[发明专利]一种基于深度学习的钣金布局方法

权利要求书

1.一种基于深度学习的钣金布局方法，其特征在于，包含以下步骤：

A、对已有的钣金布局图进行预处理；

B、创建钣金件字典；

C、设定样本的结束及空标示；

D、创建钣金布局图中钣金件及位置信息的数值映射；

E、确定循环神经网络的结构；

F、钣金布局图样本及样本集构建；

G、对获取到的样本数据进行训练；

H、依据给定钣金件进行预测；

I、模型的自优化及自学习。

2.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤A具体包含以下步骤：I)标签化布局图中的基板及钣金零件，利用钣金件的物料编码，对布局图中的钣金件进行标签化处理；II)数值化钣金件的位置信息，对布局图中的钣金件位置进行坐标化处理，将基板上的某一点作为为坐标原点(0,0)，以此建立全局绝对坐标系XOY；以布局图中钣金零件的左上角为基点，对每个钣金零件标注其坐标位置，即(X_n,Y_n)；III)基板利用率数值化，为了使用基板利用率优化钣金布局，以及更好地进行样本训练，此处将基板利用率进行数值化处理，表示为(X，？)，其中X表示为基板的利用率，“？”表示可以为任意值；IV)钣金布局图矩阵化，通过对钣金布局图进行上述处理后，即得到矩阵化后的钣金布局图。

3.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤B具体是：依据钣金件的编码，区分不同的钣金件，并对样本集中每一个不同的钣金件进行聚类处理，将其放入钣金件字典中，钣金件字典中零部件的个数为N。

4.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤C具体以下几处限定：I)由于每一个样本的输入都是由有限个要素组成，因此在对最后一个选项预测后，需要给出结束标示(EOP)，以表示钣金布局预测的结束；II)设定所有钣金布局图的样本为相同长度；III)由于钣金布局图中的样本长度不完全相同，因此通过设置空标记，对小于设定样本长度的样本进行填充处理；IV)由于对样本设置了结束标识及空标识，钣金件字典的长度扩展为N+2。

5.根据权利要求4所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤D具体是：根据钣金件字典，为每一个钣金件创建其数值映射——N维one-hot向量，其中N维向量的维度由钣金件字典大小决定，即N_SheetMetal+2；由于钣金件在不同钣金布局图中其位置信息不完全相同，并且在钣金布局图中设置钣金件的位置信息，因此钣金件的N维one-hot向量被扩展为N_All＝N_SheetMetal+2+N_Position维的向量，其中N_Position＝2(X轴和Y轴两个坐标位置)。

6.根据权利要求1所述的一种基于深度学习的钣金布局方法，其特征在于，所述步骤E中，循环神经网络的输出层神经元个数与输入层相同，即N+1+1+2个，循环神经网络的输出层，既包含分类问题的输出，即N+1+1个零件分类，也包含回归问题的输出，即X轴坐标位置/基板利用率和Y轴坐标位置；随后定义循环神经网络的时间步，时间步由训练样本集中最长训练样本的长度确定，最后定义循环神经网络单元。