基于人工智能的制造零件设计的制作方法

本公开涉及零件设计。具体地，本公开涉及基于人工智能的制造零件设计。

背景技术：

当前，零件的工程设计需要设计工程师反复地人工生成并分析零件的多版设计，以便实现具有该零件的期望特性的最终零件设计。即使在那时，最终零件设计也尚未针对成本、可制造性和/或质量进行专门优化。因为该设计过程需要反复地设计并分析单个零件的多版设计来实现期望零件设计，所以该过程对于设计工程师来说是乏味且缓慢的。然而，一些设计程序确实允许设计工程师把参数化规则人工录入到零件的几何设计中。但该过程劳动强度非常大、技术先进、缓慢、成本较高且需要高度专业化的技能。由此可见，零件的当前常规工程设计是缓慢的、人工的并且在成本、可制造性以及质量方面是次优的。

鉴于前述内容，需要一种用于零件设计的改进技术。

技术实现要素：

本公开涉及基于人工智能的制造零件设计的方法、系统以及设备。在一个或更多个示例中，一种用于设计零件的方法包括以下步骤：用户把期望零件设计、所述期望零件设计的目标、所述目标的权重以及相似性边界(similaritybound)输入到用户界面中。所述方法还包括以下步骤：至少一个处理器对所述期望零件设计进行编码，以生成编码期望零件设计。此外，所述方法包括以下步骤：至少一个处理器通过把所述编码期望零件设计与空间内的编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据进行比较，基于所述相似性边界，来对所述空间内的与所述期望零件设计类似的零件设计的组进行识别。另外，所述方法包括以下步骤：至少一个处理器通过根据所述目标和所述权重对零件设计的所述组进行分析，来生成编码最佳零件设计。另外，所述方法包括以下步骤：至少一个处理器对所述编码最佳零件设计进行解码，以生成最佳零件设计。进一步地，所述方法包括以下步骤：在显示器上显示所述最佳零件设计。

在一个或更多个示例中，所述方法还包括以下步骤：所述用户根据所述最佳零件设计来修正所述期望零件设计，以生成最终零件设计。在至少一个实施方式中，所述方法还包括以下步骤：机械设备(machinery)使用所述最终零件设计来制造所述零件。在一个或更多个示例中，所述方法还包括以下步骤：把所述零件安装到单元上。在至少一个实施方式中，所述单元是运载工具、结构或装置。

在至少一个实施方式中，所述方法还包括以下步骤：输入针对具有零件设计的零件的实现零件设计。此外，所述方法包括以下步骤：至少一个处理器对所述实现零件设计进行编码，以生成所述编码实现零件设计。另外，所述方法包括以下步骤：把所述编码实现零件设计输入到所述空间中。另外，所述方法包括以下步骤：至少一个处理器通过使用所述空间中的所述编码实现零件设计来生成针对所述空间的所述编码设想零件设计。另外，所述方法包括以下步骤：把所述编码实现零件设计中的至少一些编码实现零件设计的所述真实元数据输入到所述空间中。进一步地，所述方法包括以下步骤：至少一个处理器通过使用所述空间中的所述真实元数据来生成针对不具有真实元数据的所述编码设想零件设计和/或所述编码实现零件设计的所述设想元数据。

在一个或更多个示例中，至少一个处理器使用机器学习算法来生成所述编码设想零件设计。在至少一个实施方式中，所述机器学习算法是自动编码器。在一个或更多个示例中，至少一个处理器使用回归和分类模型或非统计算法来生成所述设想元数据。

在至少一个实施方式中，所述期望零件设计的所述目标是成本、结构完整性、可制造性和/或重量。在一个或更多个示例中，所述期望零件设计是计算机辅助设计即cad模型设计。在至少一个实施方式中，所述最佳零件设计是cad模型设计。

在一个或更多个示例中，一种用于设计零件的系统包括用户界面，所述用户界面从用户接收期望零件设计、所述期望零件设计的目标、所述目标的权重以及相似性边界。所述系统还包括存储器，所述存储器存储如下空间，该空间包括编码期望零件设计、编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据。此外，所述系统包括至少一个处理器，所述至少一个处理器被配置成执行以下操作：对所述期望零件设计进行编码，以生成所述编码期望零件设计；通过把所述编码期望零件设计与所述空间内的所述编码实现零件设计、所述编码设想零件设计、所述真实元数据以及所述设想元数据进行比较，基于所述相似性边界，来对所述空间内的与所述期望零件设计类似的零件设计的组进行识别；通过根据所述目标和所述权重对零件设计的所述组进行分析，来生成编码最佳零件设计；以及对所述编码最佳零件设计进行解码，以生成最佳零件设计。进一步地，所述系统包括显示器，所述显示器被配置为向所述用户显示所述最佳零件设计。

