用于三维机加工艺设计的三维模型多加工特征识别方法

技术领域

本发明涉及三维机加工艺设计技术领域，尤其涉及一种用于三维机加工艺设计的三维模型多加工特征识别方法。

背景技术

自动特征识别技术也是计算机辅设计、计算机辅助工艺和计算机辅助制造的重要组成部分，是实现工件产品全生命周期数字制造的关键技术。由于工件中可能存在的特征种类较多，组成特征的曲面数量和曲面类型存在不确定性，并且特征之间还存在各种难以预料的复杂相交情况，自动特征识别技术一直是数字化制造领域亟需解决的技术难题和关键问题。传统的特征识别方法包括基于属性邻接图的方法、基于提示的方法和启发式的特征识别方法。但这些传统方法均存在着诸多局限性，在实际的加工生产中存在各种问题。例如，基于提示的方法根据需要识别的特征来确定一些几何信息和拓扑信息，但这种方法只能识别很有限的特征，对一些复杂特征无法归纳总结出可供识别的提示信息。

除了传统方法外，学术界和工业界也尝试采用一些比较新的理论方法来解决特征识别问题。例如，使用人工神经网络来构建模型分类器，解决特征提取后的特征分类问题。但在使用该方法时，网络输入为固定尺寸的向量，而特征中的面数是变化的，无法直接输入网络进行特征分类。需要通过构造更高级的统计特征来实现网络的固定输入，例如统计特征中的平面数量、圆柱面数量作为固定尺寸的输入。这种统计特征虽然能够实现固定尺寸向量的输入，但存在着拓扑信息和几何信息的损失。在输入信息损失的情况下，网络的深度又较浅，神经网络无法从输入中自动提取构造语义特征，导致人工神经网络无法获得较高的特征分类准确率。还有部分特征识别方法结合了多种算法，但特征识别的效果都不太理想。主要问题是因为相交特征的情况过于复杂，破坏了原有特征的拓扑特征，使得原先用于识别独立完整特征的算法失效。

本发明是对天喻产品三维工程应用平台INTE3D进行改进和功能拓展，其主要目标是研究在三维机加工艺设计过程中涉及的特征识别相关技术，为三维机加工艺实现提供技术支撑。

因此，提出一种用于三维机加工艺设计的三维模型多加工特征识别方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种用于三维机加工艺设计的三维模型多加工特征识别方法，可以实现工件特征的自动提取和分类，解决工件实体模型的多特征识别问题，保证特征识别算法具有非常高的分类准确率。

为了实现上述目的，本发明采用如下技术方案：

用于三维机加工艺设计的三维模型多加工特征识别方法，包括以下步骤：

S1.读取待解析工件的三维实体模型，提取工件上所有几何面以及几何面上的几何信息；

S2.根据几何面上的几何信息计算工件所有几何面之间的邻接关系，确定存在连接关系的几何面，计算所有连接面之间的凹凸性，得到整个工件的邻接属性图；

S3.通过邻接属性图区分特征面和非特征面，并对特征面进行特征提取，得到识别的特征和未识别的特征；

S4.将S3中未识别的特征输入构建的标准面节点拓扑结构，输出拓扑信息，将拓扑信息和几何信息作为输入，输入建立的卷积神经网络进行特征分类识别；

S5.根据预定义的特征识别规则库，将S3中识别的特征分为简单特征、多基面相交特征、未分类特征；

S6.对S5中多基面相交特征进行分解得到独立特征；

S7.将S6中独立特征输入建立的卷积神经网络进行特征分类，得到独立特征的分类结果。

上述的方法，可选的，S1中几何面上的几何信息包括但不限于：类型信息、曲线数据和起始点信息。

上述的方法，可选的，S2的具体内容为：

通过几何面上的几何信息中的边界曲线来判断几何面是否连接，边界曲线存在相交部分则两个几何面相接，不存在相交部分则两个几何面之间不存在连接；对存在连接关系的两个几何面对应连接的凹凸性进行计算，得到整个工件的邻接属性图。

