一种基于深度学习的Part2Vec零件向量化处理方法

技术领域

本发明涉及一种向量化处理方法，具体是一种基于深度学习的Part2Vec零件向量化处理方法。

背景技术

随着智能化设计地不断深入，对产品设计提出了更高的要求，如何能够快速地进行产品智能设计，包括智能重用，智能配置等，已成为众多学者热衷研究的热点与难题之一。

在智能设计的过程中，最为关键的难点在于如何有效地表示零件，通常采用一些方法，如One-Hot向量、PF-IPF(具体过程请参考专利“基于TF-IDF思想计算产品结构相似性的方法”)等，对零件进行向量化表示。

然而，采用One-Hot向量表示零件时，零件间One-Hot向量的內积均为零，容易造成零件的孤立状态，忽略零件间的相关性，且网络训练的难度会随One-Hot向量维度的增加而大大增加；采用PF-IPF方式表示零件，单纯地以“零件频率”衡量一个零件的重要程度，频率大的零件越不重要，而频率小的零件越重要，这显然并不适用于一些特殊案例，使得该方法在使用中存在诸多局限性。

发明内容

本发明的目的在于提供一种基于深度学习的Part2Vec零件向量化处理方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的Part2Vec零件向量化处理方法，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。

一种基于深度学习的Part2Vec零件向量化处理方法，该方法包括以下步骤：

1)对已有的产品结构进行预处理；

2)创建零件字典；

3)基于零件间的约束关系，构建训练样本和样本集；

4)确定神经网络结构；

5)对获取到的样本集数据进行训练；

6)获取输入层到隐藏层之间的权值矩阵，并转化为嵌入矩阵。

作为本发明进一步的方案：所述步骤1)中，产品结构中的零件是基于产品设计需求并按一定的顺序组合在一起的，零件间存在一定的关联性和有序性。因而自顶向下地对已有的产品结构进行序列化(亦可自底向上对已有的产品结构进行序列化，只需所有样本均按照统一方式进行序列化处理即可)，形成零件序列，如图1所示。

作为本发明再进一步的方案：所述步骤2)中，依据零件的ID，区分产品结构中不同的零件，并对每一个零件进行聚类处理，将其放入零件字典中，零件字典中零部件的个数为N

作为本发明再进一步的方案：所述步骤3)中，在产品结构中，零件是通过约束关系耦合在一起的，因此可基于当前零件Pi的约束，获取与Pi发生耦合关系的零件集(P

作为本发明再进一步的方案：所述步骤4)中，神经网络结构的输出层神经元个数与输入层相同，均等于零件字典的长度，即N

作为本发明再进一步的方案：所述步骤5)中，将二维张量样本集放入已经定义好的神经网络中，并选取合适的激活函数(如Tanh，Sigmoid，ReLu，Softmax等)，通过反向传播计算，并利用交叉熵损失函数得到相应的权值矩阵和符合预期的网络结构，然而，本发明的目标是在不改变零件相关性的前提下对零件进行向量化表示，因而训练该神经网络的目的是为了获取输入层到隐藏层的权值矩阵，该权值矩阵的维度为N

作为本发明再进一步的方案：所述步骤6)中，由步骤5可得，输入层到隐藏层的权值矩阵，该权值矩阵可转化为嵌入矩阵E，嵌入矩阵的维度亦为N

与现有技术相比，本发明的有益效果是：

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。

附图说明

图1为一种基于深度学习的Part2Vec零件向量化处理方法中产品结构序列化的示意图。

图2为一种基于深度学习的Part2Vec零件向量化处理方法中构建训练样本集的示意图。

图3为一种基于深度学习的Part2Vec零件向量化处理方法中基于“假任务”模式训练神经网络的原理示意图。

图4为一种基于深度学习的Part2Vec零件向量化处理方法中权值矩阵转化为嵌入矩阵的示意图。

图5为一种基于深度学习的Part2Vec零件向量化处理方法中零件字典的表格示意图。

图6为一种基于深度学习的Part2Vec零件向量化处理方法中的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1～6，本发明实施例中，一种基于深度学习的Part2Vec零件向量化处理方法，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。

一种基于深度学习的Part2Vec零件向量化处理方法，该方法包括以下步骤：

1)对已有的产品结构进行预处理；

2)创建零件字典；

3)基于零件间的约束关系，构建训练样本和样本集；

4)确定神经网络结构；

5)对获取到的样本集数据进行训练；

6)获取输入层到隐藏层之间的权值矩阵，并转化为嵌入矩阵。

所述步骤1)中，产品结构中的零件是基于产品设计需求并按一定的顺序组合在一起的，零件间存在一定的关联性和有序性，因而自顶向下地对已有的产品结构进行序列化(亦可自底向上对已有的产品结构进行序列化，只需所有样本均按照统一方式进行序列化处理即可)，形成零件序列，如图1所示。

所述步骤2)中，依据零件的ID，区分产品结构中不同的零件，并对每一个零件进行聚类处理，将其放入零件字典中，零件字典中零部件的个数为N

所述步骤3)中，在产品结构中，零件是通过约束关系耦合在一起的，因此可基于当前零件P

所述步骤4)中，神经网络结构的输出层神经元个数与输入层相同，均等于零件字典的长度，即N

所述步骤5)中，将二维张量样本集放入已经定义好的神经网络中，并选取合适的激活函数(如Tanh，Sigmoid，ReLu，Softmax等)，通过反向传播计算，并利用交叉熵损失函数得到相应的权值矩阵和符合预期的网络结构，然而，本发明的目标是在不改变零件相关性的前提下对零件进行向量化表示，因而训练该神经网络的目的是为了获取输入层到隐藏层的权值矩阵，该权值矩阵的维度为N

所述步骤6)中，由步骤5可得，输入层到隐藏层的权值矩阵，该权值矩阵可转化为嵌入矩阵E，嵌入矩阵的维度亦为N

本发明的工作原理是：

本发明涉及一种基于深度学习的Part2Vec零件向量化处理方法，在本发明中，提出了一种基于深度学习的Part2Vec零件向量化处理方法，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，旨在为零件的相似性比较以及产品智能配置等智能设计问题提供解决方案。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。