[发明专利]用于物理零件的3D打印的热量感知工具路径重新排序在审
| 申请号： | 202080102180.8 | 申请日： | 2020-06-19 |
| 公开（公告）号： | CN115720658A | 公开（公告）日： | 2023-02-28 |
| 发明（设计）人： | K·埃辛;奥马尔·费尔冈尼;F·海因里希斯多夫;D·卡西安;D·列兹尼克 | 申请（专利权）人： | 西门子工业软件有限公司 |
| 主分类号： | G06F30/27 | 分类号： | G06F30/27 |
| 代理公司： | 华进联合专利商标代理有限公司 44224 | 代理人： | 景怀宇 |
| 地址： | 美国德*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种计算系统(100)可以包括访问引擎(108)和工具路径重新排序引擎(110)。访问引擎(108)可以被配置来访问3D CAD对象的切片的原始的层工具路径以及原始的层工具路径的热临界度度量(240、340、540)。热临界度度量可以指明针对原始的层工具路径的多个工具路径段上的不同点的热影响，以用于使用原始的层工具路径进行物理零件的3D打印。工具路径重新排序引擎(110)可以被配置为将多个工具路径段重新排序为经修改的层工具路径(250、350、550)，并且经修改的层工具路径(250、350、550)可以具有与原始的层工具路径的热临界度度量(240、340、540)相比对物理零件的热影响更小的热临界度度量。 | ||
| 搜索关键词： | 用于 物理 零件 打印 热量 感知 工具 路径 重新 排序 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西门子工业软件有限公司，未经西门子工业软件有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202080102180.8/，转载请声明来源钻瓜专利网。
- 上一篇：节能状态下的数据传输
- 下一篇：用于无线通信的方法及设备
- 同类专利
- 设计支援装置、设计支援方法及设计支援程序-202180082638.2
- 花冈恭平 - 株式会社力森诺科
- 2021-11-24 - 2023-08-15 - G06F30/27
- 本发明的一实施方式所涉及的设计支援装置具备：数据获取部，获取由设计参数组和特性项的观测值构成的实绩数据；模型构建部，构建预测模型，所述预测模型基于设计参数组将特性项的观测值作为概率分布等进行预测；获得函数构建部，构建每个特性项的获得函数；设计参数组候选生成部，通过多个获得函数的多目标优化，生成多个设计参数组候选；选择部，基于通过将设计参数组候选输入到预测模型所得到的观测值的概率分布等，算出相对于所有特性项的目标值的整体达成概率，选择整体达成概率最高的至少一个设计参数组候选；及输出部，输出设计参数组候选。
- 设计支援装置、设计支援方法及设计支援程序-202180082652.2
- 花冈恭平 - 株式会社力森诺科
- 2021-11-24 - 2023-08-08 - G06F30/27
- 本发明的一实施方式所涉及的设计支援装置具备：数据获取部，获取由设计参数组和特性项的观测值构成的实绩数据；模型构建部，构建基于设计参数组将特性项的观测值作为概率分布等进行预测的预测模型；获得函数构建部，构建单一目标指向获得函数，所述单一目标指向获得函数包括目标达成概率项，并且将设计参数组作为输入，将与所有特性项的特性的提高相关的指标值作为输出，所述目标达成概率项包括基于各预测模型将设计参数组作为变量算出且所有特性项的目标值达成的整体达成概率；设计参数组获取部，通过目标指向获得函数的优化，至少获取一个设计参数组；及输出部，输出设计参数组候选。
- 用于机器学习处理的可重新配置的计算架构-202080106907.X
