一种选择性装配的降维匹配方法与流程

1.本发明涉及机械装配技术领域，具体涉及一种选择性装配的降维匹配方法。


背景技术：

2.在机械加工领域，零部件的加工不可能完全满足图纸的要求，达到精确的尺寸以满足装配要求。但是如果仅仅是想提高加工精度，对于加工成本的需求就会急剧增加。
3.选择性装配可以被认为是一种概念，其中子部件被组装在一起，首先满足部件之间的配合需求，最后满足总体的公差条件。通过选择性的装配，我们可以适当降低对单独零部件的加工精度的需求，同时能够获得较好的装配结果。
4.目前选择性装配及很多相关的多维匹配可以被看作是一个没有准确解的np完全问题，在学术界也只能给出较好的近似解。同时在机械装配这一主题下，多数解决方案都是针对两两之间的组合进行。但在实际装配中，零部件的配合方式是多样的。通过两两之间的组合建立的装配方案，无法满足实际的工程需求。如果采用多种零部件同时进行匹配的方式，会将匹配的维度提高到无法解决的高度，虽然目前计算机算力的发展，针对较低维(三维及四维)的匹配也有着很好的收益。


技术实现要素：

5.本发明提供一种选择性装配的降维匹配方法，能够将复杂的匹配需求降低为多个简单的匹配需求进行实现，再将降维后的需求分为线性需求和非线性需求，分别采用不同的匹配方式进行匹配，以解决多种零件同时进行匹配时，匹配维度高、超出计算能力的问题。
6.本发明可以有针对的将复杂的匹配需求降低为多个匹配需求，之后将不同的匹配需求分为线性及非线性两种需求。其中线性匹配是指可以通过二维匹配的方式进行。针对线性需求，基于目前计算机性能的发展，将采用暴力算法进行枚举获取最大匹配。非线性是指匹配过程中涉及到三种及以上的零部件进行匹配即：最后一个零部件能否成功匹配与前面零部件的选择有关系。针对此种匹配情景，我们将采用随机搜索的方式进行匹配。
7.为解决上述技术问题，本发明采用如下技术方案：
8.设计一种选择性装配的降维匹配方法，包括下列步骤：
9.(1)从数据库中读取零部件尺寸信息，将尺寸信息存放在一个3维矩阵中：c
k,m,n
，共k行m列n页，其中页数n表示第几个零部件，行数k代表每个零部件含有多少个生产件，列数m代表该零部件含有多少个尺寸信息，若该零部件尺寸信息仅为m
′
且m
′
＜m，则从m
′
+1开始仅使用0进行表示；
10.(2)将部件之间的装配信息存入配合矩阵assembly
4,m,n
其中行向量包含的信息为：每一页为每一个单独的零部件，n表示共有n种零部件，m代表在所有零部件中，最多含有m种尺寸信息在每一页中，其中第一行、第二行代表该零部件的组合信息，第三行、第四行代表匹配的需求最大值与最小值；
11.(3)非线性组装的识别：在装配矩阵中，部分尺寸信息可以形成一个组装闭环，则涉及到该环的装配过程为非线性装配；
12.(4)非线性组装的匹配过程：
13.a.使用步骤3中找到的环进行搜集搜索并进行装配匹配；
14.b.根据计算量的大小与实际需求，进行多次随机搜索匹配；
15.(5)当完成该“装配环”的匹配之后，将该环作为一个新的“零部件”送回原始的装配矩阵中，并修改装配矩阵；
16.(6)重复非线性组装即“装配环”的存在，重复步骤4与步骤5，直至没有装配环的存在；
17.(7)进行线性组装，线性组装的匹配方式为首先将匹配过程转化为二部图，之后使用匈牙利算法进行最大匹配数匹配。
18.步骤(4)中的随机搜索匹配也是一种匹配算法。随机搜索匹配是指随机的将零部件进行匹配，匹配成功则成功，最终结果看运气，因为多维匹配本身就是一个无法解决的问题，只是当计算量小的时候可以使用暴力枚举的方式解决，如果计算量大，针对一次匹配，暴力解决需要的时间可能是按年算的，其余算法从效益上来讲和随机搜索没有太大差别。随机搜索的过程并不是搜索数据，而是随机的将某几个零部件匹配在一起，例如组成一辆汽车至少需要四个轮子，轮子的尺寸可能有差别，导致一辆汽车无法平衡，那么选择合适的轮子就很重要，假如四个轮子分别是abcd，每种型号生产了3个a1a2a3等，那么做选择(哪四个进行组合)的时候，可以是a1b2c1d3的组合，如果这种组合合适，则定为一组匹配，如果不合适则放弃，继续随机地从各种型号中选择。
19.优选的，所述步骤(2)中，将m设置为需要匹配的尺寸信息数量。
20.优选的，所述步骤(3)中，组装闭环的识别方式为：将装配顺序抽象化变成一个节点连接图，之后使用深度优先搜索寻找环的存在；找到环之后标记该环，且提取该环所涉及到的零部件类型、尺寸信息进行存储。
21.本发明的有益效果在于：
22.本发明提出了一种机械装配过程中的降维匹配方法，该方法建立在多种简单常见的图论算法之上，但是很好的均衡了在机械装配过程中的匹配难题的两种解决方案。
23.与现有的装配方式相比：现有的装配方式粗略可替换装配，即对零部件本身进行分组而不是对装配过程进行分组，无法满足精细机械加工的需求。本发明通过对匹配过程进行控制，可以满足对不同部位的公差要求，可以保证更高的准确度。本发明的特点是通过对匹配过程进行分组，平衡了匹配的难度和成功率，本发明通过匹配过程的分组，可以将复杂匹配过程分解为二维+多维两种，针对二维过程，可以保证精度及效益。
附图说明
24.图1为零件之间的装配图示例；
25.图2为装配图转化后的节点连接图示例；
26.图3为更新后的装配图示例；
27.图4为更新后的节点连接图示例。
具体实施方式
28.下面结合实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。
29.实施例1：一种选择性装配的降维匹配方法，包括下列步骤：
30.(1)从数据库中读取零部件尺寸信息，将尺寸信息存放在一个3维矩阵中：c