在至少一个实施方式中，所述用户界面还将允许所述用户根据所述最佳零件设计来修正所述期望零件设计，以生成最终零件设计。在一个或更多个示例中，所述系统还包括通过使用所述最终零件设计来制造所述零件的机械设备。在至少一个实施方式中，所述零件被配置为安装到单元上。在一个或更多个示例中，所述单元是运载工具、结构或装置。

在一个或更多个示例中，至少一个处理器还被配置成执行以下操作：对实现零件设计进行编码，以生成针对所述空间的所述编码实现零件设计；通过使用所述空间中的所述编码实现零件设计来生成针对所述空间的所述编码设想零件设计；以及通过使用针对所述空间中的所述编码实现零件设计中的至少一些编码实现零件设计的所述真实元数据来生成针对不具有所述真实元数据的所述编码设想零件设计和/或所述编码实现零件设计的所述设想元数据。

特征、功能以及优点可以在本公开的各种示例中独立地被实现，或者可以在另一些示例中被组合。

附图说明

结合下面的描述、所附权利要求以及附图，将更好地理解本公开的这些和其它特征、方面以及优点，在附图中：

图1是示出了根据本公开的至少一个实施方式的、用于生成针对所公开的基于人工智能的制造零件设计系统的零件空间的所公开的方法的流程图。

图2是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计的示例性空间的图。

图3是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计和编码设想零件设计的示例性空间的图。

图4是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计以及真实元数据的示例性空间的图。

图5是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图。

图6a和图6b共同构成示出了根据本公开的至少一个实施方式的、用于操作所公开的基于人工智能的制造零件设计系统的所公开的方法的流程图。

图7是示出了根据本公开的至少一个实施方式的、计算机的显示器上的用户界面的图，该用户界面显示了用户的期望零件设计、期望零件设计的目标选项、权重选项以及相似性边界选项。

图8是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在空间内识别编码期望零件设计。

图9是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在空间内识别与编码期望零件设计类似的编码零件设计的组(或区域)。

图10是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在编码零件设计的组(或区域)内识别编码最佳零件设计。

图11是示出了根据本公开的至少一个实施方式的、计算机的显示器上的显示最佳零件设计的用户界面的图。

图12是示出了根据本公开的至少一个实施方式的、被安装到单元(例如，飞行器)上的零件的图。

图13是可以实现各种示例或者可以用于执行示例的计算设备或系统的部件的框图。

具体实施方式

本文公开的方法和设备提供了一种用于基于人工智能的制造零件设计的操作系统。在一个或更多个示例中，本公开的系统示教了一种方法，该方法在零件设计过程期间向人类设计工程师提供智能的基于人工智能的设计反馈，以关于灵活指定的设计目标(例如，成本、重量、可制造性、尺寸、材料或目标的组合)、权重(例如，目标中的各个目标的重要性权重)以及相似性边界(例如，包括编码零件设计的空间内的组(或区域)的搜索半径)系统地改进零件设计。系统使得设计工程师能够通过使用基于人工智能/神经网络的工具来针对指定设计目标进行优化，以生成新的零件设计。

在所公开的系统的操作期间，设计工程师起草特定零件的初始设计。设计工程师然后把该初始零件设计(例如，零件的计算机辅助设计(cad)模型)连同指定的期望改进目标、权重(例如，目标的权重)以及相似性边界(例如，空间内的组(或区域)的搜索半径)一起提交给系统的神经网络处理引擎(例如，处理器)。神经网络处理引擎然后在类似零件(包括真实零件设计和设想零件设计这两者)的连续人工智能发现空间中进行搜索，以便找到该零件的关于指定目标、权重以及相似性边界所建议的最佳设计。然后，设计工程师查核所建议的零件设计，并因此利用所建议的零件更新来更新原始零件设计。

