一种工业设计产品的智能推荐方法及系统与流程

本发明涉及智能推荐，尤其涉及一种工业设计产品的智能推荐方法及系统。

背景技术：

1、工业设计产品的智能推荐方法是一种运用现代计算机科学技术，尤其是人工智能（ai）、机器学习（ml）、深度学习（dl）、物联网（iot）的技术，根据用户需求、材料特性、环境约束的因素，自动进行产品设计决策和优化的方法。这种方法能够大大提高设计效率，减少设计错误，增强设计的个性化和创新性。在实际的设计过程中，需求、环境的因素往往存在不确定性和模糊性。现阶段的智能推荐方法往往难以有效处理这些不确定性和模糊性。

技术实现思路

1、本发明为解决上述技术问题，提出了一种工业设计产品的智能推荐方法及系统，以解决至少一个上述技术问题。

2、本技术提供了一种工业设计产品的智能推荐方法，包括以下步骤：

3、步骤s1：获取工业设计需求数据，并对工业设计需求数据进行深度解析，从而获取设计需求语义图谱数据；

4、步骤s2：根据设计需求语义图谱数据进行材料特性与设计约束匹配，从而获取约束符合材料清单数据；

5、步骤s3：对约束符合材料清单数据进行优化算法推导处理，从而获取优化设计决策树数据；

6、步骤s4：通过物联网技术收集实时的生产、使用环境和用户反馈数据，并与优化设计决策树集成，从而获取实时设计反馈数据库数据；

7、步骤s5：对实时设计反馈数据库数据进行设计决策优化，从而获取优化设计决策数据；

8、步骤s6：对优化设计决策数据进行闭环学习与设计迭代，从而获取工业设计推荐方案数据。

9、本发明中通过获取工业设计需求数据并进行深度解析，能够准确理解设计需求，提高设计的准确性和符合度。对材料特性与设计约束进行匹配，生成优化设计决策树，实现了设计过程的自动化。该方法通过物联网技术收集实时的生产、使用环境和用户反馈数据，提供了实时的设计反馈，使设计方案能够及时调整和优化。对实时设计反馈数据库数据进行设计决策优化，不断优化设计决策，提高了设计效率和质量。对优化设计决策数据进行闭环学习与设计迭代，使得设计方案能够不断学习和进步，提高设计方案的质量和适应性。本发明能够根据用户的具体需求和反馈，提供个性化的工业设计推荐方案，提高用户满意度。

10、优选地，步骤s1具体为：

11、步骤s11：获取工业设计需求基础数据；

12、步骤s12：对工业设计需求基础数据进行需求数据预处理，从而获取工业设计需求预处理数据；

13、步骤s13：对工业设计需求预处理数据进行自然语言特征提取，从而获取需求自然语言特征数据；

14、步骤s14：对需求自然语言特征数据进行需求模式挖掘，从而获取需求模式数据；

15、步骤s15：对需求模式数据进行需求语义理解，从而获取需求语义数据；

16、步骤s16：利用预设的图神经网络构建方式对需求语义数据进行关系图构建，从而获取需求关系图数据；

17、步骤s17：根据需求关系图生成设计需求语义图谱数据。

18、本发明中对工业设计需求基础数据进行深度预处理和自然语言特征提取，能有效理解和解析需求，提高推荐的精准性。通过对需求自然语言特征数据进行模式挖掘，有助于发现设计需求的潜在规律和模式，进而提升设计的针对性和创新性。对需求模式数据进行语义理解，可以在更深层次上理解和满足用户的设计需求，提高设计的满足度。利用图神经网络对需求语义数据进行关系图构建，能够清晰地展示各需求之间的关联关系，为设计决策提供有力支持。需求关系图的生成及进一步转化为设计需求语义图谱，有效地组织并可视化了需求信息，便于进行后续的分析和推荐工作。

19、优选地，步骤s12中需求数据预处理通过需求数据清洗计算公式进行预处理，其中需求数据清洗计算公式具体为：

20、；

21、为经过数据清洗后得到的清洗后需求数据，为工业设计需求基础数据中需求数据点的总数，为预处理数据序次项，为清洗底数常数项，为工业设计需求基础数据中第个需求数据点，为平滑常数项，为工业设计需求基础数据中的最大需求数据点，为工业设计需求基础数据中的最小需求数据点，为工业设计需求基础数据中所有特定项的需求数据点的均值。

