CN117235929A - 基于知识图谱和机器学习的三维cad生成式设计方法 - Google Patents
基于知识图谱和机器学习的三维cad生成式设计方法 Download PDFInfo
- Publication number
- CN117235929A CN117235929A CN202311246840.1A CN202311246840A CN117235929A CN 117235929 A CN117235929 A CN 117235929A CN 202311246840 A CN202311246840 A CN 202311246840A CN 117235929 A CN117235929 A CN 117235929A
- Authority
- CN
- China
- Prior art keywords
- model
- design
- data
- dimensional
- reasoning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 178
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 238000011960 computer-aided design Methods 0.000 title abstract description 84
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims description 145
- 230000008569 process Effects 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 46
- 238000010276 construction Methods 0.000 claims description 40
- 238000003058 natural language processing Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 32
- 230000006870 function Effects 0.000 abstract description 30
- 238000010146 3D printing Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 239000000047 product Substances 0.000 description 43
- 238000004364 calculation method Methods 0.000 description 34
- 238000003466 welding Methods 0.000 description 29
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000013075 data extraction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 230000004927 fusion Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 9
- 238000003754 machining Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000012938 design process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于知识图谱和机器学习的三维CAD生成式设计方法,通过构建知识图谱自动抽取先前大量的产品设计经验进行知识整理,使用机器学习算法,训练生成式模型并采用云端容器化部署。通过NLP技术对持续反馈的用户设计需求进行分析,获取最优的设计参数和优化目标,直到输出符合用户设计要求的3D CAD模型。本发明的***具有自动化设计功能,能够提高设计效率,降低设计难度。同时,本发明***可与3D打印技术相结合,实现产品的结构设计制造一站式服务。该方法和***具有高效、准确、灵活、智能等优点,可以广泛应用于各个领域的产品设计和制造中,有着广泛的应用前景和市场价值。
Description
技术领域
本发明属于计算机辅助设计领域,具体涉及一种基于知识图谱和机器学习的3DCAD生成式设计方法及***。
背景技术
传统的3D CAD设计方法是设计师花费大量的时间和精力手动建模和修改,通过调整设计参数,以试错的方式不断优化3D CAD模型。这种设计方法需要大量的时间和经验,设计过程繁琐且很难保证生成模型的正确性和一致性。随着人工智能技术的发展,AI在工业设计领域也得到了广泛应用。基于AI的生成式设计方法能够自动化地生成和优化3D CAD模型,从而提高设计的效率和准确性。
然而,目前的基于AI的3D CAD生成式设计方法大多数只考虑了几何特征和工艺要求等方面,忽略了产品设计的知识特征。产品设计涉及到的知识点非常广泛,包括材料、功能、结构、工艺等方面,而这些知识点之间又有着复杂的相互关系。因此,如何利用知识图谱技术,将这些知识点融合到生成式设计方法中,提高生成的3D CAD模型的正确性和一致性,是当前3D CAD生成式设计方法及***需要解决的问题。
发明内容
针对现有3D CAD模型设计过程耗时、繁琐,难以保证正确性和一致性的需求,本发明提供一种基于知识图谱和机器学习的3D CAD生成式设计方法及***。通过知识图谱将产品结构设计中的各种知识点进行融合,利用机器学习算法训练生成式模型,通过持续反馈的人机设计需求交互,利用NLP技术自动分析设计参数和优化目标来改进设计结果,直到生成符合用户设计要求的3D CAD模型,提高生成式设计方法的正确性和一致性。本发明的具体实现步骤如下:
本发明为实现上述目的所采用的技术方案是:基于知识图谱和机器学习的三维CAD生成式设计方法,包括以下步骤:
步骤1:获取含有工件结构设计和约束条件的产品制造工艺数据资料;
步骤2:根据产品制造工艺数据资料,采用事理图谱推理3D模型结构的方法,将专家规则转化为三元组结构化数据,基于构建好的事理图谱,进行推理得到3D模型结构及参数;
步骤3:采用基于多视图和加工特征识别的CAD模型匹配方法,根据用户需求,获取零部件三维模型,利用多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息;
步骤4:根据待匹配零件模型的加工信息、3D模型结构及参数,采用云端容器化部署生成式模型,输出3D CAD模型。
所述基于多视图和加工特征识别的CAD模型匹配方法,包括以下步骤:
1)获取零部件三维模型,构造三维模型数据库,基于数据库,构建并训练基于ResNet的多视图卷积神经网络;
2)利用训练好的多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息。
所述步骤1)包括以下步骤:
1.1)获取采用边界表示法建模的零部件三维模型,并根据属性进行分类,将属性作为分类标签,构造三维模型数据库,将模型库内所有模型转成STL格式;
1.2)利用零部件三维模型中语义信息和拓扑结构,提取每个模型中的加工特征;
1.3)将零部件三维模型作为输入,三维模型的分类标签作为输出,训练基于ResNet的多视图卷积神经网络;
1.4)根据训练好的神经网络模型,计算每个零部件三维模型的特征向量,完成数据库的构建和多视图卷积神经网络的训练。
所述步骤2)包括以下步骤:
2.1)将边界表示法类型的待匹配三维模型,转换成STL格式;
2.2)采用多视图卷积神经网络对待匹配三维模型进行分类和特征向量计算;
2.3)将数据库中匹配特征向量与待匹配模型特征向量的间距从小到大排序,选择前若干个模型,完成三维模型的粗略匹配;
2.4)根据待匹配三维模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征;
2.5)根据提取到的加工特征,在粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型最接近的模型,完成匹配,并从模型库中得到相应的加工数据。
所述利用事理图谱推理3D模型结构的方法,包括以下步骤:
1)获取专家规则,并使用自然语言处理技术自动提取与人工微调修正相结合的方式将专家规则转化为三元组结构化数据;
2)将三元组结构化数据存储到事理图谱中并对其进行可视化;
3)基于构建好的事理图谱,进行推理;
4)输入待设计的机械结构的要求和条件,通过推理,并将结果进行可视化,得到3D模型结构及参数。
所述步骤1)包括以下步骤:
1.1)获取机械手册中的文本数据,并存储为可读的电子文档格式,所述文本数据包括:设计参数、材料特性、工艺要求;
1.2)对文本数据依次进行数据清洗;
1.3)通过自然语言处理方法对清洗后的文本数据进行分析,识别并提取其中的关键字、短语和语法结构,作为规则;
1.4)将提取到的规则转化为三元组结构化数据并存储到SQL数据库中;
1.5)使用实际的机械设计案例对SQL数据库中的规则进行验证及修正。
所述步骤4包括以下步骤:
(1)将生成式模型打包为容器,在云服务器上进行部署;
(2)用户的设计需求通过自然语言处理后转化为设计参数和优化目标、与待匹配零件模型的加工信息,作为生成式模型的输入,生成3D CAD模型并输出;其中,用户的设计需求包括文本语言、Excel文档和3D辅助模型。
基于知识图谱和机器学习的三维CAD生成式设计***,包括:
工艺数据获取模块,用于获取含有工件结构设计和约束条件的产品制造工艺数据资料;
图谱推理模块,用于根据产品制造工艺数据资料,采用事理图谱推理3D模型结构的方法,将专家规则转化为三元组结构化数据,基于构建好的事理图谱,进行推理得到3D模型结构及参数;