- R·苏布拉马尼亚姆;R·坎贝尔;J·K·珍颂;王蓝;C·C·莫尔曼 - 惠普发展公司;有限责任合伙企业
- 2020-10-29 - 2023-07-18 - G06F30/27
- 一个示例提供了一种用于管理机器学习(ML)处理的可重新配置的计算架构，其包括可配置的互连结构和多个可编程的逻辑块，每个可编程的逻辑块具有可配置的操作集合。对于计算架构的多个架构配置中的每个而言，每个可编程的逻辑块具有对应的操作集合并且互连结构具有对应的数据路径结构以将可编程的逻辑块彼此互连并且与计算架构的输入和输出互连。可编程的逻辑块包括：输入/输出块，其具有操作集合，包括用于提供虚拟接口以从请求源接收用于ML处理的外部会话请求；以及弹性AI/ML处理块，其具有操作集合，包括用于针对每个外部会话请求和多个事件驱动的内部会话请求中的每个利用会话实现来配置多个AI/ML引擎。
- 利用人工智能方案的宏布置-202280005976.0
- 许大山;亚历山德鲁·乔巴;张富杰 - 联发科技股份有限公司
- 2022-10-12 - 2023-06-23 - G06F30/27
- 系统使用神经网络(NN)进行宏布置。系统接收包括目标和偏好子空间的输入。每个偏好都是分配给相应目标的权重向量，每个目标都是对放置特征的度量。该系统训练NN将宏布置在一组训练芯片上以优化根据目标和偏好计算的回报。神经网络生成在芯片当前状态下动作的概率分布，动作表示芯片上放置宏的坐标。NN进一步生成一系列(状态，动作)对以形成轨迹，轨迹中的最终状态对应于完成的宏布置。
- 利用人工智能方案在连续动作空间的宏布置-202280005737.5
- 许大山;亚历山德鲁·乔巴;张富杰 - 联发科技股份有限公司
- 2022-10-12 - 2023-06-13 - G06F30/27
- 神经网络(NN)在芯片上执行宏布置。更新遮罩以标记芯片画布上已放置的宏占用的无效区域。NN的策略网络针对芯片画布的给定状态生成连续动作空间上的二维(2D)连续概率分布的汇总统计数据。NN根据连续概率分布选择动作。所选动作对应于未遮蔽区域中的坐标。NN生成包含(状态、动作)对的轨迹。轨迹中的最终状态对应于宏的完整放置。
- 利用对比样本训练神经网络用于宏布置-202280005736.0
- 许大山;亚历山德鲁·乔巴;张富杰 - 联发科技股份有限公司
- 2022-10-12 - 2023-06-13 - G06F30/27
- 一种训练用于宏布置的神经网络的系统。系统通过从芯片的至少部分放置的画布中以不同顺序依次移除同一组宏来构建轨迹的一组正样本。系统还通过将尚未放置的宏放置在芯片的至少部分空白的画布上的随机位置来构建轨迹的一组负样本。系统接着使用正样本和负样本训练神经网络和神经网络中的图神经网络GNN。
- 基础设施模型的错误分类元素的自动标识-202180065437.1
- K-A·贾贾;H·伯杰龙;M-A·拉庞特;K·佩奇;E·劳许-拉鲁什 - 本特利系统有限公司
- 2021-06-30 - 2023-06-13 - G06F30/27
- 在示例实施例中，提供了使用机器学习来自动标识基础设施模型的错误分类元素的技术。在第一组实施例中，监督机器学习用于训练使用描述元素的不同类型的数据的一个或多个分类模型(例如，使用几何数据的几何分类模型、使用文本数据的自然语言处理(NLP)分类模型、以及使用几何和文本数据的组合的全知(Omni)分类模型；或使用几何数据、文本数据以及几何和文本数据的组合的单个分类模型)。比较来自分类模型的预测(例如，来自几何分类模型、NLP分类模型和Omni分类模型的预测)以标识错误分类元素，或直接产生的错误分类元素的预测(例如，来自单个分类模型)。在第二组实施例中，无监督机器学习用于检测指示错误分类的描述元素的数据(例如，几何数据和文本数据)中的异常关联。标识的错误分类被显示给用户以供审核和修正。
- 在计算机辅助设计环境中修剪相交主体的方法和系统-202080104527.2
- K·桑利卡尔;D·萨罗德;V·博格瓦;A·古鲁香卡;M·马丁斯 - 西门子工业软件公司
