一种基于深度学习的产品数字模型智能装配系统技术方案

本发明专利技术提供一种基于深度学习的产品数字模型智能装配系统，包括四个层次：层次1，用户模块层；层次2，关键技术层；层次3，逻辑层；层次4，数据层；其中用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块；关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块；逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块；数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。该系统可以直接根据零部件数字模型信息，利用深度信念网络的学习性，实现对零部件模型的装配关系确定，极大的方便了产品模型的三维装配设计，缩短设计周期，提高设计效率。

An intelligent assembly system for product digital model based on deep learning

The invention provides a digital products based on deep learning model of intelligent assembly system, including four levels: Level 1, level 2, the user module layer; key technology; Level 3, level 4, logic layer; data layer; the user module layer includes modular modeling and intelligent assembly processing module parameters of the product design process model; key technology including parametric design module, deep learning model module, intelligent assembly technology module; logic module, including the mechanism of parametric modeling based on classification and recognition module, deep learning intelligent assembly algorithm module; data layer including the history of product assembly model base, model base, parametric product assembly the new product assembly model library. The system can be directly based on the digital model of parts information, using the learning of a deep belief network, realize the assembly relation of parts of the model, greatly facilitate the 3D product assembly design model, shorten the design cycle, improve design efficiency.

【技术实现步骤摘要】
一种基于深度学习的产品数字模型智能装配系统
本专利技术涉及一种基于深度学习的产品数字模型智能装配系统，具体涉及一种基于机械制图软件数字模型的智能装配方法。
技术介绍
随着市场经济的不断发展以及客户对产品的需求精细化，传统的批量式生产方式不断发生变化。如今更多的产品正向个性化的制造方案转变。固定单一的产品模式已经不能很好地适应客户个性化及多样化的需求，企业为能在不断变化的市场需求中脱颖而出，都在大力推进高效优质的产品设计技术，绝大部分企业已经开始搭建多品种、小批量、低成本的制造平台。因此，在以客户需求为重心的产品定制方式已经成为未来发展趋势的浪潮下，产品设计的高效性则关系到企业的生存与发展。以客户需求为重心的汽车制造领域也需进一步实施个性化设计与生产。作为设计阶段重要技术的CAD技术也更需满足个性化设计需求。因此，为快速的设计和装配出产品数字模型，大量新型CAD技术不断出现，产品数字模型的智能装配技术便是其中之一。智能装配技术的主要优势就在于当需求变动时，可以迅速的将现有的零部件进行自动装配，避免了逐一手动添加配合关系的繁琐过程。当然，智能装配技术也需要与其他相关技术融合，比如数字模型的分类识别技术、装配意图智能识别与捕捉技术等；所以在个性化需求下，如何迅速设计出符合要求的产品成为提高企业竞争力的关键。数字化装配技术作为产品设计中的一项核心技术，经过几年的发展，已由传统的手动装配，经历了柔性装配的转变，发展到数字化装配的阶段。但其装配效率还远远没有达到理想的目标，现有技术有：1、基于装配推理的贝叶斯网络，对未知零部件进行推理装配约束，需要建立一定的零件识别库，才能提高推理结果的准确性；2、语义推理驱动的智能装配技术，提高了协同装配过程的智能化和自动化程度，该方式需要预定义零部件的装配端口以及语义推理规则库；3、一种基于分层的几何约束自动识别方法，提高了装配效率，该方法需要设置不同的分层判断机制，限制了智能装配的灵活性和适应性。上述装配方式，在一定程度上提高了装配效率，但主要都建立在对典型零部件的归纳和分析，这些在应用范围上有很大程度的限制；因此为进一步提高设计效率和缩短设计周期，有必要提供一种深度学习的产品数字模型智能装配系统，该系统可以直接根据零部件数字模型信息，利用深度信赖网络的学习性，实现对零部件模型的装配关系确定，并对零部件进行位置变换和位姿变换，从而极大的方便了产品模型的三维装配设计，缩短设计周期，提高设计效率。
技术实现思路
针对现有技术存在的问题，本专利技术为解决现有技术中存在的问题采用的技术方案如下：一种基于深度学习的产品数字模型智能装配系统，其特征在于，包括以下四个层次：层次1，用户模块层；层次2，关键技术层；层次3，逻辑层；层次4，数据层；所述用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块；所述关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块；所述逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块；所述的数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。上述各层次中用户模块层主要包括参数化建模模块、各类板链参数化建模模块、参数修改模块及其智能装配特征定义模块，供设计人员对零部件进行参数化建模、零部件参数以及为智能装配定义装配特征，也是最终呈现给用户的交互界面。对于逻辑层和关键技术层，则是产品数字模型完成智能装配的底层逻辑和技术支撑，是智能装配系统的核心层。数据层是产品数据的来源和存取层，历史产品的装配模型、装配关系数据以及新产品的装配模型数据均在系统的数据层中，其中历史产品的装配数据是深度学习分类识别模型的基础，是智能分类的依据。所述的深度学习模型建立模块的建立，包括如下步骤：Step1：确定DBN(深度信赖网络)模型的层数，根据智能装配系统对装配过程的高效性需求、输入数据向量结构以及网络最高层作为分类器接口等因素，DBN结构确定出输入层、输出层、隐藏层个数；Step2：确定输入层节点数与输出层节点数，输入层节点数参照DBN模型输入数据向量，输出层参照模型分类数，以及中间隐藏层节点数参考BP神经网络的部分经验公式：式(1)中：X为中间隐藏层节点数，n为输入节点数，m为输出节点数，z为[0,10]的常量，n和m根据实际情况赋值；Step3：确定学习率，在DBN的训练过程中存在两个学习率，分别为前向堆叠RBM(受限玻尔兹曼机)学习中的学习率ε和反向微调学习中的学习率δ，本文根据经验值，学习率ε和δ按照经验值均取为0.1；Step4：确定DBN模型的权重W和偏置量a、b，迭代训练学习过程中各可见层与隐藏层的参数均会被多次迭代更新调整，且初始化参数的具体数值虽对DBN模型的训练时间影响明显，但对结果影响不大，故三个参数可以由随机生成。所述基于深度学习的分类识别模块的建立，包括如下步骤：步骤1，提取零部件装配信息数据，分为训练数据和测试数据；步骤2，将历史产品装配数据输入DBN模型，从低到高层逐层训练DBN中的RBM；步骤3，根据训练组的标记数据和分类规则，从最高层往最低层反向微调参数，完成DBN模型的整个训练过程；步骤4，将测试组产品数据输入DBN模型中，输出零部件最有可能的装配方式等相关数据。所述基于深度学习的分类识别模块的数据流向为：(a1)、参数化模型库由历史产品装配模型、新产品装配模型组成；(b1)、进而利用训练好的DBN识别模型，将产品模型识别为典型零部件识别库、非典型零部件识别库；(c1)、根据识别好的模型，采用差异性的装配规则，完整产品模型的智能装配；(d1)、如果产品装配模型为新产品装配模型，装配好之后，将产品装配模型导入历史产品装配模型，扩大产品模型库。所述的智能装配算法模块，包含典型零部件智能装配算法和非典型零部件智能装配算法两类。所述典型零部件智能装配算法的装配流程为：(a2)、首先对典型零部件确定其自身的配合类型，即判断该典型零部件与已完成装配过程的装配之间是否为第Ⅰ类：二元配合；(b2)、如果是第I类二元配合方式，进一步确定是否“线-线型约束”、“面-面型约束”等，接着，判断配合方式，重合、平行、或垂直；确定配合方式，最后施加约束关系，完成装配；(c2)、如果不是第I类二元配合方式，由配合元素的类型与装配约束之间存在的关系逐级推理各类配合元素的位置关系。所述非典型零部件智能装配算法的装配流程为：(a3)、若零部件为非典型零部件，首先判断零部件的后缀名是否为装配体；(b3)、若该模型为零件，则通过函数获取该零件的轮廓尺寸，并建立该零部件的最小包络体，通过定义最小包络体的装配特征，并将其加入非典型零部件库；(c3)、若该模型为装配体，则通过函数获取该装配体的轮廓尺寸，并建立该装配体的最小包络体，通过定义最小包络体的装配特征，并将其加入非典型零部件库；(d3)、对加入非典型零部件库的模型，利用识别已有的装配特征组，添加相应的配合关系，从而完成模型的装配。本专利技术具有如下优点：本专利技术可以通过参数模块快速设计出产品的三维零部件，并且，该系统可以直接根据零部件数字模型信息，利用深度信念网络的学习性，实现对零部件模型的装配关系确定，并对零部件进行位置变换和位姿变换，从而极大的方便了产品模型的三维本文档来自技高网...