特征匹配模块,用于采用基于多视图和加工特征识别的CAD模型匹配方法,根据用户需求,获取零部件三维模型,利用多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息;
模型输出模块,用于根据待匹配零件模型的加工信息、3D模型结构及参数,采用云端容器化部署生成式模型,输出3D CAD模型。
一种基于知识图谱和机器学习的三维CAD生成式设计装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1-7任一项所述的基于知识图谱和机器学习的三维CAD生成式设计方法方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的基于知识图谱和机器学习的三维CAD生成式设计方法。
一种面向多模态数据的制造工艺知识图谱构建方法,包括以下步骤:
S1:获取产品制造工艺数据资料,建立原始资料数据库;
S2:基于原始资料数据库中的制造工艺数据,结合制造工艺领域的专家知识建立本体模型,构建知识图谱模式层及各类实体的关键字词典;
S3:根据知识图谱模式层,利用数据抽取模型提取原始资料数据库中制造工艺数据,构建知识图谱数据层;
S4:把知识图谱模式层和知识图谱数据层结合起来构建知识图谱,把抽取到的RDF三元组输入到图数据库中,存储知识图谱并可视化展示。
步骤S1中,所述产品制造工艺数据资料包括:以工艺数据库文件形式表示的结构化数据,以文本形式表示的非结构化数据。
所述S2:基于原始资料数据库中的制造工艺数据,结合制造工艺领域的专家知识建立本体模型,构建知识图谱模式层及各类实体的关键字词典,包括以下步骤:
S2.1:将原始资料数据库中的制造工艺数据分为六类:工件数据、特征数据、制造设备数据、制造方法数据、工艺装备数据以及语义关系数据;
S2.2:根据原始数据库中数据分类结果,结合专家知识和制造工艺数据库实体类型,建立本体模型;
S2.3:通过本体模型的方式构建知识图谱的模式层,以描述实体类及之间的关系。
所述S2.2:根据原始数据库中数据分类结果,然后结合专家知识和企业现有制造工艺数据库实体类型,建立本体模型,包括以下步骤:
将六类数据抽象为六大类,其中工件数据、特征数据、制造设备数据、制造方法数据、工艺装备数据以及语义关系数据依次对应:工件类、特征类、设备类、工艺类、工装类、关系类,任意一类根据需要设定子类;建立六类实体的关键字词典,词典包括标准关键字及其同义词;
类的属性包括类属性和实例属性,类属性为各类及其子类共享,所有实例共享对应的类属性,实例属性仅为各个实例所有。
所述知识图谱的模式层的本体模型形式化表达为:
KGPattern={Entity∪Relation}
Entity={W∪F∪M∪O∪E}
Relation={(Wi,consist_of,Wj)∪(Wi,consist_of,Fj)∪(Wi,consist_of,Oj)U(Oi,
consist_of,Oj)∪(Oi,consist_of,Fj)∪(Oi,consist_of,Mj)∪(Oi,consist_of,Ej)∪(Oi,order,Oj)∪(Wi,assemble,Oj,assemble,Wj)∪}
以上式子中:KGPattern指知识图谱模式层的形式化表达模型,Entity指模式层描述的实体集合,Relation指模式层描述的关系集合;W表示工件类,F表示特征类,M表示设备类,O表示工艺类,E表示工装类,R表示关系类;语义关系包括consist_of、order、assemble;其中,consist_of表示包含,order表示顺序关系,assemble表示装配关系,i、j表示序号。
所述S3:根据知识图谱模式层,利用数据抽取模型提取原始资料数据库中制造工艺数据,构建知识图谱数据层;
S3.1:结构化数据处理模块采用D2R将原始资料数据库中关系型数据库的制造工艺数据按照预设的知识图谱模式层,转换为RDF三元组;
S3.2非结构化数据处理模块分别抽取原始数据库工件模型和图纸包含的数据、原始数据库中的文本数据,生成RDF三元组;
S3.3:三维CAD模型与图纸处理模块根据知识图谱模式层以及关键字词典,抽取三维CAD模型中的文本信息、结构树信息和特征信息,并建立工件类和特征类实体、属性以及关系的三元组表达;
S3.4:自然语言处理模块依据关键字词典中的信息,对非结构化文本进行实体标注,并将标注完的文本数据转变成带分词标签BIO的数据集,并将数据集划分为训练集、测试集和验证集,用于训练实体识别模型;采用训练好的实体识别模型抽取非结构化数据中的工件类、特征类、工艺类、设备类、工装类实体;按知识图谱模式层,确定各实体之间的关系,得到由实体与关系组成的三元组;
S3.5:知识融合模块对结构化数据处理模块和非结构化数据处理模块抽取的可能存在重叠的知识进行融合。
所述S3.5包括以下步骤:
将结构化数据处理模块和非结构化数据处理模块提取出的实体、关系、属性,与关键字词典中的标准关键字及其同义词进行语义相识度计算,并根据计算结果将提取的实体、关系、属性词语同义置换为所述同义词所对应的标准关键字,实现清洗对齐;
对于非结构化数据处理模块,遍历三维CAD模型与图纸处理模块,提取出的工件类和特征类实体,与自然语言处理模块提取出的工件类和特征类实体构成实体对,按照双线性匹配算法对实体对打分,根据分值结果,统一实体对中两实体的名称,从而完成非结构数据处理模块抽取数据的对齐;
完成结构化数据处理模块与非结构化数据处理模块抽取各类实体的对齐,对齐后的工件类和特征类实体属性保持与三维CAD模型与图纸处理模块提取出的工件类和特征类实体属性一致,完成实体融合。
一种面向多模态数据的制造工艺知识图谱构建***,包括:
数据库模块,用于获取产品制造工艺数据资料,建立原始资料数据库;
模式层构建模块,用于基于原始资料数据库中的制造工艺数据,结合制造工艺领域的专家知识建立本体模型,构建知识图谱模式层及各类实体的关键字词典;
数据层构建模块,用于根据知识图谱模式层,利用数据抽取模型提取原始资料数据库中制造工艺数据,构建知识图谱数据层;
知识图谱构建模块,用于把知识图谱模式层和知识图谱数据层结合起来构建知识图谱,把抽取到的RDF三元组输入到图数据库中,存储知识图谱并可视化展示
所述数据抽取模型包括:
结构化数据处理模块,用于采用D2R将关系型数据库中的数据按照预设的知识图谱模式层,转换为RDF三元组;
非结构化数据处理模块,包括:
三维CAD模型与图纸处理模块,用于抽取原始数据库工件模型和图纸包含的数据,并生成RDF三元组;
自然语言处理模块,用于抽取原始数据库中的文本数据,并生成RDF三元组;
知识融合模块,用于结构化数据处理模块、非结构化数据处理模块抽取的可能存在重叠的知识进行融合。
一种基于多视图和加工特征识别的CAD模型匹配方法,包括以下步骤:
1)获取零部件三维模型,构造三维模型数据库,基于数据库,构建并训练基于ResNet的多视图卷积神经网络;
2)利用训练好的多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息。
所述步骤1)包括以下步骤:
1.1)获取采用边界表示法建模的零部件三维模型,并根据属性进行分类,将属性作为分类标签,构造三维模型数据库,将模型库内所有模型转成STL格式;
1.2)利用零部件三维模型中语义信息和拓扑结构,提取每个模型中的加工特征;
1.3)将零部件三维模型作为输入,三维模型的分类标签作为输出,训练基于ResNet的多视图卷积神经网络;
1.4)根据训练好的神经网络模型,计算每个零部件三维模型的特征向量,完成数据库的构建和多视图卷积神经网络的训练。
所述零部件三维模型的格式包括:STEP、iges或其它CAD软件专用数据格式。
所述步骤1.2)包括以下步骤:
1.2.1)遍历模型中所有几何面,以及每个几何面邻接的几何面,构建模型零件的邻接图;
1.2.2)针对待检索目标中几何面的邻接关系,构建目标特征的特征邻接图;
1.2.3)模型的几何面中,选择邻接最多的几何面或者邻接面遍历顺序中的首个几何面为起点,在零件的邻接图中搜索子图,查询与特征邻接图相匹配的最小条件子图,作为加工特征;
1.2.4)通过颜色和文本标注的语义信息,提取零部件三维模型的加工特征。
所述步骤1.3)包括以下步骤:
1.3.1)搭建基于ResNet的多视图卷积神经网络深度学习模型,将零部件三维模型的分类标签作为多视图卷积神经网络深度学习模型的分类标签;
1.3.2)获取STL格式的零部件三维模型的多视图,基于多视图和标签对多视图卷积神经网络深度学习模型进行训练。
所述步骤2)包括以下步骤:
2.1)将边界表示法类型的待匹配三维模型,转换成STL格式;
2.2)采用多视图卷积神经网络对待匹配三维模型进行分类和特征向量计算;
2.3)将数据库中匹配特征向量与待匹配模型特征向量的间距从小到大排序,选择前若干个模型,完成三维模型的粗略匹配;
2.4)根据待匹配三维模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征;
2.5)根据提取到的加工特征,在粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型最接近的模型,完成匹配,并从模型库中得到相应的加工数据。
一种基于多视图和加工特征识别的CAD模型匹配***,包括:
模型及数据库构建模块,用于获取零部件三维模型,构造三维模型数据库,基于数据库,构建并训练基于ResNet的多视图卷积神经网络;
匹配模块,用于利用训练好的多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息。
所述模型及数据库构建模块,包括:
数据库构建模块,用于获取采用边界表示法建模的零部件三维模型,并根据属性进行分类,将属性作为分类标签,构造三维模型数据库,将模型库内所有模型转成STL格式;
特征向量提取模块,用于利用零部件三维模型中语义信息和拓扑结构,提取每个模型中的加工特征;
