-
公开(公告)号：CN118674892A
公开(公告)日：2024-09-20
申请号：CN202410821545.2
申请日：2024-06-24
Applicant: 东南大学
IPC: G06T17/30 , G06N3/0475 , G06N3/045 , G06N3/094 , G06F30/17 , G06F30/27 , G06F111/10
Abstract: 本发明设计了一种基于生成对抗神经网络的孪生表面建模方法，通过机理多项式生成和实测扫描的方式构建孪生装配结合面的数据集；通过构建生成器和鉴别器形成生成对抗神经网络模型；构建动态多阶段训练策略，并在数据集上对生成对抗神经网络进行训练，构建孪生装配结合面的生成模型，提高复杂产品数字孪生装配场景下虚拟模型和物理模型的映射效率。
-
公开(公告)号：CN116911170A
公开(公告)日：2023-10-20
申请号：CN202310763826.2
申请日：2023-06-27
Applicant: 东南大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/04
Abstract: 本发明涉及一种基于神经网络和小位移旋量的公差建模方法。现有的旋量模型往往通过设计公差给定各自由度的变动范围，这无法精确反映实际装配性能，无法满足高精度装配需求公差建模。在相同生产工艺下加工、装配的类似结构的零部件公差往往符合同一规律。通过对这一规律的利用，可以结合零件的装配结合面的实际加工性能，精确、高效地构建零件的小位移旋量偏差模型，为装配性能的分析奠定基础。为了分析零部件的装配偏差规律，本发明利用旋量模型来表达零件相关几何特征的公差变动量，通过神经网络对零件实际装配结合面偏差数据进行学习，构建旋量预测模型，通过获取零件几何特征的参数，输出旋量偏差数值变动范围，提高零件公差生成效率和精度。
-
公开(公告)号：CN110728354A
公开(公告)日：2020-01-24
申请号：CN201910858428.2
申请日：2019-09-11
Applicant: 东南大学
IPC: G06N3/04
Abstract: 本发明公开了一种改进的滑动式分组卷积神经网络，在总通道里取第一个通道到第G个通道为第一组输入进行卷积，经过卷积操作后输出S个通道，接着，以第一组输入长度G在总通道上进行滑动，S作为滑动的步长，第二组卷积的输入为总通道数的第S+1个通道到第S+G，总共仍是G个通道作为一组输入进行卷积操作，并输出S个通道，以此类推；特别之处在于，后一组输入通道的前G-S个通道与前一组输入通道的后G-S个通道是共享的，每组之间都按照这种关系来进行信息交流。本发明进一步解决了神经网络参数复杂度过高的问题，且测试准确度有所提高。本发明是一种结合全精度高效神经网络的算法硬件协同压缩方法，并且降低了硬件资源消耗。
-
Patent Agency Ranking
公开(公告)号：CN110728354B
公开(公告)日：2024-04-09
申请号：CN201910858428.2
申请日：2019-09-11
Applicant: 东南大学
IPC: G06N3/0464
Abstract: 本发明公开了一种改进的滑动式分组卷积神经网络，在总通道里取第一个通道到第G个通道为第一组输入进行卷积，经过卷积操作后输出S个通道，接着，以第一组输入长度G在总通道上进行滑动，S作为滑动的步长，第二组卷积的输入为总通道数的第S+1个通道到第S+G，总共仍是G个通道作为一组输入进行卷积操作，并输出S个通道，以此类推；特别之处在于，后一组输入通道的前G‑S个通道与前一组输入通道的后G‑S个通道是共享的，每组之间都按照这种关系来进行信息交流。本发明进一步解决了神经网络参数复杂度过高的问题，且测试准确度有所提高。本发明是一种结合全精度高效神经网络的算法硬件协同压缩方法，并且降低了硬件资源消耗。
-
公开(公告)号：CN116933501A
公开(公告)日：2023-10-24
申请号：CN202310768734.3
申请日：2023-06-27
Applicant: 东南大学
Abstract: 本发明涉及一种零件装配公差敏感度识别方法及系统，根据装配体的三维工艺设计模型获得装配尺寸链和装配序列，获得装配序列中每个工序对应的装配工序模型；对于每一个装配工序模型，获得该工序下新装配的板类零件相对于装配基准的位置坐标、板类零件沿装配尺寸链方向的距离尺寸、该工序的埋件数量、装配结合面数量和板类零件的尺寸公差，以所述位置坐标、距离尺寸、埋件数量和板类零件构成该工序的单元样本；将所有工序的单元样本按顺序构成样本集矩阵并标准化；设计基于TOPSIS算法的装配公差敏感度评价函数，对标准化后的矩阵进行评价，获得每个板类零件的敏感度得分，从而快速准确的获得各板类零件装配公差对整体装配精度影响程度。
-
公开(公告)号：CN118780159A
公开(公告)日：2024-10-15
申请号：CN202410821543.3
申请日：2024-06-24
Applicant: 东南大学
IPC: G06F30/27 , G06N5/01 , G06F111/04
Abstract: 本发明设计了一种基于图搜索的装配误差建模方法。在基于数字孪生驱动的复杂产品装配过程中，现有的装配误差建模方法难以在考虑载荷作用下高保真地构建装配误差从而无法快速指导现场装配。本发明提出了一种基于图搜索的装配误差建模方法，首先，构建包括装配结合面制造误差、定位定向误差和接触变形误差的多维度误差模型，其次，考虑反向传播误差建立多阶段装配误差传递更新流，并在建立考虑零件级、结合面级平行装配连接有向图的基础上建立多层级装配偏差传递有向图，并建立装配误差反向传播搜索策略，最后，构建完整的装配偏差传递模型对装配精度进行分析预测，指导现场装配。
-
公开(公告)号：CN118656933A
公开(公告)日：2024-09-17
申请号：CN202410821544.8
申请日：2024-06-24
Applicant: 东南大学
IPC: G06F30/17 , G06F30/27 , G06F30/23 , G06T17/30 , G06N3/042 , G16C60/00 , G06F119/14 , G06F113/26
Abstract: 本发明设计了一种基于图神经网络的孪生表面接触变形误差建模方法。本发明通过机理模型与数据模型融合的思想提出了一种基于图神经网络的孪生表面接触变形误差建模方法，对两个装配接触面进行离散，在离散的基础上通过节点、边和全局属性进行图结构化，形成离散接触图；通过有限元法对离散接触图求解接触变形误差，构建离散接触变形数据集；构建包含输入层、中间层、重构层、预测层的图神经网络结构；图神经网络结构的输入层用于接收数据集中的离散接触变形样本；中间层设定向量聚合更新机制，以边向量为求解向量，通过边向量表达接触变形误差，可提高虚拟模型与物理模型的实时交互性。
-
公开(公告)号：CN118350179A
公开(公告)日：2024-07-16
申请号：CN202410322371.5
申请日：2024-03-20
Applicant: 东南大学
Abstract: 本发明涉及一种数字孪生连接模型的合并方法，该方法针对数字孪生五维模型构建的过程中连接模型合并流程和方法缺失的问题，基于数字孪生五维模型中连接模型的构成，根据数字孪生五维模型在整体合并过程中的差异表现，提出两种基础的连接模型合并方法：数字孪生相同合并下连接模型合并方法，数字孪生同类合并下连接合并方法。并基于这两种合并方法，提出解决数字孪生混合合并下的连接模型合并方法。该方法定义了数字孪生合并过程中全部情况的连接模型合并方法，细化了连接模型在六个不同部分中的合并实施方式，避免了数字孪生建模过程中连接模型的重复部分的富集，确保了合并后各个数字孪生各个部分连接通道的完整性与准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