【技术保护点】
一种基于深度学习的产品数字模型智能装配系统，其特征在于，包括以下四个层次：层次1，用户模块层；层次2，关键技术层；层次3，逻辑层；层次4，数据层；所述用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块；所述关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块；所述逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块；所述的数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。

【技术特征摘要】
1.一种基于深度学习的产品数字模型智能装配系统，其特征在于，包括以下四个层次：层次1，用户模块层；层次2，关键技术层；层次3，逻辑层；层次4，数据层；所述用户模块层包括产品模型设计过程中的参数化建模模块及智能装配处理模块；所述关键技术层包括参数化设计模块、深度学习模型建立模块、智能装配技术模块；所述逻辑层包括参数化建模的机理模块、基于深度学习的分类识别模块、智能装配算法模块；所述的数据层包括历史产品装配模型库、参数化产品装配模型库、新产品装配模型库。2.如权利要求1所述的一种基于深度学习的产品数字模型智能装配系统，其特征在于，所述的深度学习模型建立模块的建立，包括如下步骤：Step1：确定DBN(深度信赖网络)模型的层数，根据智能装配系统对装配过程的高效性需求、输入数据向量结构以及网络最高层作为分类器接口因素，DBN结构确定出输入层、输出层、隐藏层个数；Step2：确定输入层节点数与输出层节点数，输入层节点数参照DBN模型输入数据向量，输出层参照模型分类数，以及中间隐藏层节点数参考BP神经网络的经验公式：式(1)中：X为中间隐藏层节点数，n为输入节点数，m为输出节点数，z为[0,10]的常量，n和m根据实际情况赋值；Step3：确定学习率，在DBN的训练过程中存在两个学习率，分别为前向堆叠RBM(受限玻尔兹曼机)学习中的学习率ε和反向微调学习中的学习率δ；Step4：确定DBN模型的权重W和偏置量a、b，迭代训练学习过程中各可见层与隐藏层的参数均会被多次迭代更新调整，且初始化参数的具体数值虽对DBN模型的训练时间影响明显，但对结果影响不大，故三个参数由随机生成。3.如权利要求1所述的一种基于深度学习的产品数字模型智能装配系统，其特征在于，所述基于深度学习的分类识别模块的建立，包括如下步骤：步骤1，提取零部件装配信息数据，分为训练数据和测试数据；步骤2，将历史产品装配数据输入DBN模型，从低到高层逐层训练DBN中的RBM；步骤3，根据训练组的标记数据和分类规则，从最高层往最低层反向微调参数，完成DBN模型的整个训练...

【专利技术属性】
技术研发人员：盛步云，闫志峰，苗志民，萧筝，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42