一种基于人工神经网络和虚拟装配的装配时间评价方法
【专利摘要】本发明公开了一种基于人工神经网络和虚拟装配的装配时间评价方法，包括以下步骤：建立虚拟工作台，规划DELMIA装配序列，规划DELMIA路径，生成装配路径；运用约束矩阵法对装配序列进行生成，建立零件之间的约束关系；然后运用DELMIA装配模块，对产品零件进行预装配，建立优先拆卸矩阵，然后从中提取满足条件的装配序列，利用矩阵强大的数据收集能力来对装配序列进行规划；建立虚拟装配工作环境，创建虚拟装配动作过程；装配路径的测量与装配时间的计算；装配时间评价模型的建立：模型的建立、样本的标准化；对样本进行评价。本发明使得产品装配周期长、成本高，而且效果还差的问题。
【专利说明】一种基于人工神经网络和虚拟装配的装配时间评价方法
【技术领域】
[0001]本发明属于计算机应用【技术领域】，尤其涉及一种基于人工神经网络和虚拟装配的装配时间评价方法。
【背景技术】
[0002]随着计算机辅助设计与制造技术的发展在产品设计、生产制造过程中成为了可以改变装配业效率低下的一件利器。在过去的装配制造业，只能靠装配工人日积月累的装配经验来完成生产装配。传统的优化手段又都仅仅建立在一个模型仿制的阶段停滞不前，这样的装配工艺设计优化方法，不单单是实验周期长的问题了，占用生产资源过多，模拟过程环境的不确定性改变都会降低这种模型实验法的说服力。这些技术中的不足境地，都随着计算机的发展发生了快速的变化。在计算机虚拟环境下进行装配序列规划，成本低、占用资源少、外界人为干扰因素几乎没有。这将是装配序列优化的发展途径和未来。
[0003]目前，国际上很多航空、航天企业都已经将在虚拟条件下进行装配规划这项技术投入到实际当中进行生产运用。据可靠资料表明:这项技术已经产生了巨大的效益。在很大程度上减低装配周期、减少返工率，总体上降低了整个生产成本。由于其对整个生产装配过程有如此之大的影响，致使很多汽车企业、兵工企业都竞相投入到虚拟条件下进行装配规划这项技术的使用和研发中来。
[0004]在国内，虚拟装配的研究起步比较晚，而且由于虚拟装配技术所需硬件价格昂贵，大多数研究机构都是在进行理论探索与研究。近年来国内各高校对虚拟装配技术的研究比较活跃，其中以浙江大学和华中科技大学为代表的一些学校的研比较活跃，并且取得了阶段性的理论成果和初步的应用，特别是浙江大学的谭荣教授及其学生，在虚拟装配领域建立了一整套具有实用价值的理论，现将国内学者的研成果总结如下。
[0005]为了解决将零件模型从CAD系统转到虚拟装配系统中产品信息的丢失问题，浙江大学的刘振宇、谭建荣提出了将虚拟装配中的产品属性与行为信息分为产品层，特征层，几何拓扑层以及显示层。通过产品层次信息模型中的数据映射，实现产品信息的层次间关联，同时保证了产品设计信息由CAD系统向虚拟装配系统转化时不会丢失。
[0006]同样为了解决虚拟现实环境下产品缺乏装配特征信息及实现虚拟环境下的动态装配，浙江大学的楼健人等提出虚拟现实环境下产品装配特征信息的提取技术。该技术通过造型特征继承、基于规则的边界匹配识别及启发式定义等方法实现虚拟环境下产品装配特征信息的提取。
[0007]现在看来，这项技术的研究仍然旧存在一些或多或少的缺陷，然而最近几年，几位行业内的领军人物例如Stanford大学Bedford教授，Hull大学的Swift教授,都都提出了一些针对该项技术的具有创新性观点。但是Lucas DFA、Boothroyd-Dewhurst DFA和Hitachi AEM DFA这三种经典的方法都包含在这项技术中，每种方法都有各自的侧重方向，虽然通过各个角度的研究和探索，也取得了一些突破，但是很难反映不同装配环境下的产品的可装配性是它们共同面临的问题，如果选择理想情况下的装配工况，不可避免会受到环境等外来因素的影响，通常会造成零件装配工况的不可判断性，从而很难反映各种情况下的装备效果，因此也主要作为一种分析评价工具。虽然这种方法在产品设计的初期，就能发挥一定的功效，，但由于不同装配机构的分析对比以及装配性评价是针对初始零件的装配操作，在经过一定阶段过程后会带来事后的监督”这一不好的影响，以至于导致一部分部件需要返工。