上述的方法，可选的，S2中，凹凸性的计算方法为：

边界曲线存在的相交部分为相交曲线，在相交曲线上取一点，设为A，再在相交曲线一侧的一个几何面上取一点，设为B，在相交曲线另一侧的一个几何面上取一点，设为C，计算B点所属几何面的法向量，计算A为起点和C为终点的方向向量，计算法向向量和方向向量的夹角，夹角小于90°连接为凹连接，夹角大于90°连接为凸连接，夹角等于90°连接为相切连接。

上述的方法，可选的，S2中邻接属性图的具体内容为：

根据所有几何面之间的连接属性来计算邻接属性图，构建一个M×M的邻接矩阵来存储所有邻接值，其中M是工件中几何面的数量，矩阵的行号和列号对应每个几何面的索引号。

上述的方法，可选的，S3中具体内容为：

S31遍历邻接矩阵中所有的行，找到与所有连接面的连接均为凸连接的全凸连接几何面，将凸连接的几何面标记为非特征面，剩余几何面为特征面；

S32从特征面中任意选取一个几何面开始提取特征，将与当前几何面为凹连接关系的几何面均存储到一个特征容器中，然后循环遍历特征容器中所有的几何面，搜索所有与其凹连接的几何面并添加到特征容器中，直到特征容器中的几何面不存在特征容器之外的凹连接面再停止；

S33所有的特征面进行S32的操作，直到提取到所有的特征。

上述的方法，可选的，

S4中构建标准面节点拓扑结构具体内容为：

将所有的面节点构造成一个列数固定、行数变化的边长度向量来表示特征的面节点拓扑结构；

S4中建立卷积神经网络具体内容为：

卷积神经网络的前端为3个用于自动提取特征的卷积神经网络模块，3个模块逐层连接，池化层分为两个部分，第一个部分用于计算自动构造特征中各个维度的权重得分，第二个部分是分别使用平均池化、最小池化和最大池化操作算子来进行池化计算，卷积神经网络的后端是一个全连接层模块。

上述的方法，可选的，S5中识别简单特征、多基面相交特征、未分类特征具体为：

简单特征：通过建立规则的方法来识别简单特征；

多基面相交特征：通过包围盒方法和刀具加工方向来识别多基面相交特征；

未分类特征：不包括简单特征、多基面相交特征的剩余特征为未分类特征。

上述的方法，可选的，S6中多基面相交特征进行分解的具体内容为：

先统计当前相交特征中的基面个数，统计每个基面的切削深度；

将同一切削深度的基面进行合并，按照切削深度对特征进行特征分解操作；

选取任一切削深度的基面，构造一个高度高于当前基面的平面；对构造的平面和当前特征所有几何面进行布尔交运算；

通过平面求交运算得到与所有特征面的交线，每个交线都有唯一对应的特征面，将所有交线根据端点的连接关系连接成环，计算每个环的包围盒和包围盒深度。

上述的方法，可选的，包围盒深度为当前包围盒被其他包围盒包含的次数。

经由上述的技术方案可知，与现有技术相比，本发明提供的用于三维机加工艺设计的三维模型多加工特征识别方法：

(1)可以将特征的拓扑信息全都输入到卷积神经网络中，无需人工构造统计特征，避免了特征信息输入时的损失。

(2)本发明的卷积神经网络层数和参数较多，通过卷积算子自动提取了拓扑向量中的高阶特征，在大量特征样本驱动下实现了高准确率的特征分类模型。

(3)基于特征的属性邻接图进行了邻接图的分解，实现了特征的自动提取，以及不含有共享面的相交特征的分离。

(4)本发明针对含有共面的相交特征进行了分解操作，将分解得到的若干独立特征输入网络模型进行分类，实现了共面相交特征的识别，算法具有良好的鲁棒性。

(5)本发明提出的特征识别方法具有可扩展性，根据需求确定相应特征的数据集，更改神经网络最后一层神经元个数后，即可通过训练得到相应的特征分类模型。

(6)本发明实现了工件特征的自动提取和分类，解决了工件实体模型的多特征识别问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的用于三维机加工艺设计的三维模型多加工特征识别方法流程图；