模型训练模块,用于将零部件三维模型作为输入,三维模型的分类标签作为输出,训练基于ResNet的多视图卷积神经网络;
特征向量计算模块,用于根据训练好的神经网络模型,计算每个零部件三维模型的特征向量,完成数据库的构建和多视图卷积神经网络的训练。
所述特征向量提取模块,包括:
模型邻接图构建模块,用于遍历模型中所有几何面,以及每个几何面邻接的几何面,构建模型零件的邻接图;
特征邻接图构建模块,用于针对待检索目标中几何面的邻接关系,构建目标特征的特征邻接图;
加工特征计算模块,用于模型的几何面中,选择邻接最多的几何面或者邻接面遍历顺序中的首个几何面为起点,在零件的邻接图中搜索子图,查询与特征邻接图相匹配的最小条件子图,作为加工特征;
加工特征提取模块,用于通过颜色和文本标注的语义信息,提取零部件三维模型的加工特征。
所述匹配模块,包括:
格式转换模块,用于将边界表示法类型的待匹配三维模型,转换成STL格式;
待匹配模型特征向量计算模块,用于采用多视图卷积神经网络对待匹配三维模型进行分类和特征向量计算;
粗略匹配模块,用于将数据库中匹配特征向量与待匹配模型特征向量的间距从小到大排序,选择前若干个模型,完成三维模型的粗略匹配;
待匹配模型加工特征提取模块,用于根据待匹配三维模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征;
二次匹配模块,用于根据提取到的加工特征,在粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型最接近的模型,完成匹配,并从模型库中得到相应的加工数据。
一种利用事理图谱推理3D模型结构的方法,包括以下步骤:
1)获取专家规则,并使用自然语言处理技术自动提取与人工微调修正相结合的方式将专家规则转化为三元组结构化数据;
2)将三元组结构化数据存储到事理图谱中并对其进行可视化;
3)基于构建好的事理图谱,进行推理;
4)输入待设计的机械结构的要求和条件,通过推理,并将结果进行可视化,得到3D模型结构及参数。
所述步骤1)包括以下步骤:
1.1)获取机械手册中的文本数据,并存储为可读的电子文档格式,所述文本数据包括:设计参数、材料特性、工艺要求;
1.2)对文本数据依次进行数据清洗;
1.3)通过自然语言处理方法对清洗后的文本数据进行分析,识别并提取其中的关键字、短语和语法结构,作为规则;
1.4)将提取到的规则转化为三元组结构化数据并存储到SQL数据库中;
1.5)使用实际的机械设计案例对SQL数据库中的规则进行验证及修正。
所述步骤2)包括以下步骤:
2.1)定义三元组结构化数据模型的节点和关系类型,以及节点属性类型;
2.2)使用Python将三元组结构化数据解析为节点和关系的形式;
2.3)连接图数据库,使用Python驱动程序创建节点和关系,指定节点类型、属性、标签,指定关系类型、属性、标签,指定起始节点和结束节点之间的关系;
2.4)使用Python将节点和关系存储到图数据库中,将三元组结构化数据在事理图谱中的数据结构进行映射。
构建所述事理图谱包括:数据读取、本体构建和图谱存储,其中,所述本体构建具体为:将处理好的三元组结构化数据抽象为不同的节点类和关系类,其中,所述节点类包括:
基本实体类,内容为基本名词,包括零件、组件名称、零件属性名称;
判断/公式类,内容为设计流程中的一组判断选择或者公式计算目标的名称,用于连接对其判断选择或者公式计算;
判断计算类,内容为设计流程中的判断选择和公式计算的实际内容;
推理结果类,内容为零件的特征、尺寸、型号和结构;
事件类,内容为设计零件、设计结构或者工件的名称;
输出类,作为标记节点,标志该部分推理结束。
所述关系类节点包括:
语义关系类,用于连接节点,表达节点之间的关系,具体包括:因果关系类、上下位关系类、顺承关系类、条件关系类。
所述步骤3)具体为:基于构建好的事理图谱,***将图谱转化为专家***,进行推理,包括以下步骤:
3a.1)查询事理图谱中待查询零件节点的子图;
3a.2)查询子图中所有属性为“推理结果”的节点,查询所有起始点为事件名称,终点末节点为每个“推理结果”的路径;
3a.3)分别读取并记录将每个路径中的所有“公式/判断”节点,将“公式/判断”节点作为每个零件选型的条件,全部储存到该推理结果的必要条件中;
3a.4)对所有的“推理结果”节点重复步骤3a.2)~3a.3),直至将每个“推理结果”的节点的所有路径查询完毕;
3a.5)将每个推理结果的每条路径中的“公式/判断”节点作为该推理结果的规则,基于该规则使用转化为专家***;
3a.6)使用专家***中的推理机对每种推理结果的必要条件进行推理和解释;
3a.7)将推理结果进行可视化展示。
所述步骤3)具体为:基于构建好的事理图谱进行推理,包括以下步骤:
3b.1)选定待推理零件对应事理图谱的“事件”节点,并选择该“事件”节点的事理图谱子图,搜索该子图的所有“基本实体”节点并读取内容,获取“基本实体”节点对应的所有数据;
3b.2)搜索并选定与步骤3b.1)中事件“节点”相连的“判断计算”节点,并分别再次查询该节点所相连的“基本实体”节点,匹配到步骤3b.1)获取的数据并记录;
3b.3)搜索与步骤3b.2)中“判断计算”相连的“判断/公式”节点,并按随机顺序读取单个“判断/公式”节点的内容,并将步骤3b.2)中对应的数据带入到“判断/公式”节点的内容;
3b.4)将符合步骤3b.3)中“判断/公式”节点的内容记录,并终止步骤3b.3)的读取查询过程;
3b.5)查找步骤3b.4)的下游节点并记录,并继续查找下游节点;
3b.6)查找步骤3b.5)的下游“判断计算”节点,重复步骤3b.2)~步骤3b.5),当查询到“输出”节点时,终止推理,并储存所有的被记录节点的名称;
3b.7)搜索起始点为选定的事件类节点,路径含有步骤3b.6)中所有被记录的节点,终点为“输出”节点的路径,并查询该路径的“推理结果”类节点,输出“推理结果”类节点的内容,即为推理结果;
3b.8)将步骤3b.6)中储存的节点使用自然语言处理技术生成自然语言,输出自然语言的推理过程和逻辑,作为推理结果的原因和规则支撑。
一种利用事理图谱推理3D模型结构的***,包括:
规则提取处理与结构化模块,用于获取专家规则,并使用自然语言处理技术自动提取与人工微调修正相结合的方式将专家规则转化为三元组结构化数据;
结构化数据转化为事理图谱模块,用于将三元组结构化数据存储到事理图谱中并对其进行可视化;
图谱推理模块,用于基于构建好的事理图谱,进行推理;
推理结果可视化输出模块,用于输入待设计的机械结构的要求和条件,通过推理,并将结果进行可视化,得到3D模型结构及参数。
所述结构化数据转化为事理图谱模块,包括:
节点定义模块,用于定义三元组结构化数据模型的节点和关系类型,以及节点属性类型;
数据解析模块,用于使用Python将三元组结构化数据解析为节点和关系的形式;
节点创建模块,用于连接图数据库,使用Python驱动程序创建节点和关系,指定节点类型、属性、标签,指定关系类型、属性、标签,指定起始节点和结束节点之间的关系;
数据映射模块,用于使用Python将节点和关系存储到图数据库中,将三元组结构化数据在事理图谱中的数据结构进行映射。
所述图谱推理模块,包括:
自动转化模块,用于查询事理图谱中待查询零件节点的子图;查询子图中所有属性为“推理结果”的节点,查询所有起始点为事件名称,终点末节点为每个“推理结果”的路径;分别读取并记录将每个路径中的所有“公式/判断”节点,将“公式/判断”节点作为每个零件选型的条件,全部储存到该推理结果的必要条件中;将每个推理结果的每条路径中的“公式/判断”节点作为该推理结果的规则,基于该规则使用转化为专家***;
推理模块,用于使用专家***中的推理机对每种推理结果的必要条件进行推理和解释;
查询与显示模块,用于将推理结果进行可视化展示。
所述图谱推理模块,包括:
推理过程触发模块,用于选定待推理零件对应事理图谱的“事件”节点,并选择该“事件”节点的事理图谱子图,搜索该子图的所有“基本实体”节点并读取内容,获取“基本实体”节点对应的所有数据;
推理模块,用于搜索并选定“事件”节点相连的“判断计算”节点,并分别再次查询该节点所相连的“基本实体”节点,匹配到推理过程触发模块获取的数据并记录;搜索与“判断计算”相连的“判断/公式”节点,并按随机顺序读取单个“判断/公式”节点的内容,并将对应的数据带入到“判断/公式”节点的内容;将符合“判断/公式”节点的内容记录,并终止读取查询过程;继续查找下游节点;查找下游“判断计算”节点,当查询到“输出”节点时,终止推理,并储存所有的被记录节点的名称;搜索起始点为选定的事件类节点,路径含有所有被记录的节点,终点为“输出”节点的路径,并查询该路径的“推理结果”类节点,输出“推理结果”类节点的内容,即为推理结果;
查询与显示模块,将储存的节点使用自然语言处理技术生成自然语言,输出自然语言的推理过程和逻辑,作为推理结果的原因和规则支撑。
本发明具有以下有益效果及优点:
1.本发明方法利用知识图谱融合产品设计的知识特征,包括产品结构设计相关的材料、功能、结构、工艺等知识点。与传统只考虑几何特征的生成式设计方法相比,提高了生成式设计方法的准确性和泛化性。
2.本发明生成式模型输出的3D CAD模型不仅具有产品的外观设计,还包括产品的内部结构设计,保证了产品设计在实际制造中的完整性和可制造性。
3.本发明***能够根据用户反馈的设计需求,持续改进3D CAD模型的输出结果,不仅降低了用户专业性技能要求,同时提高了人机交互的用户体验性,为用户提供了更加准确、高效的设计服务。
4.本发明***能够与3D打印技术相结合,实现快速制造,大大缩短了产品设计和制造的周期。
附图说明
图1为本发明设计方法的技术路线图;
图2为本发明设计***的流程示意和功能模块图;
图3为采用本发明设计方法和***实现焊装夹具设计的一个实施例的流程图;
图4为本发明实施例提供的知识图谱构建方法的流程图;
图5为本发明实施例提供的知识图谱模式层的构建流程图;
图6是本发明实施例提供的知识图谱实体模型的思维导图;