[0008]综上所述分析，现在国内产品装配性评价体系还存在以下不足:1)不能对装配过程中的许多因素进行整合，一般不能从整体出发考虑系统的装配性，无法将各个零件，部件以及组成单元与装配工艺、实施资源在产品装配过程中对其进行有效的连接。2 )很少有关于评价系统结果的改进措施，导致现在还没有一套成熟的应用系统。3)无法对评价系统进行在线优化，只能从结果对其进行分析。4 ) CAD系统目前还不能和DFA实现完美的集成。目前还不能对装配过程中的每一个步骤进行评价与分析，从而无法从整体对装配性问题进行评价。虽然目前阶段人们一直关注可装配评价体系的探索研，但是仍然由于需有克服很多关键性问题，诸如该评价技术发展还不成熟，技术水平较为落后，需要考虑的因素过于繁琐。
[0009]目前该项技术在国内的发展受到了阻碍，之所以造成这种情况是由于不规范的商业体系，国外对国内进行技术信息封锁，目前国内面向装配的设计软件很缺乏，对软件的应用和开发和国外相比还存在很大差距，暂时没有充分的理论来支撑装配设计原则以及设计稳定性，并且相关从事人员也很稀少，因此，可装配性评价技术在理论发展和工程实践运用上都迫切需要研究。
[0010]传统装配工艺设计需要建立大量物理模型以进行模装试验才能确定设计，使得产品装配周期长、成本高，而且效果还差。
【发明内容】
[0011]本发明实施例的目的在于提供一种基于人工神经网络和虚拟装配的装配时间评价方法，旨在解决传统装配工艺设计需要建立大量物理模型以进行模装试验才能确定设计，无法对评价系统进行在线优化，只能从结果对其进行分析，CAD系统目前还不能和DFA实现完美的集成，使得产品装配周期长、成本高，而且效果还差的问题。
[0012]本发明实施例是这样实现的，一种基于人工神经网络和虚拟装配的装配时间评价方法，该基于人工神经网络和虚拟装配的装配时间评价方法包括以下步骤:
步骤一，建立虚拟工作台，规划DELMIA装配序列，规划DELMIA路径，生成装配路径；步骤二，运用约束矩阵法对装配序列进行生成，建立零件之间的约束关系；然后运用DELMIA装配模块，对产品零件进行预装配，立一个优先拆卸矩阵，然后从中提取满足条件的装配序列，这样利用矩阵强大的数据收集能力来对装配序列进行规划；
步骤三，基于CATIA/DELMIA的仿真试拆卸的装配路径规划:建立虚拟装配工作环境，创建虚拟装配动作过程；
步骤四，装配路径的测量与装配时间的计算；
步骤五，装配时间评价模型的建立:模型的建立、样本的标准化；
步骤六，对样本进行评价。
[0013]进一步，在步骤一中，使用CATIA对装配体和虚拟工作台进行建模，具体方法为:在产品零部件设计结束后，各个设计部门设计好的零部件按照坐标定位统一放入一个虚拟环境中，当所有的零件整合以后会得到一个装配完成的产品，然后移交至装配生产部门由装配工艺员依据以往的生产经验规划整个产品编制装配序列并进行虚拟装配，最后制定一整套装配规划方案，方案包括整个产品在不同的时间段的装配动作及所需装配部件，然后装配工人在该方案的指导下进行实际装配生产，在生产过程中如果遇到装配规划问题再将问题提交至工艺制定部门进行二次修改。
[0014]进一步，在步骤一中DELMIA装配序列规划，分为两个部分:DPE和DPM，DPE是工艺规划平台，DPM是仿真平台，在DPE模块中进行装配工艺规划设计时，为了生成DPE模块下的产品资源信息表必须将EBOM按顺序导入到工艺设计的模板中。
[0015]进一步，资源信息表的生成方法为:将制造资源导入DPE环境中，然后要根据在现实生产中的实际装配工艺，凭借生产经验在DPE下创建出一个详细的装配工艺信息表，在刚刚进行的过程中同时将与工艺相关的构添加到工艺流程当中，在结束时将已经规划好的装配工艺进行保存并存入PPR Hub数据库，DPE是DPM的前处理阶段，而DPM对DPE有验证的作用，属于验证阶段。
[0016]进一步，步骤二的具体方法为:
首先运用约束矩阵法对装配序列进行生成，建立零件之间的约束关系；然后运用DELMIA装配模块，对产品零件进行预装配，立一个优先拆卸矩阵，然后从中提取满足条件的装配序列，利用矩阵强大的数据收集能力来对装配序列进行规划；
