[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

摘要

本发明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。

主权项

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。