k,m,n
，共k行m列n页，其中页数n表示第几个零部件，行数k代表每个零部件含有多少个生产件，列数m代表该零部件含有多少个尺寸信息，若该零部件尺寸信息仅为m
′
且m
′
＜m，则从m
′
+1开始仅使用0进行表示。
31.(2)将部件之间的装配信息存入配合矩阵assembly
4,m,n
其中行向量包含的信息为：每一页为每一个单独的零部件，n表示共有n种零部件，m代表在所有零部件中，最多含有m种尺寸信息在每一页中，其中第一行、第二行代表该零部件的组合信息，第三行、第四行代表匹配的需求最大值与最小值；将m设置为需要匹配的尺寸信息数量。
32.(3)非线性组装的识别：在装配矩阵中，部分尺寸信息可以形成一个组装闭环，则涉及到该环的装配过程为非线性装配。组装闭环的识别方式为：将装配顺序抽象化变成一个图，之后使用深度优先搜索寻找环的存在；找到环之后标记该环，且提取该环所涉及到的零部件类型、尺寸信息进行存储。
33.(4)非线性组装的匹配过程：
34.a.使用步骤3中找到的环进行搜集搜索并进行装配匹配；
35.b.根据计算量的大小与实际需求，进行多次随机搜索匹配；
36.(5)当完成该“装配环”的匹配之后，将该环作为一个新的“零部件”送回原始的装配矩阵中，并修改装配矩阵；
37.(6)重复非线性组装即“装配环”的存在，重复步骤4与步骤5，直至没有装配环的存在；
38.(7)进行线性组装，线性组装的匹配方式为首先将匹配过程转化为二部图，之后使用匈牙利算法进行最大匹配数匹配。
39.步骤(4)中的随机搜索匹配也是一种匹配算法。随机搜索匹配是指随机的将零部件进行匹配，匹配成功则成功，最终结果看运气，因为多维匹配本身就是一个无法解决的问题，只是当计算量小的时候可以使用暴力枚举的方式解决，如果计算量大，针对一次匹配，暴力解决需要的时间可能是按年算的，其余算法从效益上来讲和随机搜索没有太大差别。随机搜索的过程并不是搜索数据，而是随机的将某几个零部件匹配在一起，例如组成一辆汽车至少需要四个轮子，轮子的尺寸可能有差别，导致一辆汽车无法平衡，那么选择合适的轮子就很重要，假如四个轮子分别是abcd，每种型号生产了3个a1a2a3等，那么做选择(哪四个进行组合)的时候，可以是a1b2c1d3的组合，如果这种组合合适，则定为一组匹配，如果不合适则放弃，继续随机地从各种型号中选择。
40.以下步骤均为代码流程的展示，并不代表代码逻辑，数据均为随机生成，无内在逻辑，最终装配成品不代表实际生产需求，具体代码实现不做展示，示例最终结果优劣不代表算法的优劣，相关工作人员可以通过阅读此流程与做法轻易的做出相应的代码。代码实现不限制平台。表格、数据、结果均为范例。步骤中的图表不代表代码会生成图表，仅作为步骤、原理、实现过程的展示。
41.示例：例如有以下五种零部件需要装配：a、b、c、d、e。
42.首先将零部件的生产信息统计如下表1：
43.表1零部件的生产信息统计表
[0044][0045]
表格内数字为对应尺寸的信息。
[0046]
b1代表b零件的第一个接口，每一行代表一个生产件，例如，a＝7.819340645，代表生产出了一个a型零件，其中它的尺寸信息为7.819340645，其余相似，不做额外解释。
[0047]
连接关系的建立：a连接b，b同时与c、d连接，之后将e与c、d同时连接，各个零件之间的装配图见图1.
[0048]
将上述装配图转化为一个节点连接图(代表了数学图论领域中的图的概念)，参见图2。其中这里的每个节点为零部件的类型，如果某种类型之间有连接，则用“边”将其连接起来，例如b放在a的上面，a与b有连接，则将ab连接起来。
[0049]
可以轻易看出，其中bcde组成一个“环”，在具体实现中，将使用深度优先的算法进行。找到相应的装配环之后，对尺寸信息使用随机搜索算法，对该装配环进行配对后将其视为同一个零部件。
[0050]
其中配对的需求为每个零部件之间进行连接时，其中公差不能超过预设值，例如b1接口只用于与a连接，c1、e1与b连接，d1与c2，d2与e2，见表1中的b2、b3、c1、c2、e1、e2、d1、d2取值。
[0051]
那么，随机算法为随机的选取一种b，c，d，e进行匹配，例如选取1号b，1号c，3号d，2号e，那么其中公差比对为：
[0052]
(13.38496-1.4110255)+(0.911091-17.066952)+(0.081262-13.058144)+(8.230700757-13.058144)，查看最终的数值是否满足要求，如果满足要求，则将此组合看作是同一个生产件，并将对应的生产件从表格中删除，如果不满足要求，则随机的从表格中选取生产件进行组合，直到满足要求。
[0053]
那么更新后的装配图纸见图3，将abcde之间的装配关系转变为a与(bcde)之间的装配关系。
[0054]
后续中将使用“装配环”来特指该应用场景中的“环”。更新后的节点连接图见图4，将abcde之间的连接关系转变为节点a与节点(bcde)之间的连接关系。
[0055]
以上附图的更新仅为示例、步骤展示，不代表代码会在此步骤更新表格及图纸。
[0056]
回到步骤2，继续寻找相应的装配环，可以轻易看出，新的图为一个树结构，因此没有环的存在，之后使用暴力枚举的方式找到最大匹配。
[0057]
其中实际使用中，一个图纸不仅只有一个装配环，装配环的大小(节点数目)也不止四个，所以需要多次使用步骤2、3找到相应的装配环进行处理，直到最终得到一个树结构(二维匹配)。
[0058]
上面结合实施例对本发明作了详细的说明，但是所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

