(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211205559.9 (22)申请日 2022.09.30 (65)同一申请的已公布的文献号 申请公布号 CN 115270645 A (43)申请公布日 2022.11.01 (73)专利权人 南昌工程学院 地址 330000 江西省南昌市高新区天祥大 道289号 (72)发明人 罗昌泰　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 何世磊 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06T 17/00(2006.01)G06N 3/04(2006.01) (56)对比文件 US 2021201 182 A1,2021.07.01 CN 114239939 A,202 2.03.25 CN 114780724 A,202 2.07.22 CN 112562069 A,2021.0 3.26 CN 110765677 A,2020.02.07 Yuxuan Luo等.Text Matc hing application for integrati on between industry and educati on. 《2022 14th Internati onal Conference o n Measuri ng Technology and Mec hatronics Automati on (ICMTMA)》 .202 2,全文. 牛玉婷等.基 于改进ERN IE-DPCNN模型的中 文文本分类. 《江苏 师范大学学报(自然科 学 版)》 .2021,全 文. 审查员 王亚辉 (54)发明名称 一种基于ERNIE-DPCNN模型的设计方法及系 统 (57)摘要 本发明提供了一种基于ERNIE ‑DPCNN模型的 设计方法及系统， 该方法包括获取待设计物体的 结构信息， 并匹配出对应的目标三维模型； 获取 历史设计案例， 并根据历史设计案例构建出案例 数据库， 以根据案例数据库生成训练样本集； 将 训练样本集输入至ERNIE ‑DPCNN模型中， 以进行 耦合训练， 并通过Midas  GTS构建出第一三维计 算模型以及第二三维计算模型； 对第一三维计算 模型以及第二三维计算模型进行模拟设计计算， 以生成原始参数， 并通过训练完成的ERNIE ‑ DPCNN模型对原始参数进行耦合分析， 以获取到 目标设计参数。 通过上述方式能够自动完成对三 维模型的设计， 从而能够大幅缩短三维模型的设 计时间。 权利要求书2页 说明书8页 附图2页 CN 115270645 B 2022.12.27 CN 115270645 B 1.一种基于 ERNIE‑DPCNN模型的设计方法， 其特 征在于， 所述方法包括： 获取当前待设计物体的结构信 息， 并根据 所述结构信 息匹配出与所述待设计物体对应 的目标三维模型， 所述结构信息包括材质、 刚度以及尺寸； 获取历史设计案例， 并根据所述历史设计案例构建出对应的案例数据库， 以根据所述 案例数据库生成对应的训练样本集， 所述训练样本集包括三维模型 的类型、 设计标准以及 质量标准； 将所述训练样本集输入至预设ERNIE ‑DPCNN模型中， 以对所述ERNIE ‑DPCNN模型进行耦 合训练， 并通过Midas  GTS构建出与当前所述待设计物体对应的第一三 维计算模 型、 与所述 目标三维模型对应的第二三 维计算模型， 所述第一三 维计算模型与所述第二三维计算模型 均具有唯一性， 其中， 所述ERNIE ‑DPCNN模型为复合型模型， 用于对接收到的数据进行耦合 分析， 所述ERNIE ‑DPCNN模型包括卷积层以及池化层， 所述卷积层包括等长卷积函数， 所述 等长卷积函数的表达式为： ， 其中， E表示所述等长卷积函数， n表示目 标设计阈值， x （m） 表示初始卷积函数， w （n） 表示窗口函数； 所述池化层中， 采用最大池化方 式， 设置池化大小为  3、 步长为 2， 同时固定特 征图的数量； 在所述Midas  GTS中对所述第一三维计算模型以及所述第二三维计算模型进行模拟设 计计算， 以生 成对应的原始 参数， 并通过训练完成的ERNIE ‑DPCNN模型对所述原始 参数进行 耦合分析， 以获取到与所述 目标三维模型对应的目标设计参数， 所述 目标设计参数包括模 型材质、 模型比例以及模型尺寸。 2.