基于深度学习的海绵排样方法

技术领域

本发明涉及深度学习技术领域，尤其涉及基于深度学习的海绵排样方法。

背景技术

伴随全球联通化程度越来越高，不同国家和企业的竞争变得愈趋激烈，也变得非常依赖资源和能源。作为在全球范围内一个拥有非常丰富资源的大国，但因我国人口数量庞大、经济飞速发展等诸多因素，我国在许多关键资源上还非常依赖于进口。令人痛心的是，我国在资源利用率上依然存在滞后问题，所以尽可能地保证资源被充分使用显得尤为重要。与此同时，在制造行业中，竞争对于身处行业的企业来说已经不再仅仅局限于产品性能，成本上的竞争对于企业来说也变得越来越重要。因此材料的合理利用，对于提升企业的竞争力，提高企业的生产效率至关重要。钣金作为机械生产过程中至关重要的原材料之一，在我国制造业蓬勃发展的背景下需求持续增长。然而，我国在钢铁资源利用率方面远远落后于英国、美国等先进制造业大国。在日益激烈的竞争环境下，提高钢铁利用率不仅在经济层面具有重要意义，而且对国家资源战略利用也显得至关重要。因此，我们迫切需要加强对资源利用和节约的意识，推动技术创新，优化生产流程，提高资源利用效率。在钣金领域，可以通过引进先进设备、提升工艺水平以及加强材料回收等措施来有效降低钢材的消耗量，实现资源的合理利用和循环利用。通过这样的努力，不仅能够降低企业的生产成本、提升产品质量，还能为国家的可持续发展做出重要贡献；因此，发明出基于深度学习的海绵排样方法变得尤为重要。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于深度学习的海绵排样方法。

为了实现上述目的，本发明采用了如下技术方案：

基于深度学习的海绵排样方法，该排样方法具体步骤如下：

(1)收集各类零件样件信息并进行形状转化；

(2)构建ptr-net模型并对其进行训练测试；

(3)ptr-net模型接收部件信息以生成排样方案；

(4)通过遗传算法对排样方案进行改进优化。

作为本发明的进一步方案，步骤(1)中所述零件样件信息形状转化具体步骤如下：

步骤一：收集互联网中以及企业提供的零件样件的数据，之后采集原材料的基本信息，再对采集到的零件样件以及原材料数据进行标注；

步骤二：从零件样件数据中提取非矩形部件的轮廓信息，遍历零件样件轮廓的顶点以获取图形0°的位置和此时的外接矩形，然后顺时针旋转5°，并获取此时轮廓图形的外接矩形，同时将该外接矩形与初始位置的外接矩形进行比较；

步骤三：收集面积更小的矩形长宽信息，再次按照旋转角度为5°旋转该零件样件轮廓，直至旋转360°后停止，并将每次的外接矩形与面积最小的外接矩形进行比较，以获取面积更小的矩形长宽信息，并将该外接矩形作为待排样件的最小外接包络矩形进行记录。

作为本发明的进一步方案，步骤(2)中所述所述ptr-net模型训练测试具体步骤如下：

步骤1：收集各组零件部件形状、数量和可用的原材料信息，以及各组零件部件的最小外接矩形长宽，同时使用(x,y)两点坐标的形式表示各最小外接矩形长宽，再将将零件部件的长宽构成输入向量；

步骤2：将各组输入向量按照7:3的比例划分为训练集以及测试集，之后将训练集输入ptr-net模型中，ptr-net模型的全连接层和决策网络接收训练集后联合进行训练，决策网络的编码器将输入进来的由矩形长宽组成的二维矩阵向量编码成整数数字；

步骤3：通过单层的LSTM将输出转化成每组输入矩形被选中的概率向量，并改造注意力机制以增加序列开始和结束的标志，之后决策网络的解码器输出各组零件部件序列通过最低水平线搜索法排样后的利用率，并计算其数学期望；

步骤4：若差距超过预设阈值，则基于策略梯度对ptr-net模型的预测值和实际值的均方误差进行优化，迭代训练和评估过程，直到模型在训练集上排样结果与实际最优排样之间的差距在预设阈值范围内；

步骤5：使用测试集来最终评估模型的性能，计算模型的排样结果，评估材料利用率以及与最优排样方案的差距。

作为本发明的进一步方案，步骤3中所述注意力机制具体计算公式如下：

p(C

式中，e

步骤4中所述策略梯度具体计算公式如下：

式中，Q表示待排样矩形的长宽集合，C

作为本发明的进一步方案，步骤(4)中所述排样方案改进优化具体步骤如下：

步骤Ⅰ：收集各组待排样矩形信息，之后将排样板材的下边界作为初始最低水平线，对待排样件按照BL策略进行摆放，每次排样进新的零件后对最低水平线进行更新和记录并放入集合中，更新集合直到待排样序号都排放完成或者板材无法摆放后结束；

步骤Ⅱ：若无待排样件则排样结束；若还有剩余待排样件，根据记录的最低水平线挑选出合适的待排样件进行靠左靠下排样，若更新后的最低水平线无法排入待排样件，则使用去掉这条水平线段后的最低水平线寻找合适的待排样件排入；

步骤Ⅲ：收集各组排列方案并将其作为初始种群，将待排样件通过旋转搜索法获取对应最小外接矩形的长宽信息，将待排样的矩形长宽信息输入进已经训练好的ptr-net模型以获取矩形排样序列，并将其加入遗传算法的初始种群中，同时对初始种群进行适应度计算；