技术特征：
1.一种选择性装配的降维匹配方法，其特征在于，包括下列步骤：(1)从数据库中读取零部件尺寸信息，将尺寸信息存放在一个3维矩阵中：c
k,m,n
，共k行m列n页，其中页数n表示第几个零部件，行数k代表每个零部件含有多少个生产件，列数m代表该零部件含有多少个尺寸信息，若该零部件尺寸信息仅为m
′
且m
′
＜m，则从m
′
+1开始仅使用0进行表示；(2)将部件之间的装配信息存入配合矩阵assembly
4,m,n
其中行向量包含的信息为：每一页为每一个单独的零部件，n表示共有n种零部件，m代表在所有零部件中，最多含有m种尺寸信息在每一页中，其中第一行、第二行代表该零部件的组合信息，第三行、第四行代表匹配的需求最大值与最小值；(3)非线性组装的识别：在装配矩阵中，部分尺寸信息可以形成一个组装闭环，则涉及到该环的装配过程为非线性装配；(4)非线性组装的匹配过程：a.使用步骤3中找到的环进行搜集搜索并进行装配匹配；b.根据计算量的大小与实际需求，进行多次随机搜索匹配；(5)当完成该“装配环”的匹配之后，将该环作为一个新的“零部件”送回原始的装配矩阵中，并修改装配矩阵；(6)重复识别非线性组装即“装配环”的存在，重复步骤4与步骤5，直至没有装配环的存在；(7)进行线性组装，线性组装的匹配方式为首先将匹配过程转化为二部图，之后使用匈牙利算法进行最大匹配数匹配。2.根据权利要求1所述的选择性装配的降维匹配方法，其特征在于，所述步骤(2)中，将m设置为需要匹配的尺寸信息数量。3.根据权利要求1所述的选择性装配的降维匹配方法，其特征在于，所述步骤(3)中，组装闭环的识别方式为：将装配顺序抽象化变成一个节点连接图，之后使用深度优先搜索寻找环的存在；找到环之后标记该环，且提取该环所涉及到的零部件类型、尺寸信息进行存储。

技术总结
本发明公开了一种选择性装配的降维匹配方法，能够将复杂的匹配需求降低为多个简单的匹配需求进行实现，再将降维后的需求分为线性需求和非线性需求，分别采用不同的匹配方式进行匹配，以解决多种零件同时进行匹配时，匹配维度高、超出计算能力的问题。其中线性匹配是指可以通过二维匹配的方式进行。针对线性需求，基于目前计算机性能的发展，将采用暴力算法进行枚举获取最大匹配。非线性是指匹配过程中涉及到三种及以上的零部件进行匹配即：最后一个零部件能否成功匹配与前面零部件的选择有关系。针对此种匹配情景，采用随机搜索的方式进行匹配。式进行匹配。式进行匹配。


技术研发人员：杨晓东 侯安平 倪奇峰 李秉洁 胡斌 侯昆
受保护的技术使用者：宁波虎渡能源科技有限公司
技术研发日：2023.07.04
技术公布日：2023/10/11