图2为本发明提供的卷积神经网络结构示意图；

图3为本发明提供的相交特征分解流程实例图；

图4为本发明提供的工件实体模型多特征识别实例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明公开了用于三维机加工艺设计的三维模型多加工特征识别方法，包括以下步骤：

S1.读取待解析工件的三维实体模型，提取工件上所有几何面以及几何面上的几何信息；

S2.根据几何面上的几何信息计算工件所有几何面之间的邻接关系，确定存在连接关系的几何面，计算所有连接面之间的凹凸性，得到整个工件的邻接属性图；

S3.通过邻接属性图区分特征面和非特征面，并对特征面进行特征提取，得到识别的特征和未识别的特征；

S4.将S3中未识别的特征输入构建的标准面节点拓扑结构，输出拓扑信息，将拓扑信息和几何信息作为输入，输入建立的卷积神经网络进行特征分类识别；

S5.根据预定义的特征识别规则库，将S3中识别的特征分为简单特征、多基面相交特征、未分类特征；

S6.对S5中多基面相交特征进行分解得到独立特征；

S7.将S6中独立特征输入建立的卷积神经网络进行特征分类，得到独立特征的分类结果。

进一步的，S1中几何面上的几何信息包括但不限于：类型信息、曲线数据和起始点信息。

进一步的，S2的具体内容为：

通过几何面上的几何信息中的边界曲线来判断几何面是否连接，边界曲线存在相交部分则两个几何面相接，不存在相交部分则两个几何面之间不存在连接；对存在连接关系的两个几何面对应连接的凹凸性进行计算，得到整个工件的邻接属性图。

更进一步的，S2中，凹凸性的计算方法为：

边界曲线存在的相交部分为相交曲线，在相交曲线上取一点，设为A，再在相交曲线一侧的一个几何面上取一点，设为B，在相交曲线另一侧的一个几何面上取一点，设为C，计算B点所属几何面的法向量，计算A为起点和C为终点的方向向量，计算法向向量和方向向量的夹角，夹角小于90°连接为凹连接，夹角大于90°连接为凸连接，夹角等于90°连接为相切连接。

进一步的，S2中邻接属性图的具体内容为：

根据所有几何面之间的连接属性来计算邻接属性图，构建一个M×M的邻接矩阵来存储所有邻接值，其中M是工件中几何面的数量，矩阵的行号和列号对应每个几何面的索引号。

进一步的，S3中具体内容为：

S31遍历邻接矩阵中所有的行，找到与所有连接面的连接均为凸连接的全凸连接几何面，将凸连接的几何面标记为非特征面，剩余几何面为特征面；

S32从特征面中任意选取一个几何面开始提取特征，将与当前几何面为凹连接关系的几何面均存储到一个特征容器中，然后循环遍历特征容器中所有的几何面，搜索所有与其凹连接的几何面并添加到特征容器中，直到特征容器中的几何面不存在特征容器之外的凹连接面再停止；

S33所有的特征面进行S32的操作，直到提取到所有的特征。

进一步的，S4中构建标准面节点拓扑结构具体内容为：

将所有的面节点构造成一个列数固定、行数变化的边长度向量来表示特征的面节点拓扑结构；

S4中建立卷积神经网络具体内容为：

卷积神经网络的前端为3个用于自动提取特征的卷积神经网络模块，3个模块逐层连接，池化层分为两个部分，第一个部分用于计算自动构造特征中各个维度的权重得分，第二个部分是分别使用平均池化、最小池化和最大池化操作算子来进行池化计算，卷积神经网络的后端是一个全连接层模块。