所公开的系统采用的技术基于神经网络，该神经网络能够通过查看足够数量的示例来学习对机械零件的整个“空间”进行描述的分布。零件的示例来自例如工程师针对当前程序和之前程序(例如，飞行器程序)已经创建的公司零件数据库。公司内部可能存在成千上万个零件简档供神经网络学习。所公开的系统采用被称为自动编码器(例如，可以采用的一种自动编码器是三维(3d)卷积自动编码器)的神经网络架构，该自动编码器可以学习零件的整个空间(例如，在数量上超过自动编码器训练时所针对的仅原始零件设计的零件设计的整个广阔空间)，而且还可以学习零件的该空间的参数化(例如，探索空间的方式)。此外，神经网络架构提供“嵌入向量”，该嵌入向量允许对该空间进行操作的度量测量两个零件之间的“相似性”。

空间的参数化和相似性测量可以与目标函数(例如，使成本或重量最小化的目标等)组合，以便在空间的附近区域内建立明确定义的优化问题。这将在附近零件的指定范围内产生对该区域的目标函数进行优化的零件。注意，在空间内找到的零件将非常可能是之前从未设计过的零件。人工智能系统将知道如何在查看了足够的真实零件示例之后创建新零件。还应注意，返回的零件将仅是三维略图(例如，体素化格式或网格模型)。用户工程师将决定接受新设计或拒绝新设计。并且，如果工程师接受新设计，则工程师将需要把所提出的改变人工地并入到零件设计中。

在各种示例中，所公开的系统和方法用于飞行器零件的设计。应注意，所公开的系统和方法可以用于除了本文公开的飞行器零件之外的零件的设计。例如，所公开的系统和方法可以用于运载工具零件(例如，陆地运载工具零件、海上运载工具零件、太空运载工具或机载运载工具零件)的设计、结构零件(例如，建筑零件、桥梁零件或水坝零件)的设计和/或装置零件(例如，机器零件、致动器零件、发电机零件或马达零件)的设计。由此，以下讨论在不损失普遍性的情况下针对飞行器零件。

在以下描述中，为了提供系统的更彻底的描述，阐述了许多细节。然而，将对本领域技术人员显而易见的是，可以在没有这些具体细节的情况下实践所公开的系统。在其它实例中，未详细描述公知特征，以免不必要地模糊所述系统。

在本文中，可以在功能部件和/或逻辑部件以及各种处理步骤方面对本公开的示例进行描述。应理解，可以由被配置为执行指定功能的任意数量的硬件部件、软件部件和/或固件部件，来实现这种部件。例如，本公开的实施方式可以采用各种集成电路部件(例如，存储元件、数字信号处理元件、逻辑元件、查找表等)，这些集成电路部件可以在一个或更多个处理器、微处理器或其它控制装置的控制下执行各种功能。另外，本领域技术人员将理解，本公开的示例可以连同其它部件一起来实践，并且本文描述的系统仅是本公开的示例。

为了简洁起见，本文可以不详细描述与系统的零件设计以及其它功能方面有关的常规技术和部件(以及系统的独立操作部件)。此外，本文所包含的各个附图中示出的连接线旨在表示各种元件之间的示例功能关系和/或物理联接。应注意，许多另选或另外功能关系或物理连接可以存在于本公开的一个或更多个示例中。

i.建立所公开的系统的编码零件设计的“空间”

本公开示教了一种智能的基于人工智能的系统，该系统采用神经网络架构(例如，自动编码器)，该神经网络架构基于用户的初始期望零件设计以及该期望零件设计的用户目标、目标的权重以及相似性边界来向用户提供最佳零件设计。在用户操作系统之前，需要建立系统所利用的零件空间(该零件空间包括实现零件设计和设想零件设计这两者)。

图1是示出了根据本公开的至少一个实施方式的、用于生成针对所公开的基于人工智能的制造零件设计系统的零件空间的所公开的方法100的流程图。方法100在110处开始，在120处，把例如计算机辅助设计(cad)模型形式的多个实现零件设计(例如，已经建立的或未建立的零件的真实零件设计)输入到系统中(例如，输入到存储器(参考图13的1310)和/或数据库(db)(参考图13的1350)中)。然后，在130处，至少一个处理器(参考图13的1320)对实现零件设计进行编码，以生成编码实现零件设计(例如，零件中的各个零件的体素化格式或网格模型)。针对该编码过程，至少一个处理器(参考图13的1320)首先将各个实现零件设计(例如，cad模型)转换(例如，体素化)成体素化格式或网格模型。应注意，在一个或更多个示例中，体素化格式可以是三维(3d)格式或四维(4d)格式，该格式将具有存储另外维数的另外信息(例如，对曲率、表面积等进行描述的几何信息)。然后，处理器(例如，自动编码器，该自动编码器包括跟随有解码器的编码器)(参考图13的1320)使用体素化格式(或网格模型)来生成编码实现零件设计。应注意，对体素化格式(或网格模型)进行编码来生成编码实现零件设计是由处理器(例如，自动编码器)执行的迭代过程。