图7是本发明实施例提供的知识图谱数据层的构建流程图;
图8是本发明实施例提供的知识图谱构建***的结构示意图;
图9为本发明的方法流程图;
图10为本***的结构图;
图11a为基于拓扑信息匹配加工特征的示意图一;
序号1~8分别表示不同的面,其中,柱面9—平面11—柱面10共同构成沉头孔加工特征,如虚线包围内所示;
图11b为基于拓扑信息匹配加工特征的示意图二;
图12为基于ResNet的MVCNN结构示意图;
图13为本发明***构成示意图;
图14为***结构、功能及使用流程图;
图15汽车焊装夹具设计手册使用NLP处理后的三元组数据示例图;
图16事理图谱节点关系说明图;
图17三元组数据转化为事理图谱示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清晰、完整的描述。需要说明的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。因此,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。
一种基于知识图谱和机器学习的3D CAD生成式设计方法及***,包括:
步骤1:收集结构设计相关的数据和约束条件,包括设计参数、优化目标、约束条件等。
步骤2:自动抽取和构建知识图谱,将涉及到的材料、功能、结构、工艺等知识点整合到知识图谱中,形成一个以产品设计为核心的知识库。
步骤3:使用机器学习算法训练生成式模型。训练过程分为多个阶段,每个阶段采用不同的策略和算法。
步骤4:云端容器化部署生成式模型,***根据用户输入的设计意图,通过自然语言处理(NLP)技术分析设计参数和优化目标,推理并输出3D CAD模型。
步骤5:用户通过持续的设计需求反馈,不断修正设计参数和优化目标,直到输出符合用户设计要求的3D CAD模型。
步骤6:通过本发明***直接连接3D打印机进行模型打印,实现产品的设计制造一站式服务。
所述步骤2具体包括:
步骤2.1:知识的抽取包括产品结构设计相关的材料、功能、结构、工艺等知识点。
步骤2.2:知识的抽取采用基于规则、基于实例和基于语义相结合的方式对定义好的规则和逻辑、已有的设计案例以及实体与关系间的语义信息进行图谱构建。
步骤2.3:本发明构建的知识图谱是一个以产品结构设计知识为实体的知识图谱,是后续生成式算法的训练数据之一。
所述步骤3具体包括:
步骤3.1:机器学习算法采用深度学习中的生成对抗网络(GAN)、变分自编码器(VAE)等。
步骤3.2:本发明生成式算法的训练数据除步骤2中提供的知识图谱外,还包括设计案例。当其他3D辅助模型,例如工件模型(被夹持物)作为设计夹具模型(夹持物)所需的前置条件时,则训练数据还包括该3D辅助模型识别出的加工特征数据等。
步骤3.3:生成式算法输出的3D CAD模型不仅具有产品的外观,还包括产品的内部结构。两者区别在于包含了产品内部结构信息的3D CAD模型文件可以直接用于加工制造,而仅包含产品外观信息的3D CAD模型文件无法直接用于加工制造,还需工程师手动完成进一步设计工作。
所述步骤4具体包括:
步骤4.1:将生成式模型打包为容器,使用容器编排技术在云服务器上进行部署,该方法具有高度的可移植性和弹性的计算资源,同时能够降低部署成本。
步骤4.2:用户输入的设计需求通过自然语言处理技术分析后转化为设计参数和优化目标作为生成式模型的输入,3D CAD模型文件是生成式模型的输出。
步骤4.3:用户输入的设计意图主要以文本语言为主,辅助以按***提供的模板编制的Excel文档和其他3D辅助模型。
所述步骤5具体包括:
步骤5.1:***会接收用户输入的设计需求,通过NLP技术分析设计参数和优化目标后输入给生成式模型,生成式模型经过推理后输出3D CAD模型给***。***会将生成的3D CAD模型展示给用户,并等待用户反馈。如果用户对生成的3D CAD模型不满意,可以进一步输入设计需求细节,***会修正设计参数和优化目标,再次输出3D CAD模型。此过程可反复迭代,直到输出符合用户设计要求的3D CAD模型。
步骤5.2:在进行用户持续反馈的过程中,***都会对之前用户的输入信息存有记忆,综合分析后输出新的设计参数和优化目标。通过这种方式,***能够提高人机交互的用户体验性,避免了用户重复输入,从而为用户提供更加准确、高效的设计服务。
步骤5.3:生成式模型支持不同材料和工艺要求下的3D CAD模型输出,保证输出的3D CAD模型在实际制造中是可行的。
所述步骤6具体包括:
步骤6.1:本发明***提供的3D打印支持模块能够自动将生成的3D CAD模型文件转换为3D打印机可读取的文件格式,减少用户的操作和时间成本,提高制造效率。
步骤6.2:在本发明***中,用户可以直接使用本发明***连接的3D打印机进行产品及零部件的设计和制造,适用于快速制造小批量或定制化的产品,能够提高产品的制造效率。
如图1所示,描述了本发明设计方法的技术路线图。步骤1收集设计相关的数据和约束条件和步骤2自动抽取和构建知识图谱之间的连接关系是数据与知识的转变关系。在步骤1中,收集的设计数据和约束条件提供了知识图谱构建的基础。这些数据和条件包含了产品的设计参数、优化目标和约束条件等,反映了设计的要求和限制。
在步骤2中,可以根据步骤1中收集到的数据和条件,自动抽取和构建知识图谱。知识图谱融合了涉及到的材料、功能、结构、工艺等知识点,为生成式模型的训练提供了有用的信息和数据。步骤1提供了知识图谱构建的数据和条件,而步骤2将这些数据和条件整合到知识图谱中变成知识,为后续训练和推理提供了基础。
步骤2和步骤3之间的连接关系是将步骤2中自动抽取和构建的知识作为训练数据输入到步骤3中。在步骤2中,知识图谱中包含了设计相关的材料、功能、结构、工艺等知识点,这些知识点之间存在着一定的关联关系。
在步骤3中,利用机器学习算法获取知识图谱中具有关联关系的知识点进行训练,形成综合考虑几何特征、工艺要求和产品设计知识特征的生成式模型。
步骤3和步骤4之间的连接关系是步骤4将生成式模型以云端容器化方式进行部署,本发明中的***获取用户输入的设计意图后,利用自然语言处理技术分析设计参数和优化目标,通过网络将设计参数和优化目标传输给云端生成式模型,模型计算后输出3DCAD模型文件再通过网络传输给***,***将该文件在3D CAD软件中打开让用户查看。
步骤5、6是一个迭代的过程,是在步骤4输出结果基础上,用户可再次修改或补充设计要求细节说明,通过NLP技术重新分析设计参数和优化目标,该迭代过程无次数限制要求,直到用户对生成的3D CAD模型满意或用户放弃继续修改为止。
在步骤7中,可以推理、输出3D CAD模型,并将其保存为文件,供后续的设计、分析、制造等环节使用。也支持直接传输到3D打印机中进行加工制造。
如图2所示,描述了本发明设计***的流程示意和功能模块图。流程具体包括:启动软件环境、输入外部的限制条件、输入用户的设计需求、生成式模型推理、反馈和优化、输出3D模型外观、结构和3D打印、关闭软件,属于***的全生命周期操作流程。功能模块具体包括:交互式设计模块、数据预处理模块、知识图谱构建模块、机器学习训练模块、CAD模型生成模块、3D打印支持模块。
S1:启动软件环境,用户启动软件环境并进入***界面。
S2:输入外部的限制条件,用户输入外部的限制条件,例如辅助模型文件、按***模板编写的具有约束性的Excel等。不同的设计需求,所需模板不同。
S3:以文本形式输入用户的设计需求,例如外观、结构、功能、工艺、材料等的文本描述信息。S1和S2流程主要由交互式设计模块提供用户界面,***根据S3用户输入的设计需求以及S2用户输入的外部限制条件,解析设计参数和优化目标。
S4:生成式模型推理,该流程主要由数据预处理模块、知识图谱构建模块和机器学习训练模块提供功能支撑。数据预处理模块将用户输入的本文信息转成设计参数和优化目标,知识图谱构建模块用于存储收集的数据并转化成知识,机器学习训练模块允许配置训练参数、选择算法网络和设置评价指标,经过迭代训练后输出生成式模型。知识图谱构建和机器学习训练需预先完成。在用户日常设计过程中,仅需使用已生成好的模型推理即可。
S5:输出3D模型外观和结构,生成式模型根据获取到的设计及参数和优化目标推理出的标准格式的可视化的3D模型,使用户能够直观地了解模型的外观和结构。该流程主要由CAD模型生成模块提供用户界面,***支持输出的3D模型标准格式包括:obj、stl和fbx。
S6:用户根据输出反馈的可视化3D CAD模型,持续更新设计需求,不断修正设计参数和优化目标,直到输出符合用户设计要求的3D CAD模型。
S7:3D打印,3D打印支持模块将优化后的3D CAD模型输出为文件,并提供了导入到3D打印机的支持,方便用户进行打印。同时,这个模块还提供了一些3D打印相关的设置,例如打印分辨率、支撑结构等。
S8:关闭软件,用户可以保存3D CAD模型或直接关闭软件。
在整个设计流程中,外部限制条件和用户设计需求是用户输入的信息,而输入信息的预处理、生成式模型推理、输出3D模型外观和结构则由***完成。3D打印是可选流程,如不需要或未连接3D打印机则可直接保存3D模型文件后关闭软件。
如图3所示,示例性地,以汽车制造行业焊装夹具作为生成式设计对象,描述了该实施例的流程图。焊装夹具的用途是保证汽车在焊装过程中位置的固定性和稳定性,车型各工件(前纵梁、前保险杠、翼子板、前围板等)变化,所需设计夹具外观、结构均不同。有小批量定制化、快速设计需求,需要进行以下流程操作:
步骤1:由知识运营人员负责收集设计相关数据和约束条件,包括但不限于夹具设计专家知识、夹具设计行业标准、夹具设计过往案例和夹具设计用户行为操作等数据源。
步骤11:夹具设计专家知识和行业标准,主要来源于图书、行业手册、期刊论文、实验报告等文档。依靠自然语言处理(NLP)技术和数据挖掘技术将以上文本类数据源抽取成结构化数据,针对以图片形式存在的难于抽取的公式或复杂图表数据采用人工提取方式。保持自动抽取与人工抽取比例约为9:1。