- 2020-07-23 - 2023-06-02 - G06F30/27
- 公开了一种用于在计算机辅助设计环境中修剪几何模型的相交主体的方法和系统。在一个实施例中，一种方法包括确定几何模型的彼此相交的多个主体。该方法包括计算要从几何模型中修剪的几何模型中的一个或多个相交主体的体积。此外，该方法包括确定几何模型中至少一个相交主体的修剪偏移值，并基于修剪偏移值重新计算要从几何模型中修剪的几何模型中的至少一个相交主体的体积。此外，该方法包括通过对几何模型的一个或多个相交主体的体积执行修剪操作来生成修改的几何模型。
- 特性显示方法、特性显示装置、信息处理装置以及程序-202180051757.1
- 田中武拓;若杉健介;森川幸治 - 松下知识产权经营株式会社
- 2021-08-19 - 2023-05-09 - G06F30/27
- 特性显示方法包括：取得多个变量和多个选择项数据(S101)；对所述多个变量的每一个从所述多个选择项数据选择一个选择项数据来决定所述化合物的结构，取得与所述结构对应的特性预测值(S101)；取得与所述结构对应的特性实验值(S101)；在与所述结构相应的位置生成表示所述特性预测值的映射，生成将所述特性实验值重叠于所述映射的第1图像，向显示部输出(S102、S103)；取得与在所述映射上选择的所述特性实验值对应的化合物识别信息(S104)；取得与所述特性实验值关联的化合物信息数据(S105)；生成包含表示所述化合物信息数据的化合物数据图像和所述第1图像的第2图像，向显示部输出(S106～S110)。
- 利用合规性验证对设计项目数据进行自动功能集群-202080104085.1
- 安德拉斯·瓦罗;伊丽莎白·海因德尔;娜塔莉亚·鲁梅勒;马丁·威特;古斯塔沃·阿尔图罗·基罗斯·阿拉亚;托马斯·特伦纳 - 西门子股份公司
- 2020-08-12 - 2023-04-28 - G06F30/27
- 系统和方法使用工程软件工具来构建设计项目的工业系统的图形设计，并且使用与该工程工具集成的人工智能(AI)模块来使用经训练的基于机器学习的模型对当前设计项目的组件的功能进行分类。AI模块接收当前项目的基于与图形设计相关联的数据的知识图。知识图表示分别代表系统组件的一组元素和元素关系的本体。AI模块基于分类器模型来识别每个知识图节点的功能，根据所识别的功能对知识图节点进行聚集，并且响应于用户查询基于集群来生成基于功能的推荐。由推断引擎在组件级别执行设计数据与规范标准和策略的合规性验证。
- 电子设计自动化（EDA）应用中基于机器学习的热点预测-202080102955.1
- 马远升;洪乐 - 西门子工业软件有限公司
- 2020-07-08 - 2023-03-31 - G06F30/27
- 计算系统(100)可以包括热点处理引擎(110)和热点预测引擎(112)。热点处理引擎(110)可以被配置来访问电路设计的制造电路上的热点位置的输入数据集(210)，将热点位置与电路设计的布局数据(240)相关联，并提取热点位置的片段特征向量(250、410、510)。热点处理引擎(110)还可以被配置来处理片段特征向量(250、410、510)，使得热点片段特征向量(251、411、511)占片段特征向量(250、410、510)中的特征向量的总数的阈值百分比，并提供处理的片段特征向量作为用于训练机器学习模型(610)的训练集。热点预测引擎(112)可以被配置为应用机器学习模型(610)以将电路设计的位置表征为热点位置或非热点位置。
- 使用卷积傅里叶网络分析多变量时间序列的系统、方法和计算机程序产品-202280004352.7
- 庄中方;M·叶;张维;古梦婷;郑艳;L·王 - 维萨国际服务协会
- 2022-05-24 - 2023-03-31 - G06F30/27