然后在140处把编码实现零件设计输入到空间中。参考图2，图2是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计(各编码实现零件设计被表示为实心点)的示例性空间的图。在图2中，空间是三维空间。应理解，图2中的空间包括编码实现零件设计的三维矩阵。在其它示例中，空间可以包括比图2所示的三维更少的维数(例如，包括编码实现零件设计的二维矩阵的二维空间)或更多的维数。

图2中的空间中所示的各个实心点表示与各编码实现零件设计相关联的数据(例如，体素化格式或网格模型)。空间可以被存储在系统的存储器(参考图13的1310)内和/或至少一个数据库(db)(参考图13的1350)内。

在已经把编码实现零件设计输入到空间中后，所公开的系统的神经网络(例如，机器学习算法)(例如，自动编码器，诸如三维(3d)卷积自动编码器)针对该空间进行训练。在一个或更多个示例中，神经网络可以驻留(reside)在系统的存储器(参考图13的1310)和/或至少一个数据库(参考图13的1350)中。一旦训练后，神经网络(例如，机器学习算法)(例如，自动编码器)就获悉零件的整个设计空间，并且能够生成新零件，以利用零件设计填充整个空间。由此可见，在150处，神经网络然后通过使用空间内的编码实现零件设计来生成针对该空间的编码设想零件设计(以利用编码零件设计填充该空间)。参考图3，图3是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计和编码设想零件设计的示例性空间的图。在图3中，空间被示出为现在包括被示出为实心点的原始编码实现零件设计以及被示出为非实心点的最新生成的编码设想零件设计这两者。应注意，空间现在填充有编码(实现和设想)零件设计。

在空间填充有编码零件设计后，在160处，把与编码实现零件设计中的至少一些相关联的真实元数据(例如，诸如制造零件的成本、零件的可制造性、零件的结构强度、和/或零件的重量之类的元数据)输入到空间中。真实元数据是与编码实现零件设计相关联的零件的真实已知数据。参考图4，图4是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计以及真实元数据的示例性空间的图。在图4中，仅空间中的编码实现零件设计中的一些被示出为具有相关联的真实元数据。然而，在其它示例中，空间中的所有(或没有)编码实现零件设计可以具有相关联的真实元数据。

在把真实元数据输入到空间中后，在170处，至少一个处理器通过利用回归和分类模型或非统计方法，使用空间内的真实元数据来生成不具有相关联的真实元数据的编码零件设计(例如，编码实现零件设计和/或编码设想零件设计)中的至少一个的设想元数据。参考图5，图5是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图。在图5中，空间内的所有编码零件设计(例如，编码实现零件设计和/或编码设想零件设计)被示出为包括元数据(例如，真实元数据或设想元数据二者之一)，并且现在完全建立编码零件设计的空间。在建立空间之后，方法100在180处结束。

ii.所公开的系统的操作

在建立编码零件设计的空间之后，用户可以操作所公开的系统，以基于用户的初始期望零件设计以及期望零件设计的用户目标、目标的权重以及相似性边界来向用户提供最佳零件设计。图6a和图6b共同构成示出了根据本公开的至少一个实施方式的、用于操作所公开的基于人工智能的制造零件设计系统的所公开的方法的流程图。方法600在610处开始，在620处，用户经由用户界面输入期望零件设计、期望零件设计的目标、目标的权重以及相似性边界。

参考图7，图7是示出了根据本公开的至少一个实施方式的、计算机720的显示器710上的用户界面(例如，图形用户界面(gui))700的图，该用户界面700显示了用户的期望零件设计730、用于期望零件设计730的目标选项740、权重选项750以及相似性边界选项780。用户(未示出)使用用户界面700来把他的期望零件设计730(例如，期望零件的已经由用户生成的cad模型)输入到系统中。计算机720的显示器710上的用户界面700显示期望零件设计的例示图。期望零件设计可以存储在系统的存储器(参考图13的1310)内和/或至少一个数据库(db)(参考图13的1350)内。用户可以经由计算机720的键盘760和/或鼠标770来操作用户界面700。