生成装配体的约束矩阵采用的方法是:将！χ，-χ, y, —I, z，-z}方向作为装配方向，通过建立每个方向的干涉矩阵来表现其零部件之间的互相约束关系，干涉矩阵的生成是序列规划的第一步，零部件在装配过程中是否满足几何约束关系，判断零件在六个坐标方向上的可拆性，干涉检查的程序，通过每个零件的分别对{χ，-χ，Y, -y，z, -z}轴的拆卸,生成的沿{x, -X, y, -y, z, -z}方向的自由干涉矩阵，干涉检查完毕后，生成{x，_x，y，_y，z, -z}6个方向的对应的自由干涉矩阵。
[0017]进一步，步骤二中基于试拆法干涉矩阵集成的具体步骤为:
将六个自由干涉矩阵FIM ’ [N ] [N ]进行临时组合成为新矩阵FIM ’ [6N ] [N ]，用FIM ’ [N ] [N ]的值对FM ’ [6N ] [N ]的元素进行初始化；
计算FIM ’中的行向量模I Fli’ I ；
如果I Fli’ I =0，将I Fli’ I =0所在行零件进行新的定义标识符P k，k= i%N (%表示除后取余)计入当前轮次可拆卸数组C，并使集成干涉矩阵元素II w = FI kJ, j =(O, I,..., N -1)，IIk，N = i / N (/表示除后取整)结果为O表示+X方向，I表示-X方向，再经过转化后用± I表示± X方向，依此类推可得集成干涉矩阵中零件的优先拆卸方向；否则转d ；
若i > 6N -1，更新C中元素pk对应的FIM ’ [6N ] [N ]矩阵的行、列值，使得=FI ’ mjJ =
O( m = k, k+N, k+2N,...; j=0, I,..., N-1), FI J；n= 0 (n = k, k + N , k + 2N ,...; j =0，1，...N -1);否则转 b ；
若j，保存结果；否则转b;
进过经过集成后，得至噺的优先拆卸矩阵，集成干涉矩阵中，优先拆卸方向在最后一列的数据进行表不，用±1表不±x方向，用±2表不土y方向,用±3表不土z方向,根据算法原理,优先拆卸方向是可以用各个方向矩阵进行排除求得。
[0018]进一步，装配序列形成的具体方法为:拆卸序列的人为规划，基于自由干涉矩阵的，在拆卸过程中不需要对拆卸路径的可行性再次检验:
第一步，首先对集成拆卸矩阵P进行标准化；
第二步，计算P中行向量的模α =1,2,……，Ν)，若I Ci I =0，则表明零件i可拆的，如果零件i沿优先拆卸方向进行拆卸时不会受到其他零件的阻碍，则将零件i对应的零部件卩i放进可拆卸零部件的集合中，否则，进入第三步；
第三步，设i = i + 1，如果i > N，则表示当前轮的运算中，所有行的模都已经被运算完，这一轮已经计算完毕，进入第四步，否则第二步；
第四步，使用鼠标取剩余零部件，进行拖动，如果无干涉情况发生，将零件的序列号添加到拆卸序列中，拖拉检测完后将零部件提出，将零部件的行向量全部设置为0，表示零部件已经被拆卸，不会再影响后续零件的拆卸；
第五步，观察是否所有行向量都已完成分析，即所有零部件都已拆卸，若所有零件拆卸完成，对生成的零部件标号进行倒置，装配体的装配序列生成完成。
[0019]进一步，在步骤三中，装配时间的计算，由前面装配路径的生成，在DELMIA软件中可以对路径进行测量，在日常装配生产中，一个零件的移动速度是可以确定的，根据测量所得的路径，通过路径与装配速度计算得到装配时间:
【权利要求】
1.一种基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，该基于人工神经网络和虚拟装配的装配时间评价方法包括以下步骤: 步骤一，建立虚拟工作台，规划DELMIA装配序列，规划DELMIA路径，生成装配路径；步骤二，运用约束矩阵法对装配序列进行生成，建立零件之间的约束关系；然后运用DELMIA装配模块，对产品零件进行预装配，立一个优先拆卸矩阵，然后从中提取满足条件的装配序列，这样利用矩阵强大的数据收集能力来对装配序列进行规划； 步骤三，基于CATIA/DELMIA的仿真试拆卸的装配路径规划:建立虚拟装配工作环境，创建虚拟装配动作过程； 步骤四，装配路径的测量与装配时间的计算； 步骤五，装配时间评价模型的建立:模型的建立、样本的标准化； 步骤六，对样本进行评价。