- 提供一种用于分析多变量时间序列的系统，所述系统包括至少一个处理器，所述至少一个处理器被编程或配置成接收历史数据点的时间序列，确定历史时间段，确定当代时间段，从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列，从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列，从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列，以及生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出。还提供了方法和计算机程序产品。
- 用于物理零件的3D打印的热量感知工具路径重新排序-202080102180.8
- K·埃辛;奥马尔·费尔冈尼;F·海因里希斯多夫;D·卡西安;D·列兹尼克 - 西门子工业软件有限公司
- 2020-06-19 - 2023-02-28 - G06F30/27
- 一种计算系统(100)可以包括访问引擎(108)和工具路径重新排序引擎(110)。访问引擎(108)可以被配置来访问3D CAD对象的切片的原始的层工具路径以及原始的层工具路径的热临界度度量(240、340、540)。热临界度度量可以指明针对原始的层工具路径的多个工具路径段上的不同点的热影响，以用于使用原始的层工具路径进行物理零件的3D打印。工具路径重新排序引擎(110)可以被配置为将多个工具路径段重新排序为经修改的层工具路径(250、350、550)，并且经修改的层工具路径(250、350、550)可以具有与原始的层工具路径的热临界度度量(240、340、540)相比对物理零件的热影响更小的热临界度度量。
- 用于使用机器学习模型生成几何组件的方法和系统-202080102373.3
- D·高斯瓦米;Y·辛格;U·库德奇 - 西门子工业软件公司
- 2020-08-13 - 2023-02-03 - G06F30/27
- 公开了一种用于使用机器学习模型在计算机辅助设计（CAD）环境中生成几何组件的方法和系统。一种用于在CAD环境中生成几何组件的计算机实现的方法包括基于用户选择的CAD命令确定要对CAD环境中的至少一个几何组件执行的几何操作。所述方法还包括使用一个或多个经训练的机器学习模型来确定包括几何组件中的一个或多个候选的一个或多个候选组，所述一个或多个候选适合于执行几何操作。所述方法包括从所述一个或多个候选组中标识要对其执行几何操作的至少一个候选组。所述方法还包括对所标识的候选组中的所述一个或多个候选执行几何操作。
- 用于疲劳响应预测的系统和方法-202080097543.3
- 卢西亚·米拉贝拉;埃琳娜·阿瓦尼蒂斯;刘德浩;尼古拉斯·拉门斯;胡诺尔·埃尔代伊;克里斯托弗·恩斯特·路德维格 - 西门子工业软件公司
- 2020-02-25 - 2022-10-11 - G06F30/27
- 本发明提供了一种用于预测材料的疲劳响应的计算机实现的方法。该方法包括接收指定一个或多个表面粗糙度参数的用户输入，该一个或多个表面粗糙度参数表征待预测疲劳寿命的材料的表面。该方法进一步包括从指定的一个或多个表面粗糙度参数生成至少一个逼真的虚拟表面轮廓。该方法进一步包括根据施加到生成的虚拟表面轮廓的应力场预测材料的疲劳寿命。根据具体实施例，能够使用基于有限元分析的模拟、机器学习方法或其组合来进行疲劳寿命的预测。
- 聚芳硫醚树脂组合物的制造条件的判定方法和树脂组合物的制造方法-202180007957.7
- 高田新吾;铃木徹;山地俊则;竹林良浩;小野巧;依田智 - DIC株式会社;国立研究开发法人产业技术综合研究所
- 2021-02-17 - 2022-08-19 - G06F30/27
