[发明专利]一种基于深度学习的产品数字模型智能装配系统

权利要求书

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；

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；

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，输出零部件的装配方式相关数据。

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。

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。

4.如权利要求3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”，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。

5.如权利要求3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。