2.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，在步骤一中，使用CATIA对装配体和虚拟工作台进行建模，具体方法为:在产品零部件设计结束后，各个设计部门设计好的零部件按照坐标定位统一放入一个虚拟环境中，当所有的零件整合以后会得到一个装配完成的产品，然后移交至装配生产部门由装配工艺员依据以往的生产经验规划整个产品编制装配序列并进行虚拟装配，最后制定一整套装配规划方案，规划方案包括整个产品在不同的时间段的装配动作及所需装配部件，然后装配工人在该方案的指导下 进行实际装配生产，在生产过程中如果遇到装配规划问题再将问题提交至工艺制定部门进行二次修改。
3.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，在步骤一中DELMIA装配序列规划，分为两个部分:DPE和DPM，DPE是工艺规划平台，DPM是仿真平台，在DPE模块中进行装配工艺规划设计时，为了生成DPE模块下的产品资源信息表必须将EBOM按顺序导入到工艺设计的模板中。
4.如权利要求3所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，资源信息表的生成方法为:将制造资源导入DPE环境中，然后要根据在现实生产中的实际装配工艺，凭借生产经验在DPE下创建出一个详细的装配工艺信息表，在刚刚进行的过程中同时将与工艺相关的构添加到工艺流程当中，在结束时将已经规划好的装配工艺进行保存并存入PPR Hub数据库，DPE是DPM的前处理阶段，而DPM对DPE有验证的作用，属于验证阶段。
5.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，步骤二的具体方法为: 首先运用约束矩阵法对装配序列进行生成，建立零件之间的约束关系；然后运用DELMIA装配模块，对产品零件进行预装配，立一个优先拆卸矩阵，然后从中提取满足条件的装配序列，利用矩阵强大的数据收集能力来对装配序列进行规划； 生成装配体的约束矩阵采用的方法是:将IX，-X, y, —I, z，-z}方向作为装配方向，通过建立每个方向的干涉矩阵来表现其零部件之间的互相约束关系，干涉矩阵的生成是序列规划的第一步，零部件在装配过程中是否满足几何约束关系，判断零件在六个坐标方向上的可拆性，干涉检查的程序，通过每个零件的分别对{χ，-X，Y, -y，z, -z}轴的拆卸,生成的沿{x, -X, y, -y, z, -z}方向的自由干涉矩阵，干涉检查完毕后，生成{x，_x，y，_y，z, -z}6个方向的对应的自由干涉矩阵。
6.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，步骤二中基于试拆法干涉矩阵集成的具体步骤为: 将六个自由干涉矩阵FIM ’ [N ] [N ]进行临时组合成为新矩阵FIM ’ [6N ] [N ]，用FIM ’ [N ] [N ]的值对FM ’ [6N ] [N ]的元素进行初始化； 计算FIM ’中的行向量模I Fli’ I ； 如果I Fli’ I =0，将I Fli’ I =0所在行零件进行新的定义标识符P k，k= i%N (%表示除后取余)计入当前轮次可拆卸数组C，并使集成干涉矩阵元素II w = FI kJ, j =(O, I,..., N -1)，IIk，N = i / N (/表示除后取整)结果为O表示+X方向，I表示-X方向，再经过转化后用± I表示± X方向，依此类推可得集成干涉矩阵中零件的优先拆卸方向；否则转d ； 若i > 6N -1，更新C中元素pk对应的FIM ’ [6N ] [N ]矩阵的行、列值，使得:FI’ m, j = O ( m = k, k+N, k+2N,...; j=0, I,..., N -1), FI J；n= 0 (n = k, k + N , k + 2N，...；j = 0, 1,...N -1);否则转 b ； 若j，保存结果；否则转b; 进过经过集成后，得到新的优先拆卸矩阵，集成干涉矩阵中，优先拆卸方向在最后一列的数据进行表不，用±1表不±x方向，用±2表示土y方向，用±3表示±z方向，根据算法原理，优先拆卸方向是可以用各个方向矩阵进行排除求得。