- 聚芳硫醚树脂组合物的制造条件的判定方法使用数据集执行机械学习算法，从而将聚芳硫醚树脂组合物的特性改善对象项目的特性值作为目标变量的情况下，判定制造条件数据和物性测定数据中所含的多个项目中、针对前述特性改善对象项目的特性值的变化的重要度高的项目，所述数据集包含前述制造条件数据和前述物性测定数据，所述制造条件数据至少包含聚芳硫醚树脂组合物的配混成分、混合条件、熔融混炼时的混炼物温度作为制造条件项目，所述物性测定数据至少包含根据前述制造条件数据所示出的制造条件而制造的聚芳硫醚树脂组合物的耐冲击性作为特性值项目。
- 信息处理系统、信息处理方法及程序-202180008636.9
- 堀江正信;森田直树;井原遊 - 株式会社科学计算综合研究所
- 2021-01-08 - 2022-08-19 - G06F30/27
- 课题为使用机器学习适当地进行数值分析。信息处理系统(1)具备对象数据获取部(212)和数值分析处理部(213)(或结构推断部(316))。对象数据获取部(212)获取由网格形状表示的数值分析(或结构物的设计模拟)的对象物的数据。数值分析处理部(213)(或结构推断部(316))获取以与网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析(或结构物的设计模拟)的结果进行了机器学习的机器学习模型，推断数值分析(或结构物的设计模拟)的对象物中的数值分析的结果(或结构物的设计模拟结果)而得出的推断结果。
- 一种水库库岸滑坡的位移预测方法-202110888118.2
- 蒋亚楠;廖露;罗袆沅;燕翱翔;刘陈伟;吕鹏;孟然 - 成都理工大学
- 2021-08-03 - 2022-08-16 - G06F30/27
- 本发明公开了一种水库库岸滑坡的位移预测方法，获取滑坡的历史数据，将该历史数据作为训练集，该历史数据具体为水库的水位、水库所在地的降雨数据和滑坡的滑坡的位移观测值，然后建立滑坡位移预测模型，通过训练集对滑坡位移预测模型进行训练，再基于训练后的滑坡位移预测模型进行库岸滑坡位移预测，滑坡位移预测模型在进行预测时，会将上一时刻滑坡累积位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项，将影响因子进行分解并和滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项输入滑坡位移预测模型中得到预测时刻的滑坡位移趋势项、滑坡位移周期项和滑坡位移随机项，并将其相加即为预测时刻的滑坡累积位移，实现了滑坡位移的预测。
- 信息处理系统、信息处理方法及信息处理程序-202080077805.X
- 花冈恭平 - 昭和电工材料株式会社
- 2020-11-10 - 2022-07-08 - G06F30/27
- 一实施方式所涉及的信息处理系统针对多个成分对象获取数值表示及复合比，针对多个参考对象获取数值表示，通过将多个成分对象及多个参考对象各自的数值表示输入到第1机器学习模型，计算多个成分特征矢量及多个参考特征矢量，通过将这些特征矢量输入到第2机器学习模型，针对多个成分对象的每一个计算概率矢量，根据多个概率矢量及多个复合比，针对通过使多个成分对象复合而获得的复合对象，计算复合特征矢量。
- 信息处理系统、信息处理方法及信息处理程序-202080078167.3
- 花冈恭平 - 昭和电工材料株式会社
- 2020-11-10 - 2022-07-08 - G06F30/27
- 一实施方式所涉及的信息处理系统针对多个成分对象的每一个获取数值表示及复合比，通过将与多个成分对象对应的多个数值表示输入到第1机器学习模型，计算该多个成分对象各自的第1特征矢量，通过针对多个成分对象的每一个将复合比适用于第1特征矢量，计算该多个成分对象各自的第2特征矢量，通过将与多个成分对象对应的多个第2特征矢量输入到第2机器学习模型，计算表示通过使多个成分对象复合而获得的复合对象的特征的复合特征矢量。
- 用于集成电路设计延迟计算和验证的基于机器学习的方法和设备-202080082821.8
- M·拉曼;J·G·杜诺耶;N·阿布达拉 - 微芯片技术股份有限公司
- 2020-12-04 - 2022-07-08 - G06F30/27
