的，特别是一种基于深度学习的智能套料组合优化方法及系统。
技术介绍
1、目前在船舶、机械、建筑等行业的板材加工中，套料组合是实现高效利用原材料，减少资源浪费的关键环节。现有的套料方法单一，套料组合方案通常由人工计算，计算过程繁琐且易出错，实际效果和用户要求相距甚远，不能满足客户需求。虽然实现了部分自动套料，但所套的板材在板材利用率、合理性、切割顺序等方面不尽人意，需要人工干预才能投入下一个生产环节。例如在手工切割和机械切割中，切割工人按照产品下料清单的顺序依次切割，难以考虑优化套排问题，从而不可避免的产生大量边角余料，造成原材料浪费。此外，不同产品的加工要求、原材料属性等存在差异。因此，设计一种智能套料组合优化方法及系统，自动计算套料组合方案，实现套料组合的优化，对于提高套料组合的效率及准确性具有重要作用。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供一种基于深度学习的智能套料组合优化方法及系统。
2、本专利技术的目的通过以下技术方案来实现：一种基于深度学习的智能套料组合优化方法，包括以下步骤：
3、(1)利用深度学习技术对不同的原材料进行特征提取和编码，获取原材料的隐向量表示；
4、(2)设计适应性的神经网络模型，模型的输入为产品的参数，输出为套料方案；
5、(3)神经网络模型利用原材料的隐向量表示与产品的参数进行联合训练，通过大量数据的学习，获得套料组合的规律和优化策略；
6
7、更进一步的技术方案是，所述步骤(1)中通过构建多层神经网络模拟人脑的学习过程，实现对数据的高级抽象和特征提取，包括数据准备、网络构建、特征提取、特征编码、隐向量表示。
8、更进一步的技术方案是，所述原材料的隐向量将原材料的属性转换为特定的向量表示，所述隐向量作为神经网络模型的输入。
9、更进一步的技术方案是，所述神经网络模型包括多个层次的神经网络结构，每一层次均有多个神经元节点，通过不断堆叠多个层次，形成深度的神经网络结构。
10、更进一步的技术方案是，所述产品的参数包括尺寸、尺寸公差、形状和位置公差、表面粗糙度。
11、更进一步的技术方案是，所述步骤(3)中神经网络模型在进行联合训练的过程中，将原材料的隐向量表示与产品的参数进行结合，通过学习和调整参数的权重，实现对原材料和产品之间关系的建模，使用已知的套料方案作为训练数据，将其作为输入，并将对应的效果作为输出，通过大量的训练数据和反向传播算法，使神经网络模型学习到不同的材料组合方式与对应效果之间的关系。
12、更进一步的技术方案是，所述步骤(4)中训练好的神经网络模型模型根据之前学习到的关系，对各种不同的材料组合方式进行评估，并结合其他的算法或者启发式方法，得到最佳的套料组合方案。
13、一种基于深度学习的智能套料组合优化系统，所述优化系统采用基于深度学习的智能套料组合优化方法，所述优化系统包括以下模块：数据收集模块、数据预处理模块、深度学习模型训练、套料组合计算模块、套料组合优化模块、套料执行模块。
14、更进一步的技术方案是，所述数据预处理模块包括数据清理、数据集成和融合、数据变换、数据规约，所述套料组合计算模块包括统计分类和排版套料。
15、本专利技术具有以下优点：
16、本专利技术提出一种基于深度学习的智能套料组合优化方法及系统，通过深度学习技术对原材料进行特征提取和编码，并基于神经网络模型及产品参数进行联合训练，获取最优的套料组合方案，本专利技术能够自动计算出套料组合方案，具有较高的自动化程度，并实现优化选择，有效提高了计算结果的准确性及套料效率，降低了资源浪费。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的智能套料组合优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述步骤(1)中通过构建多层神经网络模拟人脑的学习过程，实现对数据的高级抽象和特征提取，包括数据准备、网络构建、特征提取、特征编码、隐向量表示。
3.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述原材料的隐向量将原材料的属性转换为特定的向量表示，所述隐向量作为神经网络模型的输入。
4.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述神经网络模型包括多个层次的神经网络结构，每一层次均有多个神经元节点，通过不断堆叠多个层次，形成深度的神经网络结构。
5.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述产品的参数包括尺寸、尺寸公差、形状和位置公差、表面粗糙度。
6.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述步骤(3)中神经网络模型在进行联合训练的过程中，将原材料的隐向量表示与产品的参
7.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述步骤(4)中训练好的神经网络模型模型根据之前学习到的关系，对各种不同的材料组合方式进行评估，并结合其他的算法或者启发式方法，得到最佳的套料组合方案。
8.一种基于深度学习的智能套料组合优化系统，其特征在于：所述优化系统采用权利要求1-7任一所述的基于深度学习的智能套料组合优化方法，所述优化系统包括以下模块：数据收集模块、数据预处理模块、深度学习模型训练、套料组合计算模块、套料组合优化模块、套料执行模块。
9.根据权利要求8所述的一种基于深度学习的智能套料组合优化系统，其特征在于：所述数据预处理模块包括数据清理、数据集成和融合、数据变换、数据规约，所述套料组合计算模块包括统计分类和排版套料。
...【技术特征摘要】
1.一种基于深度学习的智能套料组合优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述步骤(1)中通过构建多层神经网络模拟人脑的学习过程，实现对数据的高级抽象和特征提取，包括数据准备、网络构建、特征提取、特征编码、隐向量表示。
3.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述原材料的隐向量将原材料的属性转换为特定的向量表示，所述隐向量作为神经网络模型的输入。
4.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述神经网络模型包括多个层次的神经网络结构，每一层次均有多个神经元节点，通过不断堆叠多个层次，形成深度的神经网络结构。
5.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述产品的参数包括尺寸、尺寸公差、形状和位置公差、表面粗糙度。
6.根据权利要求1所述的基于深度学习的智能套料组合优化方法，其特征在于：所述步骤(3)中神经网络模型在进行联合训练的过程中，将原材...
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。