用户可能想要把多个期望设计度量组合到并入了来自各个设计度量的贡献的单个目标中。例如，可以针对一个或更多个设计目标(例如，期望制造零件的成本最小化、期望零件制造容易性、期望零件的结构强度最大化、和/或期望零件重量最小化)优化期望零件设计。用户可以通过经由用户界面700的目标选项740指定期望设计目标来这样做。另外，用户可以经由用户界面700的权重选项750来指定所指定的设计目标的权重。例如，针对目标选项740，用户可以使用由目标选项740提供的下拉菜单，来选择制造零件的成本的期望最小化、零件的结构强度的期望最大化以及零件重量的期望最小化。然后，用户可以使用权重选项750来指定这些目标中的每一个的权重。例如，用户可以经由来自权重选项750的下拉菜单来指定所选目标的以下权重(总共将为100％)：制造零件的成本的最小化75％、零件的结构强度的最大化10％以及零件重量的期望最小化15％。另外，用户可以使用相似性边界选项780来指定要应用的相似性边界(例如，包括编码零件设计的空间内的组(或区域)的搜索半径)。例如，针对相似性边界选项780，用户可以使用由相似性边界选项780提供的下拉菜单来选择包括编码零件设计的空间内的组(或区域)的搜索半径的期望尺寸(例如，该组的半径的尺寸可以由编码零件设计的空间内的面积的百分比(例如，1％面积)来指定)。

在用户输入期望零件设计、期望零件设计的目标、目标的权重以及相似性边界后，在630处，至少一个处理器(参考图13的1320)对期望零件设计(例如，cad模型)进行编码，以生成编码期望零件设计(例如，体素化格式或网格模型)。系统的至少一个处理器(参考图13的1320)对编码零件设计的空间内的编码期望零件设计(例如，体素化格式或网格模型)进行识别。参考图8，图8是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在空间内识别编码期望零件设计。在图8中，编码期望零件设计被识别为与空间内的编码设想零件设计相对应。

在生成编码期望零件设计后，在640处，至少一个处理器(参考图13的1320)通过把编码期望零件设计与空间内的编码实现零件设计和编码设想零件设计以及真实元数据和设想元数据进行比较，来对空间内的与期望零件设计类似的零件设计的组(或区域)900(参考图9)进行识别。组900的尺寸(例如，空间内的指定组面积的半径的尺寸)由相似性边界来确定。参考图9，图9是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在空间内识别与编码期望零件设计类似的编码零件设计的组(或区域)900。

在识别相似编码零件设计的组(或区域)900后，在650处，至少一个处理器(参考图13的1320)通过根据用户指定的目标和权重对编码零件设计的组(或区域)900进行分析来生成编码最佳零件设计。具体地，编码最佳零件设计通过以下方式来生成：使用组(或区域)900的编码零件设计(例如，编码实现零件设计和编码设想零件设计)的元数据(例如，真实元数据和设想元数据)来针对用户指定的目标和权重进行优化。参考图10，图10是示出了根据本公开的至少一个实施方式的、包括编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据的示例性空间的图，其中，在编码零件设计的组(或区域)900内识别编码最佳零件设计。在图10中，编码最佳零件设计被识别为与空间内的编码设想零件设计相对应。

在生成编码最佳零件设计后，在660处，至少一个处理器(参考图13的1320)对编码最佳零件设计(例如，体素化格式或网格模型)进行解码以生成最佳零件设计(例如，cad模型)。应注意，在其它示例中，至少一个处理器(参考图13的1320)可以生成多于一个最佳零件设计(例如，多个cad模型)，以供用户查核。

然后，在670处，显示器710显示最佳零件设计800。参考图11，图11是示出了根据本公开的至少一个实施方式的、计算机720的显示器710上的显示最佳零件设计800的用户界面700的图。在图8中，因为最佳零件设计(例如，cad模型)800是从编码最佳零件设计(该编码最佳零件设计是体素化格式或网格模型的形式的设想零件设计)解码得到的，所以该最佳零件设计800看起来像素化。