- 一种用于具备延迟验证的集成电路设计的方法包括存储转换速率机器学习(ML)模型、信号线延迟ML模型和单元延迟ML模型的配置文件。接收用户设计，从该用户设计提取转换速率特征值、信号线延迟特征值和单元延迟特征值，载入配置文件以形成推断芯，并且执行转换速率推断芯的操作，以计算发送到ML设计工具的预测的转换速率值。执行信号线延迟推断芯的操作，以计算发送到ML设计工具的预测的信号线延迟值。执行单元延迟推断芯的操作，以生成发送到ML设计工具的预测的单元延迟值。迭代用户设计，直到获得不存在时序违规的用户设计。
- 在机载供能电网仿真中训练能量管理系统的方法和装置-202080077322.X
- A·海姆拉特;F·格雷夫 - 宝马股份公司
- 2020-10-23 - 2022-06-24 - G06F30/27
- 本发明涉及用于在机载供能电网仿真中训练能量管理系统(500)的方法和装置。所述方法实施成：仿真具有限定的再生的行驶循环；记录机载供能电网(700)的状态变量(710)；由再生电流和电池电压计算再生功率；产生神经网络(510)的输入向量；产生奖励函数(610)；以及训练所述神经网络(510)。
- 学习模型生成方法、程序、存储介质、学习完成模型-202080036528.8
- 川部留美;高桑达哉;增田晴久;仓本圭 - 大金工业株式会社
- 2020-05-12 - 2021-12-24 - G06F30/27
- 为了发现拨水剂等的优选组合，必须进行多次试验和研究，时间上和成本上的负担大。学习模型生成方法用于生成学习模型，该学习模型能够使用计算机来决定在基材上固定有表面处理剂的物品的评价。学习模型生成方法包括获取步骤(S12)、学习步骤(S15)和生成步骤(S16)。在获取步骤(S12)中，计算机获取示教数据。示教数据包括基材信息、处理剂信息和物品的评价。在学习步骤(S15)中，计算机基于在获取步骤(S12)中获取的多个示教数据来进行学习。在生成步骤(S16)中，计算机基于在学习步骤(S15)中学习的结果来生成学习模型。物品是使表面处理剂固定在基材上而得到的。学习模型能够将输入信息作为输入，将评价作为输出。输入信息是与示教数据不同的未知的信息。输入信息是至少包括基材信息和处理剂信息的信息。
- 迭代空间图生成-202080021714.4
- 李代卿;S·菲德勒;楚航;D·J·阿库纳·马雷罗;A·卡尔;M·舒格林纳;刘洺堉;A·托拉尔瓦 - 辉达公司
- 2020-03-21 - 2021-11-09 - G06F30/27
- 生成模型可用于生成空间布局和图形。这样的模型可以基于本地统计逐步增长这些布局和图形，其中节点可以表示布局的空间控制点，边可以表示节点之间的路段或路径，例如可能对应于道路段。生成模型可以利用编码器‑解码器架构，其中编码器是循环神经网络(RNN)，将本地传入路径编码为节点，解码器是另一个RNN，它生成传出节点以及将现有节点与新生成的节点连接起来的边。生成是迭代完成的，一旦访问了所有节点或满足另一个结束条件，即可完成生成。这样的模型可以通过附加地将条件设定为一组属性来生成布局，在生成布局时将控制权交给用户。
- AI系统及AI系统的工作方法-202080018555.2
- 木村肇;和田理人;木村将之;黑川义元;青木健 - 株式会社半导体能源研究所
- 2020-02-24 - 2021-11-05 - G06F30/27
- 提供一种从电路图或示出电路结构的文件制作网表的系统。本发明的一个方式是一种包括第一电子设备的AI系统，第一电子设备包括输入/输出接口、控制部及第一转换部，输入/输出接口与控制部电连接，第一转换部与控制部电连接。输入/输出接口具有将由于使用者的操作而生成的输入数据发送到控制部的功能，控制部具有将输入数据发送到第一转换部的功能。注意，输入数据为描绘了电路结构的电路图或示出了电路结构的文档文件。第一转换部包括构成神经网络的电路，第一转换部使用第一转换部的神经网络将输入数据转换为网表。
- 专利分类