根据权利要求1所述的基于ERNIE ‑DPCNN模型的设计方法， 其特征在于： 所述将所述 训练样本集输入至预设ERNIE ‑DPCNN模型中， 以对 所述ERNIE ‑DPCNN模型进行耦合训练的步 骤包括： 当获取到所述训练样本集时， 将所述训练样本集输入至所述ERNIE ‑DPCNN模型中的预 训练层中， 并通过所述预训练层中的双向Transformer编码器对所述训练样本集进行耦合 计算， 以完成对所述ERN IE‑DPCNN模型的耦合训练。 3.根据权利要求1所述的基于ERNIE ‑DPCNN模型的设计方法， 其特征在于： 所述通过训 练完成的ERNIE ‑DPCNN模型对所述原始参数进行耦合分析， 以获取到与所述目标三维模型 对应的目标设计参数的步骤 包括： 当获取到所述原始参数时， 将所述原始参数输入至归一化Softmax函数中， 以使所述归 一化Softmax函数根据所述原 始参数输出对应的目标设计阈值； 将所述目标设计阈值输入至训练完成的ERNIE ‑DPCNN模型中的卷积层中， 并在所述卷 积层中对所述目标设计阈值进行耦合分析， 以生成对应的参数矩阵； 根据所述 参数矩阵获取到与所述目标三维模型对应的目标设计参数。 4.根据权利要求1所述的基于ERNIE ‑DPCNN模型的设计方法， 其特征在于： 所述通过训 练完成的ERNIE ‑DPCNN模型对所述原始参数进行耦合分析， 以获取到与所述目标三维模型 对应的目标设计参数的步骤之后， 所述方法还 包括： 根据所述目标设计参数生成对应的目标设计报告， 并将所述目标设计报告传输至显示 终端， 以在所述显示终端实时显示所述目标设计报告。权　利　要　求　书 1/2 页 2 CN 115270645 B 25.一种基于 ERNIE‑DPCNN模型的设计系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取当前待设计物体的结构信息， 并根据所述结构信息匹配出与所述 待设计物体对应的目标三维模型， 所述结构信息包括材质、 刚度以及尺寸； 构建模块， 用于获取历史设计案例， 并根据所述历史设计案例构建出对应的案例数据 库， 以根据所述案例数据库生成对应的训练样 本集， 所述训练样本集包括三 维模型的类型、 设计标准以及质量标准； 训练模块， 用于将所述训练样本集输入至预设ERNIE ‑DPCNN模型中， 以对所述ERNIE ‑ DPCNN模型进行耦合训练， 并通过Midas  GTS构建出与当前所述待设计物体对应的第一三维 计算模型、 与所述 目标三维模型对应的第二三维计算模型， 所述第一三维计算模型与所述 第二三维计算模型均具有唯一性， 其中， 所述ERNIE ‑DPCNN模型为复合型模型， 用于对接收 到的数据进 行耦合分析， 所述ERNIE ‑DPCNN模型包括卷积层以及 池化层， 所述卷积层包括等 长卷积函数， 所述等长卷积函数的表达式为： ， 其中， E表示所述等长 卷积函数， n表示目标设计阈值， x （m） 表示初始卷积函数， w （n） 表示窗口函数； 所述池化层 中， 采用最大池化方式， 设置池化大小为  3、 步长为 2， 同时固定特 征图的数量； 计算模块， 用于在所述Midas  GTS中对所述第一三维计算模型以及所述第二三维计算 模型进行模拟设计计算， 以生 成对应的原始 参数， 并通过训练完成的ERNIE ‑DPCNN模型对所 述原始参数进行耦合分析， 以获取到与所述 目标三维模型对应的目标设计参数， 所述 目标 设计参数包括模型 材质、 模型比例以及模型尺寸。 6.根据权利要求5所述的基于ERNIE ‑DPCNN模型的设计系统， 其特征在于： 所述训练模 块具体用于： 当获取到所述训练样本集时， 将所述训练样本集输入至所述ERNIE ‑DPCNN模型中的预 训练层中， 并通过所述预训练层中的双向Transformer编码器对所述训练样本集进行耦合 计算， 以完成对所述ERN IE‑DPCNN模型的耦合训练。 7.根据权利要求5所述的基于ERNIE ‑DPCNN模型的设计系统， 其特征在于： 所述计算模 块具体用于： 当获取到所述原始参数时， 将所述原始参数输入至归一化Softmax函数中， 以使所述归 一化Softmax函数根据所述原 始参数输出对应的目标设计阈值； 将所述目标设计阈值输入至训练完成的ERNIE ‑DPCNN模型中的卷积层中， 并在所述卷 积层中对所述目标设计阈值进行耦合分析， 以生成对应的参数矩阵； 根据所述 参数矩阵获取到与所述目标三维模型对应的目标设计参数。 8.根据权利要求5所述的基于ERNIE ‑DPCNN模型的设计系统， 其特征在于： 所述基于 ERNIE‑DPCNN模型的设计系统还 包括显示模块， 所述显示模块具体用于： 根据所述目标设计参数生成对应的目标设计报告， 并将所述