22、本发明构造了一种需求数据清洗计算公式，该计算公式的主要目的是预处理工业设计需求基础数据，以达到清洗数据、消除噪声和异常值，平滑数据，以提升数据质量和处理效率的目的。表示工业设计需求基础数据中需求数据点的总数。它影响极限计算和均值计算，极限是关于的，表示随着数据点数量的增加，平均对数值会趋于稳定，这个稳定值用于进一步的计算。表示预处理数据序次项，它用于累加和求对数操作，对所有的需求数据点进行操作。表示清洗底数常数项，在求对数操作中，作为对数的底数。不同的底数会影响数据清洗的程度。表示工业设计需求基础数据中第个需求数据点，是公式中主要的操作对象，也是最终预处理数据的来源。表示平滑常数项，在对数操作中，防止数据点值为0导致对数无法计算的情况，起到平滑作用。和分别表示工业设计需求基础数据中的最大需求数据点和最小需求数据点。它们用于计算三角函数，引入了数据范围的信息。表示工业设计需求基础数据中所有特定项的需求数据点的均值，用于方差的计算，引入了数据的平均级别信息。本发明使数据清洗工作能在多个维度上进行，更全面地处理数据。特别是利用对数平滑数据、利用极限获取趋势信息、利用三角函数引入极值信息、利用方差引入离散度信息，都使得数据清洗更为全面和深入，大大提升了数据的质量和后续处理的效果。

23、优选地，步骤s16具体为：

24、步骤s161：对需求语义数据进行节点选择，从而获取图节点数据，并对需求语义数据进行最大相关边选择，从而获取图边数据；

25、步骤s162：对图节点数据进行节点嵌入，从而获取节点嵌入数据，并对图边数据进行边嵌入，从而获取边嵌入数据；

26、步骤s163：对节点嵌入数据以及边嵌入数据进行图结构初始化，从而获取初始化图结构数据；

27、步骤s164：对初始化图结构数据进行循环神经网络模型初始化构建，从而获取初步需求关系图数据；

28、步骤s165：对初步需求关系图数据进行模型训练并优化，从而获取需求关系图数据。

29、本发明中图结构能清晰、直观地反映设计需求的内在逻辑和关系，帮助设计人员更好地理解和把握设计需求，从而提高设计的精确度。通过图神经网络，可以快速、自动地处理大量、复杂的设计需求数据，大大减少了设计人员的工作负担，提高了设计的效率。能更准确地把握用户需求，使得设计结果更贴合用户需求，从而提升用户体验。更高的设计精确度和用户体验，可以提升产品的市场竞争力，帮助企业取得更大的市场份额。图神经网络的应用，引入了新的设计思维和方法，可能会引领设计创新，产生全新、独特的设计方案。

30、优选地，步骤s2具体为：

31、步骤s21：对设计需求语义图谱数据进行需求特征提取，从而获取需求特征数据；

32、步骤s22：对需求特征数据通过预存于本地的材料数据库进行数据查询，从而获取初步材料候选列表数据；

33、步骤s23：对初步材料候选列表数据进行材料特性比对，从而获取材料特性匹配度数据；

34、步骤s24：利用设计需求语义图谱数据对材料特性匹配度数据进行设计约束检查，从而获取约束检查数据；

35、步骤s25：对约束检查数据进行约束优化，从而获取约束检查优化数据；

36、步骤s26：利用约束检查优化数据对初步材料候选列表数据进行材料排名，从而获取材料排名数据；

37、步骤s27：对材料排名数据进行优选材料筛选，从而获取优选材料数据；

38、步骤s28：根据优选材料数据生成约束符合材料清单数据。

39、本发明中对设计需求语义图谱数据进行深度解析，直观反映需求之间的逻辑关系，并利用这些数据进行材料的筛选和比较，使得系统能够更准确、更快速地找到符合设计需求的材料。本发明通过材料特性比对和设计约束检查，可以筛选出最符合设计需求的材料，避免了因选择不当而造成的材料浪费和性能降低。本发明能够更准确地选择出符合设计需求的材料，从而提高产品的性能，提升用户满意度。通过优选材料筛选，本发明可以避免选择不适合的材料，从而减少材料浪费。通过对需求语义的深度解析和材料的精确筛选，本发明可以提升工业设计的整体水平，推动工业设计行业的发展。设计约束检查阶段包括物理可行性约束和经济可行性约束，物理可行性约束保证了推荐的工业设计产品在物理属性和性能上能够满足设计需求，包括但不限于材料的力学性能、热性能、电性能。这大大降低了设计方案落地实现的困难度和风险。通过对材料特性匹配度数据进行设计约束检查，可以在早期设计阶段就发现并排除一些无法满足需求或过于昂贵的设计方案，从而提高设计效率，减少不必要的迭代和修改，提高最终产品的质量。基于物理可行性和经济可行性的约束检查，可以提供一个全面和深入的设计解决方案评估框架，使得系统能够从多角度、多维度对设计方案进行优化。