7.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，装配序列形成的具体方法为:拆卸序列的人为规划，基于自由干涉矩阵的，在拆卸过程中不需要对拆卸路径的可行性再次检验: 第一步，首先对集成拆卸矩阵P进行标准化； 第二步，计算P中行向量的模α =1,2,……，Ν)，若I Ci I =0，则表明零件i可拆的，如果零件i沿优先拆卸方向进行拆卸时不会受到其他零件的阻碍，则将零件i对应的零部件卩i放进可拆卸零部件的集合中，否则，进入第三步； 第三步，设i = i + 1，如果i > N，则表示当前轮的运算中，所有行的模都已经被运算完，这一轮已经计算完毕，进入第四步，否则第二步； 第四步，使用鼠标取剩余零部件，进行拖动，如果无干涉情况发生，将零件的序列号添加到拆卸序列中，拖拉检测完后将零部件提出，将零部件的行向量全部设置为0，表示零部件已经被拆卸，不会再影响后续零件的拆卸； 第五步，观察是否所有行向量都已完成分析，即所有零部件都已拆卸，若所有零件拆卸完成，对生成的零部件标号进行倒置，装配体的装配序列生成完成。
8.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，在步骤三中，装配时间的计算，由前面装配路径的生成，在DELMIA软件中可以对路径进行测量，在日常装配生产中，一个零件的移动速度是可以确定的，根据测量所得的路径，通过路径与装配速度计算得到装配时间:
9.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，在步骤四中首先输入的样本是经过隐含层神经元传递函数从输入层运算之后，接着再传播到该输出层，如果期望的输出不能被得到，那么就会转入第二种反向传播；具体方法为: 第一步，输入信号单方向传播，网络的输入层有I个节点，隐含层有J个节点，输出层有K 个节点，设 Xp (X pl，X p2，…，X pl)，O J 表示网络输入(O pl, O p2，...0 pk)，T p= (t pl, tp2 ,...t pk )分别表示网络的实际输出和期望输出，其中P = (1，2，...，Ρ )样本数为P，(O ρ1, O ρ2,..., O PJ )为隐层节点的输出，表示第i = (1，2，...，I )个输入层节点到第j=(1,2,..., J )个隐层节点的权值，表示第j个隐层节点到第k = (1,2,..., K )个输出层节点的权值； 网络的激励函数选用sigmoid函数
10.如权利要求1所述的基于人工神经网络和虚拟装配的装配时间评价方法，其特征在于，在步骤五中，对于BP神经网络来说，所运用的算法大致可以区分为基本梯度下降算法与仿真函数: BP网络中的运用函数: 网络的初始化函数:网络的初始化函数都使用在对所创的网络权矩阵W与网络训练前为阀值向量b赋予的初始值中，参数值影响着算法的训练速度和收敛性，在NNToolbox中，网络初始化函数的调用格式:net=init (net)； 参数net和变量net分别为newff所建立的网络和初始化后的网络，其中此初始化为缺省初始化，即将[-1，I]之间的随机数赋以网络中的线性神经元层的权矩阵W和阀值向量b，同时非线性神经元层可按照widrow Nyuyen -法进行初始化，需要调用网络建立函数newff时就能自动地完成,特殊的初始化可以通过init函数来对进行应用； 试运行函数:通过仿真函数对已训练好的网络来求值运算及应用，这种函数的调用形式为:当网络建立完成后，需要有一个试运行函数来对神经网络求解，格式为:a=sim(net, p)； 训练函数:如果BP网络已经建立完整，而且提供了输入、输出数据。
【文档编号】G06F17/50GK103617329SQ201310671532
【公开日】2014年3月5日 申请日期:2013年12月12日 优先权日:2013年12月12日
【发明者】曹岩, 杨丽娜, 杜江, 白瑀, 解彪 申请人:西安工业大学