在显示器710上向用户显示最佳零件设计(例如，cad模型)800后，在680处，如果需要，则用户可以根据最佳零件设计800的特征人工地修正(经由cad程序，该程序可以经由或可以不经由用户界面700访问)原始期望零件设计730，以生成最终零件设计(例如，cad模型)。在生成最终零件设计后，在690处，机械设备可以使用最终零件设计(例如，cad模型)来制造零件1200(参考图12)。然后，在695处，可以把零件1200(参考图12)安装到(或者安装进)单元(例如，诸如飞行器之类的运载工具)1210(参考图12)中。参考图12，图12是示出了根据本公开的至少一个实施方式的、被安装到单元(例如，飞行器)1210上的零件1200的图。应注意，单元可以是运载工具(如图12所示)、结构或装置。在单元被安装后，方法600在697处结束。

iii.示例性系统部件

图13是可以实现各种示例或者可以用于执行示例的计算设备或系统的部件的框图1300。图13大体例示了计算装置1300的部件，该计算装置可以用于执行示例并且包括存储器1310(例如，用于存储空间)、程序(例如，机器学习算法、神经网络、自动编码器、回归和分类模型和/或非统计算法)1312、用于执行程序1312的处理器或控制器(例如，计算机处理器)1320、用于存储数据(例如，空间和/或程序)的数据库1350、例如用于与网络进行通信的通信(例如，网络)接口1330或这种部件之间的互连部1340(例如，连接到计算机720)。存储器1310可以是或包括高速缓存、ram、rom、sram、dram、rdram、eeprom以及能够存储数据的其它类型的易失性或非易失性存储器中的一个或更多个。处理器单元1320可以是或包括多个处理器、单线程处理器、多线程处理器、多核处理器或能够处理数据的其它类型的处理器。取决于特定系统部件(例如，部件是计算机还是手持移动通信装置)，互连部1340可以包括系统总线、ldt、pci、isa或其它类型的总线，并且通信或网络接口例如可以是以太网接口、帧中继接口或其它接口。通信接口1330可以被配置为使得系统部件能够跨可以是无线网络或各种其它网络的网络与其它系统部件进行通信。应注意，计算装置1300的一个或更多个部件可以远程定位并经由网络被访问。因此，提供图13所提供的系统配置来大体例示如何配置并实现示例。

进一步地，本公开包括根据以下条款的示例：

条款1.一种用于设计零件的方法，所述方法包括以下步骤：用户把期望零件设计、所述期望零件设计的目标、所述目标的权重以及相似性边界输入到用户界面中；至少一个处理器对所述期望零件设计进行编码，以生成编码期望零件设计；所述至少一个处理器通过把所述编码期望零件设计与空间内的编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据进行比较，基于所述相似性边界，来对所述空间内的与所述期望零件设计类似的零件设计的组进行识别；所述至少一个处理器通过根据所述目标和所述权重对零件设计的所述组进行分析，来生成编码最佳零件设计；所述至少一个处理器对所述编码最佳零件设计进行解码，以生成最佳零件设计；以及在显示器上显示所述最佳零件设计。

条款2.根据条款1所述的方法，其中，所述方法还包括以下步骤：所述用户根据所述最佳零件设计来修正所述期望零件设计，以生成最终零件设计。

条款3.根据条款2所述的方法，其中，所述方法还包括以下步骤：机械设备使用所述最终零件设计来制造所述零件。

条款4.根据条款3所述的方法，其中，所述方法还包括以下步骤：把所述零件安装到单元上。

条款5.根据条款4所述的方法，其中，所述单元是运载工具、结构或装置中的一者。

条款6.根据条款1所述的方法，其中，所述方法还包括以下步骤：输入针对具有零件设计的零件的实现零件设计；所述至少一个处理器对所述实现零件设计进行编码，以生成所述编码实现零件设计；把所述编码实现零件设计输入到所述空间中；所述至少一个处理器通过使用所述空间中的所述编码实现零件设计来生成针对所述空间的所述编码设想零件设计；把所述编码实现零件设计中的至少一些编码实现零件设计的所述真实元数据输入到所述空间中；以及所述至少一个处理器通过使用所述空间中的所述真实元数据来生成针对不具有真实元数据的所述编码设想零件设计或所述编码实现零件设计中的至少一者的所述设想元数据。