40、优选地，步骤s26中材料排名通过材料排名计算公式进行处理，其中材料排名计算公式具体为：

41、；

42、为材料排名数据，为设计需求语义图谱数据中的材料相关特征值，为预存于本地的材料数据库中的材料特性值，为材料排名底数常数项，为初步材料候选列表数据中的材料评分值，为设计需求语义图谱数据中的其他材料特性方向性数据，为重要性权重系数，为设计需求语义图谱数据中的材料特性方向性数据，为材料特定特性项，为设计需求参数项，为第一比较系数项，为第二比较系数项，为材料特性的数量数据。

43、本发明构造了一种材料排名计算公式，该计算公式对材料进行评价并进行排名的数学模型。它集成了各种因素，如设计需求语义图谱中的材料相关特征、材料数据库中的材料特性、材料的初步评分、材料的方向性数据、重要性权重系数、比较系数，以生成一个综合的材料排名。设计需求语义图谱数据中的材料相关特征值，这是一个针对特定设计需求的材料特性的度量。预存于本地的材料数据库中的材料特性值，这是每种材料的固有特性值，来自于材料数据库。初步材料候选列表数据中的材料评分值，这是基于初步筛选和比较得出的每种材料的评分。设计需求语义图谱数据中的材料特性方向性数据，这是一个度量，表示特定材料的某些特性如何满足特定设计需求。设计需求参数项，这是设计需求的具体参数，如需要的材料强度、硬度、耐热性。比较系数以及，这是用于比较各种材料性能的系数。材料特性的数量数据，表示考虑到的材料特性数量，用于归一化评分。这个公式的主要有益效果是提供了一种综合和定量的方式来比较不同的材料，并根据设计需求来进行排名。通过这种方式，使得更容易地确定最适合特定需求的材料，从而提高设计的质量和效率。

44、优选地，步骤s3具体为：

45、步骤s31：对约束符合材料清单数据进行材料属性解析，从而获取材料属性数据；

46、步骤s32：利用设计需求语义图谱数据中的目标设计需求数据对材料属性数据进行设计参数定义，从而获取设计参数数据；

47、步骤s33：对设计参数数据进行优化目标设定，从而获取优化目标数据；

48、步骤s34：对约束符合材料清单数据进行材料特征选择，从而获取材料特征选择数据；

49、步骤s35：对材料特征选择数据、设计参数数据以及优化目标数据进行深度模型构建，从而获取优化算法模型数据；

50、步骤s36：根据优化算法模型数据生成初始解数据；

51、步骤s37：对初始解数据进行智能优化搜索，从而获取优化搜索结果数据；

52、步骤s38：根据优化搜索结果数据构建优化设计决策树数据。

53、本发明中通过解析约束符合的材料清单数据，然后定义设计参数，设定优化目标，并最后构建深度优化模型。这种系统性的流程不仅提高了设计过程的效率，还确保了设计结果的优化和准确性。通过使用设计需求语义图谱中的目标设计需求数据定义设计参数，可以根据特定的设计需求提供定制化的设计方案。深度模型构建和智能优化搜索是基于人工智能技术，特别是深度学习技术的。这使得设计过程能够利用大量的数据和复杂的模式，从而达到优化设计的目的。根据优化搜索结果构建的设计决策树为系统提供了清晰、直观的决策支持，从而选择最优的设计方案。本发明可以提供更精确、更优化、更定制化的设计方案，提高设计效率，支持更好的决策制定，并有助于推动工业设计领域的创新和发展。