进一步的，S5中识别简单特征、多基面相交特征、未分类特征具体为：

简单特征：通过建立规则的方法来识别简单特征；

多基面相交特征：通过包围盒方法和刀具加工方向来识别多基面相交特征；

未分类特征：不包括简单特征、多基面相交特征的剩余特征为未分类特征。

进一步的，S6中多基面相交特征进行分解的具体内容为：

先统计当前相交特征中的基面个数，统计每个基面的切削深度；

将同一切削深度的基面进行合并，按照切削深度对特征进行特征分解操作；

选取任一切削深度的基面，构造一个高度高于当前基面的平面；对构造的平面和当前特征所有几何面进行布尔交运算；

通过平面求交运算得到与所有特征面的交线，每个交线都有唯一对应的特征面，将所有交线根据端点的连接关系连接成环，计算每个环的包围盒和包围盒深度。

进一步的，包围盒深度为当前包围盒被其他包围盒包含的次数。

具体地，S1中读取工件表示法表示的工件实体模型，基于实体模型计算整个工件的属性邻接图和提取工件特征；通过提前定义的特征规则库直接识别出简单特征和具有多个基面的相交特征，多基面的相交特征分解后和未识别的特征全都以图的形式输入到训练后的卷积神经网络，得到所有特征的分类结果。

具体地，S1中，所读取的工件实体模型是边界表示法构造，工件可以分解为若干个几何面，提取实体模型所有几何面后，从几何面中遍历出所有的内外环，再从所有的内外环中遍历出所有的边界曲线，提取所有边界曲线中遍历出所有的起始点信息，将每个面的类型信息、曲线数据和起始点信息保存到一个结构体中。

具体地，S2中，通过每个几何面的边界曲线来判断几何面是否连接，如果边界曲线存在相交部分就表明两个几何面相接，如果不存在相交曲线就说明两个几何面之间不存在连接；对于存在连接关系的两个几何面需要计算对应连接的凹凸性，关于凹凸性的计算方法如下，在相交曲线上取一点A，再在相交曲线附近的一个曲面上取一点B，相交曲线附近的另一个曲面上取一点C，计算B点所属曲面在该处的法向量，计算A为起点和C为终点的方向向量，计算法向向量和方向向量的夹角，如果夹角小于90度连接为凹连接，如果夹角大于90度连接为凸连接。根据所有几何面之间的连接属性来计算属性邻接图，构建一个M×M的邻接矩阵来存储所有邻接值，其中M是工件中几何曲面的数量，矩阵的行号和列号对应每个几何曲面的索引号。矩阵中存在的数值只能为以下几个数字：0，1，2，-2。其中，0表示两个几何面不存在连接关系，1表示行号和列号相同时几何曲面自身的连接，2表示两个几何面之间为凸连接关系，-2表示两个面之间为凹连接关系。通过该矩阵实现了在计算机中存储整个工件所有几何面的邻接情况。

具体地，S3中，遍历邻接矩阵中所有的行，找到数值不含“-2”的行，将这些行号对应的面标记为非特征面，其余行号对应的面标记为特征面。从特征面中的任意面开始提取特征，假设该特征面的行号为i，找到矩阵中的第i行，找出数值为“-2”的列，这些列号对应的几何面即为与当前特征面凹连接的几何面，将这些几何面都放到一个特征容器中，然后循环遍历容器中所有的几何面，搜索与这些几何面存在凹连接关系的几何面到特征容器中，直到容器中的几何面都不存在容器之外的凹连接面再停止。这时容器中的几何面构成了一个特征，保存该特征。清理容器后对剩余的特征面重复上述操作，直到提取到所有的特征。

具体地，S3中，一些简单特征可以直接根据规则识别出来，这部分特征被称为识别的特征；其余特征能提取到但是无法用规则方法进行分类被称为未识别的特征。

具体地，S4中，将步骤S3中未识别的特征通过本发明构造的神经网络进行分类识别。首先，构造如图2所示结构的卷积神经网络。网络的前端为3个用于自动提取特征的卷积神经网络模块，3个模块逐层连接，不断加深特征提取的深度，将三个模块自动提取的特征堆叠拼接到一起，使得提取到的特征既有浅层特征，也有深层特征。池化层可以分为两个部分，第一个部分用于计算自动构造特征中各个维度的权重得分，第二个部分是分别使用平均池化、最小池化和最大池化操作算子来进行池化计算。权重得分的计算引入了自注意力机制，使得网络能够获得更好的分类预测性能。三类池化操作算子既尽可能保留了重要的信息，又缩减了向量规模，使得长度不确定的向量变为固定尺寸的向量。在读出层中将三个池化后的向量进行堆叠，作为最终具有固定尺寸的特征输入向量。网络的后端是一个全连接层模块，主要用于实现分类结果的预测，全连接层中的网络参数如图2所示。

