基于深度学习的二维轮廓排样定序方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109543899A(43)申请公布日2019.03.29(21)申请号201811384644.X(22)申请日2018.11.20(71)申请人燕山大学地址066000河北省秦皇岛市海港区河北大街西段438号(72)发明人郭保苏胡敬文李锦瑞庄集超章钦(74)专利代理机构北京孚睿湾知识产权代理事务所(普通合伙)11474代理人于琪(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图3页(54)发明名称基于深度学习的二维轮廓排样定序方法(57)摘要本发明公开了一种基于深度学习的二维轮廓排样定序方法，具体包括：获取排样历史大数据并预处理，对历史数据中所有已排样的零件进行标定得到排样顺序矩阵Y；提取每个已排样零件的几何特征，得到几何特征矩阵X；整理得到排样定序数据集PRD-T；建立深度学习模型Packing-Sort-Model；输入PRD-T数据集，训练得到能够输出待排样零件排样顺序的模型Packing-Sort-Model；提取待排样零件几何特征，得到待排样零件的几何特征矩阵A；将待排样零件的几何特征矩阵输入到已训练完成的深度学习模型中；计算得待排样零件的排样顺序矩阵B；按照排样顺序对待排样零件进行逐一靠接排样，完成排样。本发明能实现排样过程中待排零件的定序，排样效果好、效率高。CN109543899ACN109543899A权利要求书1/1页1.一种基于深度学习的二维轮廓排样定序方法，其特征在于，所述方法具体包括以下步骤：S1：获取排样领域存在的历史大数据；S2：对所述排样历史大数据进行预处理，对m个排样零件的排样顺序进行标定，获得所述m个排样零件的排样顺序矩阵Y，Y为1*m的矩阵；S3：提取历史数据中各排样零件的几何特征，构成所有历史数据中已排样零件的几何T特征矩阵X＝{Xi,i＝1,2…m}，第i个已排样零件的几何特征Xi＝{g1i,g2i…gji…gni}，gji为第i个排样零件几何特征中的第j个几何特征，n为所提取的几何特征的种类数n≥1，即X为n*m的矩阵；S4：对S2获得的排样顺序矩阵Y和S3获得的几何特征矩阵X进行打包整理，得到关于二维轮廓排样定序问题的训练数据集PRD-T；S5：搭建深度学习模型Packing-Sort-Model，并利用S4获得的所述训练数据集PRD-T对所述深度学习模型Packing-Sort-Model进行训练，使得该模型能够预测待排样件的排样顺序；S6：对各待排样零件进行遍历，提取各待排样零件的几何特征，构成待排样零件的几何特征矩阵A；S7：将S6得到的所述待排样零件的几何特征矩阵A输入到S5得到的深度学习模型Packing-Sort-Model中，预测获得待排样零件的排样顺序矩阵B；以及S8：根据S7所述待排样件排样顺序矩阵B制定待排样件的排样顺序，并依据排样顺序对待排样零件进行逐一靠接排样。2.根据权利要求1所述的基于深度学习的二维轮廓排样定序方法，其特征在于，S3中所述各排样零件的几何特征包含各零件的全部可用数学语言描述的几何特征。3.根据权利要求1所述的基于深度学习的二维轮廓排样定序方法，其特征在于，所述S6具体包括以下步骤：(1)提取各排样零件包括面积、边数、矩形度、凹凸性在内的几何特征；(2)所述待排样零件的几何特征矩阵A＝{ai,i＝1,2…m}，第i个待排样零件的几何特征Tai＝{g1i,g2i,g3i…gni}，A为n*m的矩阵。2CN109543899A说明书1/4页基于深度学习的二维轮廓排样定序方法技术领域[0001]本发明涉及一种轮廓排样定序方法，尤其涉及一种基于深度学习的二维轮廓排样定序方法。背景技术[0002]排样问题普遍存在于制造业领域，解决好此问题对于提高材料利用率、降低企业成本具有极大帮助，基于此，与排样问题相关的课题具有极为重要的研究价值。[0003]目前排样领域中研究的最广泛的是二维轮廓排样问题，其中又包括定位问题和定序问题，对于多个零件来说，排样顺序是决定最终排样质量的一个主要因素。常见的二维轮廓排样定序方法主要包括：基于启发式算法的排样定序方法和基于智能优化算法的排样定序方法。[0004]启发式算法通常根据当前排样条件和先验知识来决定下一个排样零件的序号，例如选择排样后排样高度最低的零件作为下一个排样零件，这种方法算法速度较快，但由于其没有综合考虑排样整体分布情况会导致最终排样利用率较低。[0005]以智能优化算法为基础的解决排样定序问题的方法主要是通过采用遗传算法GA、模拟退火算法SA、爬山算法等智能算法对排样顺序的组合问题进行求解，以得到最优解。此种方法时间复杂度