申请/专利权人：苏州智制云科技有限公司

申请日：2020-07-24

公开（公告）日：2020-12-01

公开（公告）号：CN112016589A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101);G06F16/24(20190101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2020.12.18#实质审查的生效;2020.12.01#公开

摘要：本发明公开了一种多特征复杂零件模型到机床装备的端到端推荐方法，将单特征零件体素模型作为数据集，构建3D卷积神经网络模型并对其训练，得到单特征零件分类器。当用户输入多特征复杂CAD零件模型，使用双水岭分割算法将原模型分割成单个特征的子模型，通过体素值填充得到体素模型，输入上述的单特征零件分类器，识别得到对应的加工特征。将零件的加工特征和固有属性构造成多字段搜索条件，从机床装备数据库中搜索满足条件的机床装备集合，根据多字段与机床装备相关度以及机床装备评分两部分计算综合评分，将评分较高的机床装备推荐给用户，实现多特征复杂零件模型到机床装备的端到端推荐。

主权项：1.一种多特征复杂零件模型到机床装备的端到端推荐方法，其特征在于，该方法采用以下模型实现推荐过程：单特征零件分类器构建模块、复杂零件多特征分割识别模块和基于综合评分的机床装备推荐模块；单特征零件分类器构建模块，用于构建原始数据集，数据预处理，数据集增强和构建3D卷积神经网络模型；复杂零件多特征分割识别模块，用于复杂零件多特征分割和识别；基于综合评分的机床装备推荐模块，用于构建机床装备数据库，机床装备综合评分和机床装备推荐；单特征零件分类器构建模块的运行步骤包括：1构建原始数据集：针对机械零件典型特征，构建随机单特征CAD零件模型，将其转换为特定大小的3D体素模型，最后划分原始数据集；2数据预处理和数据集增强：对数据进行标签生成和中心归零化处理，对已有的3D体素模型进行空间变换加强数据集；3构建3D卷积神经网络模型：构建的3D卷积神经网络模型包括输入层、卷积层、最大池化层、全连接层和输出层；在模型训练中使用交叉熵函数作为网络模型的损失函数，使用Adam优化算法训练优化网络模型，最后将训练完成的3DCNN模型作为单特征零件分类器；复杂零件多特征分割识别模块的运行步骤包括：4复杂零件多特征分割：将多种特征的复杂零件使用步骤1和2中的方法进行数据处理，得到体素模型；采用分水岭分割算法，在每个特征上进行标记，采用最小覆盖过程来形成若干包含不同特征的子模块；5复杂零件多特征识别：将若干不同特征子模块扩充为若干子体素模型，再将若干子体素模型输入步骤3构建的单特征零件分类器，识别得到对应的k≤n种加工特征；基于综合评分的机床装备推荐模块的运行步骤包括：6构建机床装备数据库：该数据库主要描述机床装备的能力属性和基本属性；对应的字段包括加工特征、加工对象、粗糙度、尺寸精度、形状精度、行程范围、生产厂家、价格等。7机床装备综合评分：机床装备综合评分ScoreQ，d由多字段搜索条件与机床装备的相关度RQ，d和机床装备评分模型Pd两部分组成；8机床装备推荐：选取综合评分较高的机床装备推荐给用户，从而实现多特征复杂零件模型到机床装备的端到端推荐。

全文数据：

权利要求：

百度查询： 苏州智制云科技有限公司 一种多特征复杂零件模型到机床装备的端到端推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD