申请/专利权人：深制科技(苏州)有限公司

申请日：2020-10-21

公开（公告）日：2024-05-28

公开（公告）号：CN112232423B

主分类号：G06F18/28

分类号：G06F18/28;G06F18/214;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2021.02.02#实质审查的生效;2021.01.15#公开

摘要：本发明公开了一种基于深度学习的零件向量化处理方法——Part2Vec，主要包括对已有的产品结构进行预处理、创建零件字典、基于零件间的约束关系，构建训练样本和样本集、确定神经网络结构、对获取到的样本集数据进行训练和获取输入层到隐藏层之间的权值矩阵，并转化为嵌入矩阵共六个组成部分，创建顺序与描述顺序相同。本方法可以将零件快速地进行向量化表示，既实现了零件的唯一表示，又保留了相似零件间的相关性，又降低了零件进行数值化时的维度。

主权项：1.一种基于深度学习的Part2Vec零件向量化处理方法，其特征在于，该方法包括以下步骤：1对已有的产品结构进行预处理；2创建零件字典；3基于零件间的约束关系，构建训练样本和样本集；4确定神经网络结构；5对获取到的样本集数据进行训练；6获取输入层到隐藏层之间的权值矩阵，并转化为嵌入矩阵；所述步骤1中，产品结构中的零件是基于产品设计需求并按一定的顺序组合在一起的，零件间存在一定的关联性和有序性，只需所有样本均按照统一方式进行序列化处理，形成零件序列；所述步骤2中，依据零件的ID，区分产品结构中不同的零件，并对每一个零件进行聚类处理，将其放入零件字典中，零件字典中零部件的个数为Nparts；所述步骤3中，在产品结构中，零件是通过约束关系耦合在一起的，基于当前零件Pi的约束，获取与Pi发生耦合关系的零件集P1，P2，……Pn，依次将当前零件pi与零件集P1，P2，……Pn中的零件进行两两组合，形成零件对，即样本；通过One-Hot方式向量化零件对，可记为[Oinput，Ooutput]，其中Oinput和Ooutput均为Nparts维向量；最后将这些两两组合的样本构建成一个二维张量的样本集，即二维张量的维度为Nsample×Nparts；Nsample表示两两组合的样本个数；Nparts表示零件字典中零件的个数；所述步骤4中，神经网络结构的输出层神经元个数与输入层相同，均等于零件字典的长度，即Nparts个，神经网络的隐藏层神经元个数定义为M个，M的取值视具体情况而定；所述步骤5中，将二维张量样本集放入已经定义好的神经网络中，并选取激活函数，Tanh，Sigmoid，ReLu或Softmax，通过反向传播计算，并利用交叉熵损失函数得到相应的权值矩阵和符合预期的网络结构，该权值矩阵的维度为Nparts×M，所述步骤6中，由步骤5可得，输入层到隐藏层的权值矩阵，将权值矩阵可转化为嵌入矩阵E，嵌入矩阵的维度亦为Nparts×M，此时M的含义是所有零件抽象出的M个特征，嵌入矩阵即为零件向量化表示的一种方式，将零件字典中任一零件Pi的One-Hot向量Oi映射到嵌入矩阵E中的嵌入向量ei，该向量即为零件的向量表示。

全文数据：

权利要求：

百度查询： 深制科技(苏州)有限公司 一种基于深度学习的Part2Vec零件向量化处理方法

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