步骤12:夹具设计过往案例是由人工设计完成和校验的符合设计需求和标准的大量历史案例库。每套案例包括:工件模型、Base板模型、夹具模型、焊***型及焊枪工作轨迹、RPS点等。
步骤13:夹具设计过往案例的特征数据提取,分为两种情况。一种是模型具备规范化的MBD结构,以Catia、UG、Solidworks等专用CAD软件格式为主,模型常来源于企业内部数据,可基于标准规范智能化提取数据;另一种是模型不具备规范化MBD结构,以stl、obj、fbx等通用格式为主,模型常来源于互联网检索数据,可通过网格划分、对其几何拓扑信息进行有限元特征提取,每种特征拥有专门的提取算法,例如:槽特征提取算法、孔特征提取算法、外形轮廓特征提取算法或倒角特征提取算法。
步骤14:工件是所设计夹具的被夹持物,决定了夹具的夹持头外观形状和结构设计。Base板与所设计的夹具底座连接,Base板的位置决定了夹具的方向和高度设计。焊枪和焊枪工作轨迹,是夹具需要避开的一系列干涉条件,对夹具的外观形状、结构、方向设计都有影响。RPS输入文档应至少包括工件的夹持点信息,决定了夹具与工件的相对位置设计。
步骤15:用户行为数据,用于记录用户在3D CAD设计软件中的手动修改行为数据,这些数据潜在包含了与用户的设计意图相违背的操作和用户对生成式设计结果不满意的修改点,通过对用户行为数据分析,能够让生成式模型更好进行优化和更新。
步骤2:自动抽取和构建知识图谱,包括但不限于构建夹具过往案例知识图谱、夹具设计规范知识图谱、夹具结构推理事理性知识图谱。
步骤21:夹具过往案例知识图谱,围绕整套夹具和单个夹具单元这两个推荐维度,进行图谱的语义设计与自动抽取。该实施例仅以工件、夹持点、夹具单元图谱构建为例,其本体设计如下:
工件作为本体对象,其属性可以表示为id、名称、对称、对称面、形状、所属车型、所属车辆名称、厂家。
夹持点作为本体对象,其属性可以表示为id、焊接点关联、节点类型、位置、凸缘、凸缘深度、功能、对称、对称面、工件边缘、支撑或夹紧方向要求。
夹具单元作为本体对象,其属性可以表示为id、名称、节点类型、安装类型、标准类型、功能、压块偏置、夹持点高度、气缸压紧方式、气缸摆臂位置、转动干涉风险。
步骤22:夹具设计规范知识图谱,围绕设计活动、标准(版本)、章节、页面四类本体,进行图谱的语义设计与自动抽取。
标准(版本)、章节、页面与设计活动的关系是:前者是后者的设计依据,即前者用于设计活动的完成。该关系的属性是严格按照标准进行设计活动或参照标准进行设计活动。
设计活动间的关系是下级,即完成上一级设计活动,需完成其所属下级的所有设计活动,子级设计活动也存在关系,该实施例中,检测孔需打在base上,所以检测孔设计也与base设计相关。
标准、标准版本、章节、页面,这四类本体的中心是标准版本,主要关系是:标准的版本是标准版本,关系属性是生效时间;章节和页面是标准版本的一部分(partof),章节与标准版本的关系存在属性(起始页和尾页);相同标准的不同版本间存在修改关系,属性为修改内容或程度;不同标准的版本间存在引用、要求相似的关系;存储地址作为本体与标准版本存在关系。
标准可分为设计标准和标准件标准,属性是名称、标准号、类别(厂标、国标等)、编制单位和优先级(即不同标准对同一设计活动有不同要求,则需根据优先级确定具体按哪个标准进行设计活动)
步骤23:夹具结构推理事理性知识图谱,该实施例中,以定位销选型推理为例,步骤如下:
以顺承关系推理待设计定位点RPS特征、另外定位点RPS特征、工件几何特征属性。
以上下位关系推理定位孔角度、易变性件、不易变形件、取件方向。
以顺承关系和因果关系推理伸缩销/定位销判断。
步骤3:以知识图谱存储的知识作为训练集,使用机器学习算法训练生成式模型,形成智能推理引擎。
以上为焊装夹具设计实施例的设计准备阶段,接下来是该实施例的***应用阶段,步骤如下:
步骤4:用户录入需求,包括但不限于文本、模型、文档等。以焊装夹具设计实施例为例,录入需求内容如下:
步骤41:设计需求录入,***直接在交互式信息录入界面进行文本录入。***通过自然语言处理算法将文本解析设计参数和优化目标。
步骤42:工件模型录入,***提供工件模型的上传接口,上传成功后,***自动进行特征提取。
步骤43:PRS文档录入,***提供RPS输入文档的上传接口,上传成功后,***自动进行RPS点的数据提取。
步骤5:生成式设计输出模型,包括但不限于生成式设计、智能校验和交互反馈。以焊装夹具设计实施例为例,步骤如下:
步骤51:生成式设计,是基于步骤3中训练的生成式模型,输出符合设计参数和优化目标的3D CAD模型。
步骤52:智能校验,每次完成一次设计迭代后,都会自动进行一次智能校验。在焊装夹具设计实施例中,主要校验生成的夹具模型包络线是否与不同轨迹下的焊***型包络线重合,如果重合,则重新设计。
步骤53:交互反馈,是在设计过程中,用户对于设计结果进行的反馈和调整,以期达到更好的设计效果。这种反馈可以是用户在使用设计结果时发现的问题和需求,也可以是用户主动提出的建议和要求,例如对设计细节的调整、对功能性能的改进等。当用户进一步反馈后,***再次计算迭代,输出符合最新设计参数和优化目标的3D CAD模型。
步骤6:3D打印,在本发明的实施过程中,可采用现有的3D打印技术,例如:FDM(熔融沉淀成型)、SLA(光固化成型)或SLS(激光烧结成型),将优化后的3D CAD模型输出为STL等标准格式的3D打印文件,使用3D打印机进行制造。由于优化后的3D CAD模型已经满足约束条件并达到最佳优化目标,因此所制造的3D打印产品可以达到预期的性能和质量要求。同时,由于3D打印技术的灵活性和高度自动化,可以快速制造出复杂的形状和结构,满足个性化和小批量生产的需求。
表1为采用本发明设计方法和***实现焊装夹具设计的一个实施例的输入Excel文档模板。示例性地,以汽车制造行业焊装夹具作为生成式设计对象,描述了该实施例的RPS输入文档模板。模板是用户提供设计要求或约束的另一种手段,以补充文本不易描述的设计需求。
表1RPS输入文档模板
本实施例RPS文档中包括如下字段:名称、x、y、z坐标、定位孔直径、鞋面、定位孔周线方向、工件厚度等。提取RPS输入文档中的信息,即可获得零件精确的夹持位置信息和尺寸精度要求,是实现夹具良好的操控性和配合的关键约束目标。
根据被夹持的工件发生工艺变更时,修改RPS输入文档中的设计参数,使得焊装夹具能够适应实际需求,如加强刚度、降低重量、优化定位孔布局等。重新进行需求录入,最终生成和优化3D模型。
需要说明的是,RPS文档的结构不是固定的,可根据用户需求自定义添加要求和修改字段,***通过Excel二次开发技术,自动提取单元格内信息,利用自然语言处理技术对信息进行识别后,输入到设计引擎推理。
实施例一
图4为本发明基于制造工艺数据的知识图谱构建方法流程图,具体包括以下步骤:
S1:获取产品制造工艺相关的数据资料,建立原始资料数据库,实现初步筛除制造企业中与制造工艺无关数据的功能,简化后续数据抽取的复杂程度;建立原始资料数据库中的产品制造工艺数据资料包括:企业制造工艺数据库文件、三维CAD模型和图纸数据、工艺文件、加工设备数据、工艺装备数据;将初步筛选的与制造工艺相关的数据存储到本地硬盘或网络云盘中作为原始资料数据库。
S2:基于原始资料数据库,结合制造工艺领域的专家知识建立本体模型,构建知识图谱模式层及各类实体的关键字词典。构建知识图谱模式层的流程如图5所示,具体步骤包括:
S2.1:数据分析;分析归纳数据库中的制造工艺数据,制造业的加工对象包括组件和零件,分析其CAD模型、图纸和工艺文件及企业数据库包含的零组件信息及制造工艺信息,可以将其归纳为六类数据:工件数据、特征数据、制造设备数据、制造方法数据、工艺装备数据以及语义关系数据;工件数据描述了工件的名称、编号、版本、总体几何特征、材料等信息;特征数据是指工件制造过程中各工序具体的加工对象、要求以及各工序夹持位置的特征,如机械加工的面、孔、轴、螺纹等,要求包括加工尺寸、精度、热处理、表面处理、焊接质量等,夹持位置的特征包括定位孔直径、定位孔形状、定位面形状等;制造设备数据主要指产品制造需要的设备,如车床、铣床、冲压机、焊接机器人等;制造方法数据是指工件制造的方法和操作,材料从毛坯到产品要经过的步骤,具体指工序和工步;工艺装备数据包括制造过程中的夹具、模具、刀具、检具以及其它辅具;语义关系数据是指前面几种数据之间的关系,表示不同类别的数据之间的联系;
S2.2:本体模型构建;结合专家知识和企业现有制造工艺数据库实体类型,建立本体模型;
图6是本发明实施例提供的知识图谱实体模型的思维导图。为了保持本体模型的准确性和完备性,把以上的六种数据抽象为六类实体,其中工件数据、特征数据、制造设备数据、制造方法数据、工艺装备数据、加工特征数据以及语义关系数据依次对应:工件类、特征类、设备类、工艺类、工装类、关系类,并建立六类实体的关键字词典,词典包括六类实体及其属性的标准关键字及其同义词;
工件类包括组件和零件两种子类;特征类包括制造特征和夹持特征两种子类;工艺类包括工序和工步两种子类;工装类包括夹具、模具、检具、辅具、刀具等子类;关系类包括consist_of、order、assemble三种子类;
类的属性包括类属性和实例属性,类属性为各类及其子类共享,所有实例共享对应的类属性,实例属性仅为各个实例所有;上述六类数据均具有名称类属性,工件类具有图号、总体特征和管理特征类属性,工件类中的零件类具有材料类属性,特征类具备尺寸、位置、公差、表面粗糙度、几何公差、技术要求等属性的一项或多项,设备类具备型号类属性,其他实例属性根据不同实体添加;
S2.3:知识图谱模式层建立和展示;知识图谱模式层通过本体模型方式来构建,本体模型通过本体语言OWL来描述;本体模型是模式层的模型,本体语言是描述模式层的语言;模式层根据S2.2中抽象的实体类建立,通过表达式来描述,把抽象出来的实体类和关系建立本体模型,利用protégé软件建立和展示,模式层的知识通过本体模型来表示,本体模型可以用owl语言来描述;知识图谱的模式层的本体模型形式化表达为:
KGPattern={Entity∪Relation}
其中:
Entity={W∪F∪M∪O∪E}
Relation={R}
R={(Wi,consist_of,Wj)∪(Wi,consist_of,Fj)∪(Wi,consist_of,Oj)U(Oi,consist_of,Oj)∪(Oi,consist_of,Fj)∪(Oi,consist_of,Mj)∪(Oi,consist_of,Ej)∪(Oi,order,Oj)∪(Wi,assemble,Oj,assemble,Wj)∪}
以上式子中:KGPattern指知识图谱模式层的形式化表达模型,Entity指模式层描述的实体集合,Relation指模式层描述的关系集合;W表示工件类,F表示特征类,M表示设备类,O表示工艺类,E表示工装类,R表示关系类;语义关系R包括consist_of、order、assemble,consist_of关系定义为工件类之间的包含关系,工件类与特征类、工艺类的包含关系、工艺类与特征类、设备类、工装类的包含关系,以及工艺类之间的包含关系,关系表示及描述为:(Wi,consist_of,Wj)表示工件Wi包含工件Wj,(Wi,consist_of,Fj)表示工件Wi包含特征Fj,(Wi,consist_of,Oj)表示工件Wi包含工艺Oj,(Oi,consist_of,Oj)表示工艺Oi包含工艺Oj,(Oi,consist_of,Fj)表示工艺Oi包含特征Fj,(Oi,consist_of,Mj)表示工艺Oi包含设备Mj,(Oi,consist_of,Ej)表示工艺Oi包含工装Ej;order关系定义为工艺类中工序之间或工步之间的顺序关系,关系表示及描述为:(Oi,order,Oj)表示完成工序(工步)Oi后,进行工序(工步)Oj;assemble关系定义为工件类中组件之间或零件之间的装配关系,关系表示及描述为:(Wi,assemble,Oj,assemble,Wj)表示通过工序Oj将组件(零件)Wi装配到组件(零件)Wj;如表2所示;
表2语义关系表示及描述
此时,知识图谱模式层构建完成,进入下一步S3。
S3:根据知识图谱模式层,利用数据抽取模型提取原始资料数据库中相关数据,构建知识图谱数据层;数据抽取模型包括结构化数据处理模块、非结构化数据处理模块以及知识融合模块,如图7所示,具体运行流程如下:
S3.1:结构化数据处理模块采用D2R将关系型数据库中的数据按照预设的知识图谱模式层,转换为RDF三元组;被抽取数据之间的关系按照知识图谱模式层存在的关系进行定义,被抽取数据及其之间的关系以RDF三元组形式进行表达;
S3.2所述数据抽取模型包括三维CAD模型与图纸处理模块和自然语言处理模块,其中三维CAD模型、图纸处理模块用于抽取原始数据库工件模型和图纸包含的数据,如工件类数据和特征类数据,并生成RDF三元组,自然语言处理模块用于抽取原始数据库中的文本数据,并生成RDF三元组,知识融合模块用于融合两个处理模块抽取的实体;
S3.3:所述三维CAD模型与图纸处理模块利用CAD软件二次开发和多视图特征提取技术,按知识图谱模式层,抽取模型中的属性信息、结构树信息和特征信息,抽取之前需先将三维CAD模型和图纸转化为符合国标、企标或其它标准的MBD模型,通过python编程进行三维CAD软件二次开发,建立工件类和特征类实体及其属性以及工件与工件、工件与特征之间的关系的三元组表达;属性信息包括工件名称、编号、材料、技术要求等,结构树信息指组件工件与组成组件的零组件间的包含关系,特征信息包括工件总体特征和工件局部特征,其中局部特征包括名称、尺寸、位置、公差、表面粗糙度和几何工差等信息;
属性信息和结构树信息可从标准三维MBD模型中直接抽取;工件总体特征信息采用多视图特征提取技术抽取,利用三维模型的多视角图片,经过CNN网络训练后,得到工件模型的特征向量,并作为工件类实体的总体特征属性保存;工件管理特征,如关键件、重要件、一般件等可在MBD模型的技术要求中,通过字段匹配获得;
工件局部特征采用CAD软件二次开发技术读取模型的拓扑信息间接抽取,特征类型由拓扑结构确定,比如简单通孔和轴均由两平行平面和垂直于平面的圆柱面组成,若圆柱面轴线与平面若存在交点,特征类型即为轴,反之特征类型则为孔,尺寸、位置、公差、表面粗糙度和几何工差通过模型上标注的参考及内容确定,比如简单通孔的尺寸包括直径和深度,参考为组成孔的圆柱面的标注即为该孔的直径标注,参考为组成孔的两平面的标注即为该孔长度标注。
S3.4:所述自然语言处理模块依据关键字词典中的信息,利用brat标注工具对非结构化文本进行实体标注,并通过python程序将标注完的文本数据转变成带分词标签BIO的数据集,同时将数据集划分为训练集、测试集和验证集,用于训练Bi-LSTM-CRF实体识别模型;采用训练好的Bi-LSTM-CRF实体识别模型抽取非结构化数据中的工件类、特征类、工艺类、设备类、工装类实体,此时抽取的工件类与特征类实体不够全面精确,仅用于与三维CAD模型与图纸处理模块抽取的工件类与特征类实体的对齐;按知识图谱模式层,确定具体实体之间的关系,得到由实体与关系组成的三元组。
S3.5:所述知识融合模块用于融合两个处理模块抽取的可能存在重叠的知识;将结构化数据处理模块和非结构化数据处理模块提取出的实体、关系、属性,与关键字词典中的标准关键字及其同义词进行语义相识度计算,并根据计算结果将提取的实体、关系、属性词语同义置换为所述同义词所对应的标准关键字,实现清洗对齐;遍历三维CAD模型与图纸处理模块提取出的工件类和特征类实体,与自然语言处理模块提取出的工件类和特征类实体构成实体对,按照双线性匹配算法对实体对打分,将打分结果升序排列,分值越低的实体对表示两实体对齐程度越高,根据分值结果,统一分值最低的实体对中两实体的名称,从而完成非结构数据处理模块抽取数据的对齐,然后按上述流程完成结构化与非结构化数据处理模块抽取各类实体的对齐;对齐后的工件类和特征类实体属性保持与三维CAD模型与图纸处理模块提取出的工件类和特征类实体属性一致,完成实体融合。
S4:把模式层和数据层结合起来构建知识图谱,把抽取到的RDF三元组输入到Neo4j图数据库中,存储知识图谱并可视化展示。
实施例二
图8是本发明实施例提供的一种面向多模态数据的制造工艺知识图谱构建***的结构示意图,包括:
数据库模块,获取产品制造工艺领域相关的数据资料,建立原始资料数据库,产品制造工艺数据资料包括:结构化的企业制造工艺数据库文件以及非结构化的三维CAD模型和图纸数据、工艺文件、加工设备数据、工艺装备数据、规范性文件、专业书籍等资料;
模式层构建模块,基于原始资料数据库,获结合制造工艺领域的专家知识建立本体模型,构建知识图谱模式层及各类实体的关键字词典;
数据层构建模块,具体包括结构化数据抽取模块、非结构化数据抽取模块和知识融合模块;结构化数据抽取模块,采用D2R将关系型数据库中的数据按照预设的知识图谱模式层,转换为RDF三元组;非结构化数据抽取模块包括三维CAD模型与图纸处理模块和自然语言处理模块和知识融合模块;三维CAD模型与图纸处理模块用于抽取原始数据库工件模型和图纸包含的数据,并生成RDF三元组,抽取之前需先将三维CAD模型和图纸转化为符合国标、企标或其它标准的MBD模型,自然语言处理模块用于抽取原始数据库中的文本数据,并生成RDF三元组;知识融合模块用于融合两个处理模块抽取的可能存在重叠的知识;
知识图谱构建模块,把抽取到的RDF三元组输入到Neo4j图数据库中,存储知识图谱并可视化展示。
本实施例中的基于制造工艺数据的知识图谱构建***与上述实施例一的基于制造工艺数据的知识图谱构建方法的工作过程基本一致,在此不再赘述。
本发明采用CAD软件二次开发技术和多视图特征提取技术,直接从工件的三维模型和图纸提取工件属性信息、总体特征以及工件局部特征等信息,并在模式层约束下构建工件和及其包含的特征实体,全面精确地描述工件及其特征,扩展了用于构建图谱的数据类型,提高了构建的知识图谱的准确性和可利用性。面向制造工艺数据的知识图谱,能够准确合理地存储大量现有产品及其特征的工艺路线及其使用的加工设备和工装,根据新工件及其特征与图谱中存储的历史工件及其特征的匹配程度,利用图算法实现新工件工艺路线、公共设备和工装的推荐,为产品的工艺设计提供数据支撑。
如图9所示,一种基于多视图和加工特征识别的CAD模型匹配方法,包括以下步骤:
S1获取采用B-REP方法建模的零部件三维模型,模型格式包括STEP、iges或其它CAD软件专用数据格式;按照加工需求、几何形状、用途等属性分类,构造三维模型数据库,并添加模型加工制造相关数据;
S2将模型库内所有模型转成STL格式,用于深度学习训练;
S3利用模型中语义信息和拓扑结构,匹配每个模型中的加工特征;
S3.1利用B-REP类型的三维模型,遍历模型中所有几何面,以及每个几何面邻接的几何面,构建模型零件的邻接图;
S3.2针对待检索目标中面的邻接关系,构建目标特征的特征邻接图;
S3.3模型的面中,邻接最多的几何面或者邻接面遍历顺序中首个几何面为起点,在零件的邻接图中搜索子图,查询与特征邻接图相匹配的最小条件子图,获取加工特征;
S3.4此外,利用B-REP类型的CAD模型中通过颜色和文本标注的语义信息,提取加工特征,如螺纹孔、精加工孔、精加工面等;
S4训练基于ResNet的多视图卷积神经网络(MVCNN),使之具备模型分类和特征向量计算的功能;
S4.1搭建基于ResNet的MVCNN深度学习模型,S1步骤中模型分类标签即为MVCNN的分类标签;
S4.2根据STL格式的模型,获取模型的多视图;将多视图和标签用于MVCNN的训练;
S5根据训练好的模型,计算每个模型特征向量;完成数据库的构建和MVCNN的训练;
S6将B-REP类型的待匹配三维模型,转换成STL格式;
S7采用MVCNN对待匹配三维模型进行分类和特征向量计算;
S8在数据库中匹配特征向量与待匹配模型特征向量的间距最小的几个模型,以此完成三维模型的粗略匹配;