步骤Ⅳ：若利用率到达要求，算法终止，并输出最佳排样方案，若没有达标，去掉适应度最低的个体，对其它个体进行基于填补空隙的变异操作，并对其他个体进行交叉操作；

步骤Ⅴ：复制适应度最高的个体维持种群数量，并根据预设的最大迭代次数进行计算，直至最大迭代次数结束，输出输出最佳排样方案。

作为本发明的进一步方案，步骤Ⅳ中所述利用率具体计算公式如下：

且满足约束：

R

式中，H

相比于现有技术，本发明的有益效果在于：

该基于深度学习的海绵排样方法通过收集各组待排样矩形信息，之后将排样板材的下边界作为初始最低水平线，生成各组排列方案并将其作为初始种群，将待排样件通过旋转搜索法获取对应最小外接矩形的长宽信息，将待排样的矩形长宽信息输入进已经训练好的ptr-net模型以获取矩形排样序列，并将其加入遗传算法的初始种群中，同时对初始种群进行适应度计算，若利用率到达要求，算法终止，并输出最佳排样方案，若没有达标，去掉适应度最低的个体，对其它个体进行基于填补空隙的变异操作，并对其他个体进行交叉操作，复制适应度最高的个体维持种群数量，并根据预设的最大迭代次数进行计算，直至最大迭代次数结束，输出输出最佳排样方案，能够自动化排样过程，减少人工干预和主观性，提高排样的一致性和效率，能够实现更接近最优解的排样结果，降低材料浪费，适用于各种不同的部件形状和原材料类型，能够可以帮助企业节省开发成本，并提高生产效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的基于深度学习的海绵排样方法的流程框图；

图2为本发明提出的基于深度学习的海绵排样方法的算法流程图。

具体实施方式

实施例1

参照图1，基于深度学习的海绵排样方法，该排样方法具体步骤如下：

收集各类零件样件信息并进行形状转化。

具体的，收集互联网中以及企业提供的零件样件的数据，之后采集原材料的基本信息，再对采集到的零件样件以及原材料数据进行标注，从零件样件数据中提取非矩形部件的轮廓信息，遍历零件样件轮廓的顶点以获取图形0°的位置和此时的外接矩形，然后顺时针旋转5°，并获取此时轮廓图形的外接矩形，同时将该外接矩形与初始位置的外接矩形进行比较，收集面积更小的矩形长宽信息，再次按照旋转角度为5°旋转该零件样件轮廓，直至旋转360°后停止，并将每次的外接矩形与面积最小的外接矩形进行比较，以获取面积更小的矩形长宽信息，并将该外接矩形作为待排样件的最小外接包络矩形进行记录。

构建ptr-net模型并对其进行训练测试。

具体的，收集各组零件部件形状、数量和可用的原材料信息，以及各组零件部件的最小外接矩形长宽，同时使用(x,y)两点坐标的形式表示各最小外接矩形长宽，再将将零件部件的长宽构成输入向量，将各组输入向量按照7:3的比例划分为训练集以及测试集，之后将训练集输入ptr-net模型中，ptr-net模型的全连接层和决策网络接收训练集后联合进行训练，决策网络的编码器将输入进来的由矩形长宽组成的二维矩阵向量编码成整数数字，通过单层的LSTM将输出转化成每组输入矩形被选中的概率向量，并改造注意力机制以增加序列开始和结束的标志，之后决策网络的解码器输出各组零件部件序列通过最低水平线搜索法排样后的利用率，并计算其数学期望，若差距超过预设阈值，则基于策略梯度对ptr-net模型的预测值和实际值的均方误差进行优化，迭代训练和评估过程，直到模型在训练集上排样结果与实际最优排样之间的差距在预设阈值范围内，使用测试集来最终评估模型的性能，计算模型的排样结果，评估材料利用率以及与最优排样方案的差距。

本实施例中，注意力机制具体计算公式如下：

式中，e

策略梯度具体计算公式如下：

式中，Q表示待排样矩形的长宽集合，C

实施例2

参照图1-2，基于深度学习的海绵排样方法，该排样方法具体步骤如下：

ptr-net模型接收部件信息以生成排样方案。

通过遗传算法对排样方案进行改进优化。

具体的，参考图2，收集各组待排样矩形信息，之后将排样板材的下边界作为初始最低水平线，对待排样件按照BL策略进行摆放，每次排样进新的零件后对最低水平线进行更新和记录并放入集合中，更新集合直到待排样序号都排放完成或者板材无法摆放后结束，若无待排样件则排样结束；若还有剩余待排样件，根据记录的最低水平线挑选出合适的待排样件进行靠左靠下排样，若更新后的最低水平线无法排入待排样件，则使用去掉这条水平线段后的最低水平线寻找合适的待排样件排入，收集各组排列方案并将其作为初始种群，将待排样件通过旋转搜索法获取对应最小外接矩形的长宽信息，将待排样的矩形长宽信息输入进已经训练好的ptr-net模型以获取矩形排样序列，并将其加入遗传算法的初始种群中，同时对初始种群进行适应度计算，若利用率到达要求，算法终止，并输出最佳排样方案，若没有达标，去掉适应度最低的个体，对其它个体进行基于填补空隙的变异操作，并对其他个体进行交叉操作，复制适应度最高的个体维持种群数量，并根据预设的最大迭代次数进行计算，直至最大迭代次数结束，输出输出最佳排样方案。

本实施例中，利用率具体计算公式如下：

且满足约束：

R

式中，H

需要进一步说明的是，ptr-net模型生成排样方案后，遗传算法对其进行优化，然后将优化后的结果反馈给ptr-net模型，以帮助模型更好地学习和改进排样策略；该反馈循环可以多次迭代，以逐渐改进排样效果。