对图2中网络的输入信息进行说明，图2中的输入为两个矩阵，分别是邻接矩阵和面特征向量。卷积神经网络在进行训练时会一次性读入所有样本，假设样本中共有M个特征，M个特征一共有N个面。所以输入的邻接矩阵维度为M×M，面特征向量为N×3。每个面都对应一个1×3的特征向量，如果该面为基面则该向量的前两维为“1，0”，如果不是基面则为“0，1”。向量的第三维表示的是外界面的数量。外接面是指与当前面凸连接的非特征面。在全连接层中的参数S为需要分类的特征数目，需要根据具体的分类需求来确定。因此，本发明具有可扩展性，可以根据需求来调整网络的分类数目。

具体地，S5中，通过建立规则的方法来识别通孔和盲孔这类简单特征，基于规则的方法识别此类简单特征时具有更高的效率。如果特征中只存在两个半圆柱面，并且两个圆柱面互相连接，则将该特征识别为通孔特征；如果特征中只存在两个半圆柱面和一个平面，并且两个圆柱面互相连接，平面和两各半圆柱面均为凹连接，则将该特征识别为盲孔特征。对剩余特征通过包围盒方法和刀具加工方向来确定特征基面。先计算特征的包围盒，找到特征中与包围盒边界重合的平面，再从这些平面中找到与进刀方向夹角为90度的平面作为基面，再找到特征中其余与该基面平行的平面，也标记为基面。如果一个特征中存在一个以上的基面，则该特征为多基面相交特征。剩余的特征为未分类特征。

具体地，S6中，对具有多个基面的相交特征进行特征分解操作。先统计当前相交特征中的基面个数，统计每个基面的切削深度。将同一切削深度的基面进行合并，按照切削深度对特征进行特征分解操作。选取任一切削深度的基面，构造一个高度高于当前基面的平面。对该构造平面和当前特征所有几何面进行布尔交运算。如果某个特征面和该平面存在相交线，就表明当前切削深度的特征构造需要该面。根据此方法可以确认当前切削深度中所有相关的特征面。此外，在同一切削深度可能存在多个特征，还需要对所有确定的特征面进行特征分组。本发明通过平面求交运算得到了与所有特征面的交线，每个交线都有唯一对应的特征面。将所有交线根据端点的连接关系连接成环。计算每个环的包围盒和包围盒深度。包围盒深度为当前包围盒被其他包围盒包含的次数。包围盒深度为偶数的环标记为外环，包围盒深度为奇数的环标记为内环。将外环组和内环组中的环按照面积从小到大进行排序。然后从面积最小的外环开始，寻找内环组中被其包含的内环。寻找结束后将外环和相应的内环从外环组和内环组中删除，同时将这些环对应的几何面组成一个特征。对外环组和内环组中的剩余环重复上述操作，直到内环组和外环组中不再存在环，得到当前深度的所有特征。对所有切削深度的基面重复在当前切削深度的特征分解操作。得到整个相交特征分解后得到的独立特征。结合图3的相交特征分解实例图进行解释。选取工件中的一个相交特征进行特征分解，统计出该相交特征中存在4个基面，根据2个切削深度合并基面。构造平面和特征面求交线，确定每个分解特征对应的几何曲面。交线组织成环后计算包围盒深度均为0，所以都是外环，每个外环对应一个特征。3个外环对应了3个分解特征，如图3中所示。

具体地，S7中，将分解相交特征得到的独立特征输入神经网络进行特征分类，得到分解后特征的分类结果。图3中的3个分解特征均为型腔。如图4所示，为本发明所述方法中涉及到的工件实体模型多特征识别实例图，显示本发明在多特征工件实体模型上的特征识别结果，识别出了工件中的通孔、台阶、型腔等常见的多种工件特征。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。