S9对B-REP类型的待匹配三维模型,根据模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征,方法与步骤S3中方法相同;
S10根据S9中提取得到的加工特征,在S8中粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型接近的模型,完成匹配,并从模型库中得到相应的加工数据,用于后续操作。
如图10所示,一种基于多视图和加工特征识别的CAD模型匹配***,基于一种基于多视图和加工特征识别的CAD模型匹配方法,输入待检索CAD模型,输出为形状和结构与输入相似的CAD模型及其附属加工信息,所述CAD模型匹配***应包括:
文件管理模块,实现文件读取、写入、存储、格式转换等功能;
3D模型数据库,包括大量3D模型及其相应的特征向量、加工特征等信息,并可以实现简单的信息匹配,如加工特征、材料属性等;
深度学习推理模块,采用训练的MVCNN,将转为STL格式的计算待匹配3D模型的分类与特征向量;
加工特征提取模块,对于输入的BREP类型的待匹配3D模型,提取其中加工特征;
向量检索模块,根据深度学习推理模块中计算得到的分类和特征向量,在3D模型数据库的特征向量数据中匹配。
实施例如下:
S1在CATIA软件中,获取CATPart格式的机加工零部件三维模型若干(超过4000个),按照用途、形状、加工特点等进行分类,构造3D模型数据库,并添加模型加工制造相关数据;
S2通过文件管理模块,即利用CATIA软件,通过VBA脚本将CATPart格式软件转为STL格式;
S3通过加工特征提取模块,提取上述三维模型中的加工特征,具体步骤如下:S3.1在CATIA软件中,采用“搜索”命令,根据颜色、名称等属性,查找精加工孔、螺纹孔、精加工面等特征;
S3.2基于CATIA CAA二次开发,提取模型的拓扑结构,生成面的邻接图;对于如图11a中左侧所示CAD模型,生成邻接图如图11b所示,其中灰色节点表示平面,黑色节点表示圆柱面,而节点间连线表示两个面相邻;图11a、图11b中,对于一个带有沉头通孔的L型板,图11a展示其面的序号,图11b以面为节点,用直线连接表示面之间的邻接关系,其中灰色节点表示平面,黑色节点表示圆柱面。柱面9—平面11—柱面10共同构成沉头孔加工特征,如虚线包围内所示。
S3.3针对加工特征(如,阶梯孔)中面的拓扑结构,生成特征邻接图;
S3.4在模型的邻接图中,以邻接最多的几何面或遍历顺序中首个几何面为起点,在模型邻接图中匹配与特征邻接图相匹配的最小条件子图,获取加工特征;在图11a、图11b所示模型中,检索到柱面9—平面11—柱面10构成沉头孔拓扑关系,如图11b中虚线内部分;
S3.5将S3.3和S3.4中提取的加工特征存储于数据库中,便于后续匹配;
S4训练深度学习推理模块,即基于ResNet的MVCNN,使之具备模型分类和特征向量计算的功能,具体步骤为:S4.1基于Pytorch搭建基于ResNet18的MVCNN,其分类标签即S1步骤中分类标签,将模型部署于显卡服务器上;选择交叉熵函数为损失函数,训练过程中采用Dropout方法减轻过拟合;建议加载ResNet18的预训练数据,减少训练的迭代次数;所用MVCNN框架如图12所示,其原理为:对于一个三维模型,获取其多视角下视图,每张视图分别输入ResNet深度学习网络中,分别得到多个张量;再将这些张量输入视图池层,得到三维模型的特征向量,特征向量进一步输入全连接层当中,计算模型的分类结果;
S4.2采用Blender软件的二次开发功能,获取S2步骤中STL格式模型的多视角图像(12个视角);每张图像裁剪多余部分,尺寸大小设为224*224,通道数为3;将多张调整后的图像,转为Pytorch框架下的张量结构;将数据按批输入MVCNN模型中,多次迭代后完成训练;
S5根据S4.3中完成训练的MVCNN,计算S1中每一个模型的特征向量,并存储于数据库中;至此完成3D模型数据库的构建和深度学习推理模块的训练;
S6对于STEP或CATPart格式的待匹配三维模型,通过文件管理模块,利用CATIA程序转换成STL格式;
S7利用S4.2步骤中Blender程序的二次开发,从STL格式的待匹配三维模型中获取多视图并裁剪,最终生成相应的张量;才用S4.3中训练的深度学习推理模块进行推理计算,得到其分类和特征向量;
S8采用向量检索模块,在数据库中匹配和待匹配模型特征向量间距较小的前10个模型,以此完成三维模型的粗略匹配;
S9采用加工特征提取模块,对STEP格式的待匹配模型,根据模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征,方法与步骤S3中方法相同;
利用3D模型数据库的匹配能力,根据S9中提取得到的加工特征,在S8中粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型接近的模型,完成匹配,并从模型库中得到相应的设计加工数据,作为参考辅助后续操作。
本发明基于几何形状多视图和加工特征识别,可以有效地解决制造行业中三维模型匹配的问题,提高计算机辅助设计效率,减轻工作人员劳动负担,是一种具有广泛应用前景的三维模型匹配方法。结合几何形状和拓扑关系两种思路的优点,在匹配过程中计算量较低,计算速度快,可以在提高准确性的同时,大大缩短了匹配时间。特别适用于带有典型加工特征的三维模型匹配,例如:汽车、半导体、军工等领域常用的带有倒角、槽、孔加工特征的高精密零部件。本发明可以更好地描述和捕捉3D模型的特征,从而提高了3D模型的可重用性。例如,当一个3D模型被使用时,可以通过匹配***找到具有相似特征的其他3D模型,并将它们作为参考,从而提高3D模型的可重用性。
一种利用事理图谱推理3D模型结构的方法与***,包括:
规则提取处理与结构化:基于机械设计手册或说明书的专家规则,使用自然语言处理技术自动提取与人工微调修正相结合的方式把专家规则转化为三元组结构化数据。
结构化数据转化为事理图谱:将已经结构化的数据存储到事理图谱中并对机械设计规则及其流程可视化呈现,专家进一步微调修正规则。
基于事理图谱的专家***构建与推理:基于构建好的事理图谱,***将图谱转化为专家***,***同时支持专家***与事理图谱的推理。
基于构建好的事理图谱,***直接使用事理图谱进行推理。
***的推理结果:在***提供的输入界面输入待设计的机械结构的要求和条件,***对设计结果进行可视化呈现,输出3D模型结构及参数。
所述规则提取处理与结构化具体为:
数据采集:采集机械设计手册中的相关数据,包括设计参数、材料特性、工艺要求等。
数据处理:采集到的数据进行预处理,包括数据清洗、数据分析、特征提取等。
规则提取:基于专家知识和机器学习算法,提取出机械设计手册中的专家规则,包括设计参数的选择、材料的选用、型号的选择等。
规则验证:使用实际的机械设计案例对提取出的规则进行验证,进行规则的修正。
所述规则提取处理与结构化具体为:
数据采集通过手动输入、扫描、OCR识别等方法。
数据获取模块包括传感器、扫描仪、图像采集设备、计算机辅助设计软件等。
数据处理包括数据清洗、去噪、特征提取、降维等预处理操作。
规则提取基于机器学习算法,包括决策树、卷积神经网络、对抗神经网络等。采用机器学习和自然语言处理技术,对领域知识进行自动化抽取和挖掘。
规则验证通过实际的机械设计案例进行,包括合理性测试与使用性能测试。
所述结构化数据转化为事理图谱具体为:
利用图数据库技术,将结构化的数据存储到事理图谱中。
定义机械设计规则及其流程的初始模型,将规则和流程抽象成可计算推理的数据模型。
将机械设计规则及其流程的元模型与存储在事理图谱中的数据结构进行映射。
利用可视化技术,对机械设计规则及其流程进行可视化呈现。
对可视化呈现的事理图谱赋予可编辑功能,对自动化生成的机械设计事理图谱界面进行调整或升级迭代,同时支持手动构建。
所述结构化数据转化为事理图谱具体为:
图数据库技术可以包括Neo4j、JanusGraph、华为云、PandaDB、Protege等多种图数据库。
可视化技术可以包括图形化用户界面、可视化编辑器等多种形式。
图数据库读取可以通过对图数据库的封装,实现对事理图谱的快速存储和查询。
可视化呈现可以包括对机械设计规则及其流程的图形化展示、交互式查询、数据统计分析等多种功能。
建立3D模型结构领域事理图谱,包括数据的读取、本体构建和图谱存储。其中本体构建:将处理好的三元组结构化数据归纳为若干类,如图4所示:基本实体、判断/公式、判断计算、推理结果、事件、输出、语义关系。把以上的几类数据抽象为事理图谱的类,其中基本实体、判断/公式、判断计算、推理结果、事件、语义关系分别对应基本实体类、判断/公式类、判断计算类、推理结果类、事件类、语义关系类。基于事理图谱推理的特性,再独立加入一个输出类。
事理图谱由节点类和关系类组成。
基本实体类是节点类,内容为基本名词,包括零件、组件名称、零件属性名称。
判断/公式类是节点类,内容为设计流程中的一组判断选择或者公式计算目标的名称,用于连接对其判断选择或者公式计算。
判断计算类是节点类,内容为设计流程中的判断选择和公式计算的实际内容。
推理结果类是节点类,内容包括零件的特征、尺寸、型号和结构组成。
事件类是节点类,内容包括设计零件、设计结构或者工件的名称。
输出类是节点类,作为标记节点,内容无实际意义,标志该部分推理结束。
语义关系类是关系类,作用是连接节点,表达节点之间的关系。关系类包括:因果关系类、上下位关系类、顺承关系类、条件关系类。因果类关系是强逻辑关系,因为一个节点的内容所以推理出下一个节点;上下位关系类是包含关系,下一个节点是上一个节点的一部分,或者上一个节点是下一个节点的一部分。顺承关系类是先后关系,上一个节点结束进行下一个节点;条件关系类是强逻辑关系,上一个节点是下一个节点的必要条件。
其中图谱手动编辑基于云计算等技术实现远程协作和知识共享等功能。
所述基于事理图谱的专家***构建具体为:
根据机械设计图谱的概念体系和规则,构建专家***的知识表示和推理模型。实现专家***的推理和查询功能,包括基于规则、模型和统计方法的推理算法。