54、优选地，步骤s35具体为：

55、步骤s351：对优化目标数据进行优化数据权重处理，从而获取优化目标权重数据；

56、步骤s352：对材料特征选择数据、设计参数数据以及优化目标数据进行模型结构定义，从而获取模型结构数据；

57、步骤s353：利用模型结构数据对材料特征选择数据、设计参数数据以及优化目标权重数据进行模型参数初始化，从而获取初始算法模型数据；

58、步骤s354：对初始算法模型数据进行前向传播计算，从而获取前向传播结果数据；

59、步骤s355：利用前向传播结果数据以及优化目标权重数据对初始算法模型数据进行损失计算，从而获取模型损失结果数据；

60、步骤s356：利用模型损失结果数据对初始算法模型数据进行反向传播计算并参数更新，从而获取优化算法模型数据。

61、本发明中通过对优化目标数据进行权重处理，可以在多个优化目标之间进行权衡，以得到最优的设计决策。这使得设计决策更加符合实际需求，从而提高了设计结果的精准度。通过前向传播、损失计算和反向传播等步骤，算法模型能自动进行参数的优化。这大大减少了人工优化参数的工作量，提高了设计过程的效率。通过模型损失的计算和反向传播，可以有效地最小化设计过程中的损失。这不仅使得设计结果更接近目标，也提高了设计过程的稳定性和可靠性。充分利用了深度学习的优点，包括模型的深度、强大的参数学习能力和优秀的泛化能力。这使得设计过程能够充分利用大量的设计数据，从而得到更优的设计结果。通过参数更新，模型能够实时地反映出最新的设计需求和条件。这使得设计过程能够适应不断变化的设计环境，保持设计结果的最新性和实用性。

62、优选地，步骤s4具体为：

63、步骤s41：利用物联网设备进行实时的生产、使用环境数据收集，从而获取实时环境数据；

64、步骤s42：获取用户反馈数据，并将实时环境数据以及用户反馈数据进行数据融合，从而获取融合数据；

65、步骤s43：对融合数据进行数据预处理，从而获取预处理反馈数据；

66、步骤s44：对预处理反馈模式进行深度数据挖掘，从而获取解析反馈数据；

67、步骤s45：根据优化设计决策树数据以及解析反馈数据构建实时设计反馈数据库数据。

68、本发明中通过物联网设备获取实时环境数据，可以获取产品在实际使用环境中的表现情况，为产品优化提供实时反馈，有利于设计者及时了解产品使用情况，及时对设计方案进行优化。通过获取用户反馈数据，设计者可以及时了解到用户的需求变化，改进产品设计，以满足用户需求，提高产品满意度。通过对数据进行预处理和深度数据挖掘，可以发现反馈数据中隐藏的信息，更好地理解产品在实际应用中的问题，为优化设计提供支持。通过构建实时设计反馈数据库，可以积累产品设计和使用过程中的数据，为未来的产品设计提供参考，是一种有效的知识管理方式。

69、优选地，本发明还提供了一种工业设计产品的智能推荐系统，包括：

70、深度解析模块，用于获取工业设计需求数据，并对工业设计需求数据进行深度解析，从而获取设计需求语义图谱数据；

71、材料特性与设计约束匹配模块，用于根据设计需求语义图谱数据进行材料特性与设计约束匹配，从而获取约束符合材料清单数据；

72、优化算法推导处理模块，用于对约束符合材料清单数据进行优化算法推导处理，从而获取优化设计决策树数据；

73、实时设计反馈数据库构建模块，用于通过物联网技术收集实时的生产、使用环境和使用者反馈数据，并与优化设计决策树集成，从而获取实时设计反馈数据库数据；

74、设计决策优化模块，用于对实时设计反馈数据库数据进行设计决策优化，从而获取优化设计决策数据；

75、闭环学习与设计迭代模块，用于对优化设计决策数据进行闭环学习与设计迭代，从而获取工业设计推荐方案数据。

76、本发明的有益效果在于：通过对设计需求数据进行深度解析，该方法可以准确地理解用户的设计需求，并通过匹配算法精准找到满足约束条件的材料，大大提高了产品设计的效率和精准度。通过优化算法推导处理，可以根据每个用户的具体需求，提供个性化的设计决策，从而为用户提供更满意的产品设计方案。通过物联网技术收集实时的生产、使用环境和用户反馈数据，并结合设计决策树，能够实时获取并处理设计反馈，进一步优化设计决策，实现产品设计的实时优化和改进。通过闭环学习与设计迭代，能够不断学习并优化设计决策，使得产品设计推荐方案持续优化和迭代，保证设计的持续改进和升级。通过创建实时设计反馈数据库，本发明提供了一个全面的知识管理系统，可以储存、检索和利用历史设计数据和反馈，从而提高设计的决策力和创新力。