“深制科技（苏州）有限公司”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于深度学习的钣金布局方法-CN201910972660.9有效
发明人：支含绪;马佳;马腾;邓森洋;陈雨晨 -专利权人： 深制科技（苏州）有限公司
申请日： 2019-10-14 - 公布日： 2023-10-24 - 主分类号： G06T11/20 文献下载
摘要：本发明公开了一种基于深度学习的钣金布局方法，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，本发明的方法可以通过对钣金展平图的学习，实现钣金的自动布局，并且随着不断地学习，其甚至会达到最佳布局方案。
一种基于深度学习布局方法

[发明专利]一种基于深度学习的零部件属性矩阵自动生成方法-CN201910986705.8有效
发明人：马腾;马佳;支含绪;邓森洋;陈雨晨 -专利权人： 深制科技（苏州）有限公司
申请日： 2019-10-17 - 公布日： 2023-08-08 - 主分类号： G06F30/17 文献下载
摘要：本发明公开了一种基于深度学习的零部件属性矩阵自动生成方法，包含以下步骤：A、获取作为样本的产品的零部件信息，创建零部件字典；B、创建零部件的数值映射；C、定义属性矩阵E的大小；D、根据样本产品的结构，建立零部件序列模型；E、设定固定的滑动窗口，划分零部件序列模型，形成训练样本集D；F、构建神经网络结构，并确定网络的输入层、隐含层与输出层；G、对相关的样本进行训练；H、使用属性矩阵E，本发明提出一种基于深度学习的零部件属性矩阵自动生成方法，通过该方法，无需人工对海量零部件的大量属性进行逐一标记，即可自动得到属性矩阵。
一种基于深度学习零部件属性矩阵自动生成方法

[发明专利]一种以无故障数据为主的故障诊断方法-CN202011404034.9在审
发明人：马佳;马腾;邓森洋;陈雨晨;支含绪 -专利权人： 深制科技（苏州）有限公司
申请日： 2020-12-03 - 公布日： 2021-02-26 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种以无故障数据为主的故障诊断方法，在该方法中，其由两个模型构成，即故障数据检测模型以及故障识别分类模型。由这两个模型共同作用对以无故障数据为主的故障进行诊断。故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络（深度学习）模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成。利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型。基于此，在本发明专利中，对于几乎没有故障数据的情况，亦可通过该方法对故障进行识别及诊断。
一种故障数据为主故障诊断方法

[发明专利]一种面向深度学习的3D结构及其创建方法-CN202011051809.9在审
发明人：马佳;马腾;邓森洋;支含绪 -专利权人： 深制科技（苏州）有限公司
申请日： 2020-09-29 - 公布日： 2021-01-15 - 主分类号： G06F30/17 文献下载
摘要：本发明公开了一种面向深度学习的3D结构及其创建方法，主要包括Group节点类型、Models节点类型、部件节点类型、零件节点类型、三维关系节点类型、装配关系节点类型、约束节点类型、装配几何特征节点类型、几何特征节点类型、映射特征节点类型，所述Group节点类型，用于对一类零部件进行归类；所述Models节点类型，用于放置Group节点类型下归类的零部件；所述部件节点类型，用于放置Group节点类型下归类的部件；所述零件节点类型，用于放置Group节点类型下归类的零件。本发明涉及一种面向深度学习的3D结构及其创建方法，解决了传统3D结构在系统中的分散及无法搜索的问题，最终利用深度学习有机会在Deep3D中，进行更加准确的设计。
一种面向深度学习结构及其创建方法

[发明专利]一种基于深度学习的Part2Vec零件向量化处理方法-CN202011131175.8在审
发明人：马佳;支含绪;马腾;邓森洋;陈雨晨 -专利权人： 深制科技（苏州）有限公司
申请日： 2020-10-21 - 公布日： 2021-01-15 - 主分类号： G06K9/62 文献下载
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。
一种基于深度学习 part2vec 零件量化处理方法

[发明专利]一种面向深度学习的Bom结构及其创建方法-CN202010499178.0在审
发明人：马佳;马腾;邓森洋;陈雨晨;支含绪 -专利权人： 深制科技（苏州）有限公司
申请日： 2020-06-04 - 公布日： 2020-09-04 - 主分类号： G06F30/17 文献下载
摘要：本发明公开了一种面向深度学习的Bom结构及其创建方法，主要包括两部分内容：第一部分，先对面向深度学习的Bom结构（即DeepBom结构）进行介绍，主要介绍了结构包含的7种节点类型以及它们的作用；第二部分，则对DeepBom结构中7种节点类型的创建过程进行阐述。本发明在结构上设计合理，通过该方法创建的面向深度学习的Bom结构（即DeepBom结构）具有标准化、可配置化等特点，与Bom结构一样采用阶梯层次结构，其中包含产品所有配置状态可用零部件的全集，因而能够满足一类产品所有的订单需求。并且基于DeepBom结构的特点，可将其应用到深度学习中，利用神经网络算法，对产品的Bom结构进行有效的推荐，从而提升产品的智能设计效率。
一种面向深度学习 bom 结构及其创建方法