条款7.根据条款6所述的方法，其中，所述至少一个处理器使用机器学习算法来生成所述编码设想零件设计。

条款8.根据条款7所述的方法，其中，所述机器学习算法是自动编码器。

条款9.根据条款6所述的方法，其中，所述至少一个处理器使用回归和分类模型或非统计方法来生成所述设想元数据。

条款10.根据条款1所述的方法，其中，所述期望零件设计的所述目标是成本、结构完整性、可制造性或重量中的至少一者。

条款11.根据条款1所述的方法，其中，所述期望零件设计是计算机辅助设计即cad模型设计。

条款12.根据条款1所述的方法，其中，所述最佳零件设计是cad模型设计。

条款13.一种用于设计零件的系统，所述系统包括：用户界面，所述用户界面从用户接收期望零件设计、所述期望零件设计的目标、所述目标的权重以及相似性边界；存储器，所述存储器存储如下空间，该空间包括编码期望零件设计、编码实现零件设计、编码设想零件设计、真实元数据以及设想元数据；至少一个处理器，所述至少一个处理器被配置成执行以下操作：对所述期望零件设计进行编码，以生成所述编码期望零件设计；通过把所述编码期望零件设计与所述空间内的所述编码实现零件设计、所述编码设想零件设计、所述真实元数据以及所述设想元数据进行比较，基于所述相似性边界，来对所述空间内的与所述期望零件设计类似的零件设计的组进行识别；通过根据所述目标和所述权重对零件设计的所述组进行分析，来生成编码最佳零件设计；以及对所述编码最佳零件设计进行解码，以生成最佳零件设计；以及显示器，所述显示器被配置为向所述用户显示所述最佳零件设计。

条款14.根据条款13所述的系统，其中，所述用户界面还被配置为允许所述用户根据所述最佳零件设计来修正所述期望零件设计，以生成最终零件设计。

条款15.根据条款14所述的系统，其中，所述系统还包括通过使用所述最终零件设计来制造所述零件的机械设备。

条款16.根据条款15所述的系统，其中，所述零件被配置为安装到单元上。

条款17.根据条款16所述的系统，其中，所述单元是运载工具、结构或装置中的一者。

条款18.根据条款13所述的系统，其中，所述至少一个处理器还被配置成执行以下操作：对实现零件设计进行编码，以生成针对所述空间的所述编码实现零件设计；通过使用所述空间中的所述编码实现零件设计来生成针对所述空间的所述编码设想零件设计；以及通过使用针对所述空间中的所述编码实现零件设计中的至少一些编码实现零件设计的所述真实元数据来生成针对不具有所述真实元数据的所述编码设想零件设计或所述编码实现零件设计中的至少一者的所述设想元数据。

条款19.根据条款18所述的系统，其中，所述至少一个处理器使用机器学习算法来生成所述编码设想零件设计。

条款20.根据条款19所述的系统，其中，所述机器学习算法是自动编码器。

方法示例还可以在计算机可读介质或载体(例如，连接到计算机的固定和/或可移除数据存储数据装置和/或数据通信装置中的一个或更多个)中具体实施或从该计算机可读介质或载体可读。载体例如可以是磁存储介质、光存储介质以及磁光存储介质。载体的示例包括但不限于软盘、记忆棒或闪存驱动器、cd-r、cd-rw、cd-rom、dvd-r、dvd-rw或能够存储数据的现在已知或后来开发的其它载体。处理器1320执行存储器1310内的和/或在载体上具体实施以实现方法示例的程序指令1312。进一步地，示例可以在诸如蜂窝电话或智能电话之类的移动通信装置上驻留和/或执行。

虽然已经示出并描述了特定示例，但应理解，上述讨论不旨在限制这些示例的范围。虽然本文已经公开并描述了本发明的许多方面的示例和变型例，但这种公开仅为了说明和例示的目的而提供。由此，可以在不偏离权利要求的范围的情况下进行各种改变和修改。

在上述方法指示按特定顺序发生的特定事件的情况下，获得本公开益处的本领域普通技术人员将认识到，排序可以修改，并且这种修改与本公开的变型例一致。另外，方法的部分在可能情况下可以在并行过程中同时执行以及顺序执行。另外，可以执行所述方法的更多步骤或更少步骤。

因此，示例旨在例示可以落在权利要求范围内的替代、修改以及等同物。

虽然本文已经公开了特定例示性示例和方法，但可以根据前述公开对本领域技术人员显而易见的是，可以在不偏离本公开的真正精神和范围的情况下对这种示例和方法进行改变和修改。存在许多其它示例，各示例仅在细节上互不相同。因此，本公开旨在仅限于由所附权利要求以及适用法规的规则和原则所要求的范围。