所述构建专家***的知识表示和推理模型具体为:
基于图谱的专家***构建***,包括自动化转化模块、推理模块、查询模块、显示模块。
基于图谱的3D模型推理过程,基于自然语言生成技术NLG的三元组数据转换方法,包括以下步骤:通过自然语言处理技术解析输入的三元组数据;根据解析结果,利用预定义的语法和规则生成自然语言句子;输出转换后的自然语言句子。其中预定义的语法和规则包括:主语、谓语、宾语的语法结构;根据三元组关系确定主语和宾语的词性和数量;根据预定义的词典,选择对应的动词、形容词和副词。
其中基于构建好的事理图谱,***直接使用事理图谱进行推理具体为:
利用事理图谱的语义表示能力,对大规模复杂的数据进行高效的推理和分析,实现高效的3D模型结构推理分析。
推理引擎的设计:通过使用Python和Cypher语言遍历查询事理图谱的节点类型和属性,将查询到的节点按照基本实体、判断/公式、判断计算、推理结果、事件、语义关系六类分别采用不同的处理方式,再结合模块5输入的数据进行对比、计算、判断等处理,最终推理出3D模型结构。
基于专家***与知识图谱的自动化设计3D模型结构具体为:
通过问答输入的方式,根据用户输入的需求,自动化地推导出符合要求的3D模型结构与特征。
其中显示模块可以包括编辑软件、渲染软件、3D打印软件等。
将生成的3D模型结构与特征以文件或API的形式输出,实现自动化设计。
本发明实施,结合附图13说明。S1、模块1,基于机械设计手册或说明书的专家规则,使用自然语言处理技术自动提取与人工微调修正相结合的方式把专家规则转化为三元组结构化数据;S2、模块2,将已经结构化的数据存储到事理图谱中并对机械设计规则及其流程可视化呈现,专家进一步微调修正规则;S3、模块3,基于构建好的事理图谱,后台将图谱转化为专家***,并实现推理过程;S4、事理图谱3D模型推理模块,该部分使用事理图谱行3D模型的自动化推理;S5、模块5,在输入提供的输入界面输入待设计的机械结构的要求和条件,***对设计结果进行可视化呈现。
结合附图14详细说明步骤:
S1模块1,该***从给定的机械设计手册、机械设计说明书等资料提取规则处理与结构化
S1.1收集机械设计手册中的相关文本数据,包括设计参数、材料特性、工艺要求等,存储为可读的电子文档格式,如PDF、Word文档等。
S1.2数据处理:对数据进行清理和格式化,数据清洗、数据分析、特征提取。包括去除停用词、文本标准化、去除特殊字符、分词、去除HTML标签和其他格式化标记、标点符号去除等步骤。
S1.3规则提取:使用NLP技术对文本进行分析,识别其中的关键字、短语和语法结构,例如句子、段落等。使用现有的NLP库和工具,例如NLTK和SpaCy等数据采集。
S1.4生成三元组结构化数据,文本中提取的规则转化为三元组结构化数据。如图15所示。
S1.5三元组数据存储和管理,将三元组结构化数据存储在SQL数据库中。
S1.6规则验证,将再SQL数据库中存储好数据看作为规则,该步骤功能是实现可视化与编辑迭代,该部分使用了编写的定制化程序,主要功能是提高精确度,尽可能避免NLP处理时产生的语义漂移。
S2模块2,将已经结构化的数据存储到事理图谱中并对机械设计规则及其流程可视化呈现,支持专家进一步微调修正规则。
S2.1使用Cypher和Python语句定义S1.5中的数据模型,包括节点和关系类型,以及节点属性类型。
S2.2解析结构化数据,使用Python将结构化数据解析为节点和关系的形式。
S2.3建立节点和关系,***连接Neo4j数据库,然后使用Python驱动程序创建节点和关系。如图16所示指定节点类型、属性、标签,指定关系类型、属性、标签,指定起始节点和结束节点之间的关系。
S2.4使用Python将节点和关系存储到Neo4j数据库中,如图17所示的例子,将机械设计规则及其流程的三元组模型在事理图谱中的数据结构进行映射。
S2.5***提供一个可视化的配置界面,与Neo4j数据库双向连接。***利用可视化技术,对表达机械设计规则及其流程的事理图谱进行可视化呈现,同时提供交互式查询、数据统计分析等多种功能。该可视化界面支持增改删查功能,以用于人工修正或者知识迭代升级。在执行操作的同时,后端的Neo4J事理图谱也执行相应的操作并储存。
S2.6图数据库Neo4J读取可以通过对图数据库的封装,实现对事理图谱在Neo4J层面的快速存储和查询。
S3模块3,基于构建好的事理图谱,***将图谱转化为专家***并进行推理。根据事理图谱的概念体系和规则,构建专家***的知识表示和推理模型。实现专家***的推理和查询功能,包括基于规则、模型和统计方法的推理算法。包括自动化转化模块、推理模块、查询模块、显示模块。
S3.1自动转化模块:***读取事理图谱部分中的知识表示为逻辑或规则形式,该***提供自动化转化模块及接口,将存储的事理图谱转化为包括不限于Clips、JbossRules、Drools专家***。查询图16选中的事理图谱中3D模型推理的领域和类别中的某种零件或者结构,查询该节点相关的子图。然后查询子图中所有属性为“推理结果”的节点,再查询所有起始点为事件名称,终点末节点为每个“推理结果”的路径path,然后分别读取并记录将每个路径中的所有“公式/判断”节点,将“公式/判断”节点作为每个零件选型的条件,全部储存到该推理结果的必要条件。对所有的“推理结果”节点重复此过程,直至将每个“推理结果”的节点的所有路径查询完毕。将每个推理结果的每条路径中的“公式/判断”节点作为该推理结果的规则,基于这些规则使用转化为专家***。
S3.2推理模块:专家***中的推理机对S3.1中每种推理结果的必要条件进行推理和解释。
S3.3查询模块与显示模块:***提供基于本地或WEB端的专家***查询模块和显示模块,支持直接对S3.1中专家***的查询源码和结构。专家***使用者选择待推理的模型,再输入必要的参数和特征,专家***自动输出推理结果,推理结果为3D模型结构及设计信息参数。
S4模块4,事理图谱3D模型推理:***可以使用事理图谱和专家***两种方式实现推理过程,其中事理图谱的方法的优势在于快捷,对于较为简单的推理实现更快;专家***推理的优势在于针对大量的、复杂的推理,可以比直接使用事理图谱更快的实现推理过程。事理图谱实现推理过程:
S4.1推理过程触发:如图16,当用户选定某个3D模型推理的领域和类别,并选择具体推理某种零件或者结构,对应事理图谱的“事件”类节点,并选择该事件节点的事理图谱子图。并搜索该子图的所有“基本实体”节点并读取内容,通过使用者输入或者自动获取的方法来得到将所有“基本实体”的相对应数据。
S4.2推理过程:***使用Python来搜索并选定事件所相连的“判断计算”节点,并分别再次查询该节点所相连的“基本实体”节点,匹配到S4.1获取的对应数据并记录。
S4.3使用Python搜索与S4.2中“判断计算”相连的“判断/公式”节点,并按随机顺序来读取单个“判断/公式”节点的内容,并将S4.2中对应的数据带入到“判断/公式”节点的内容。
S4.4将符合S4.3中“判断/公式”节点的内容记录,并终止S4.3的读取查询过程。
S4.5查找S4.4的下游节点并记录,并继续查找下游节点。
S4.6查找S4.5的下游“判断计算”节点。重复S4.2-S4.5的过程,当***查询到图4中的“输出”节点,终止推理,并储存所有的被记录节点的名称。
S4.7搜索路径path,路径特征为:起始点为用户选定的事件类节点,路径含有S4.6中所有被记录的节点,终点为“输出”节点。并查询该路径的“推理结果”类节点。输出“推理结果”类节点的内容,即为推理结果
S4.8将S4.6中储存的节点使用NLG生成自然语言,输出自然语言的推理过程和逻辑,作为4.7中推理结果的原因和规则支撑。
S5模块5,***的推理结果使用界面。
S5.1***提供了一个***的推理结果使用界面,使用者在该界面选择需要机械推理的领域和类别。
S5.2***提示待输入的条件名称,用户输入待填写的设计要求、参数、使用条件等相关指标。
S5.3***基于后端的专家***和事理图谱模块自动推理,并输出推理结果的特征和属性。
S5.4显示界面包括编辑软件、渲染软件。
S5.5将生成的3D模型结构与特征属性以文件或API的形式输出,实现自动化设计。
示例性地,以汽车制造行业焊装夹具作为生成式设计对象,针对定位销的选型描述了该实施例的流程。汽车焊装夹具是用于汽车生产线上的焊装工艺中的夹具,用于夹持车身或车身部件,以便焊接和装配。汽车焊装夹具的设计难度大,因为它们需要考虑到许多因素,并且必须满足严格的要求。焊装夹具必须与车型和车身部件的几何形状和尺寸完全匹配。焊装夹具必须具有足够的刚性和稳定性,以确保在焊接过程中不发生任何偏差或变形,综上所述,汽车焊装夹具的设计难度非常大,需要设计师具备深入的专业知识和经验,同时有小批量定制化、快速设计需求,进行以下流程操作:
步骤1:由开发者输入汽车焊装夹具的夹具设计规范、夹具设计手册、夹具设计行业标准等必要的设计资料。
步骤11:提取文本数据,包括设计参数、材料特性、工艺要求等,存储为word。
步骤12:数据处理,对数据进行清理和格式化,去除停用词、文本标准化、去除特殊字符、分词、标点符号等。
步骤13:使用NLP对文本进行分析,识别其中的关键字、短语和语法结构,例如句子、段落等。使用NLTK库数据采集。
步骤14:生成三元组结构化数据,如图15所示文本中提取的规则转化为三元组结构化数据。
步骤15:将三元组结构化数据存储在SQL数据库中。
步骤16:规则验证,将处理好的结构化数据进行初步的验证,提高精确性。
步骤2:将已经结构化的数据存储到事理图谱中并对汽车焊装夹具的规则及其流程可视化呈现。
步骤21:使用Cypher和Python语句定义数据模型,包括节点和关系类型,以及节点属性类型。
步骤22:解析结构化数据,使用Python将结构化数据解析为节点和关系的形式。建立节点和关系,***连接Neo4j数据库,然后使用Python驱动程序创建节点和关系。指定节点类型、属性、标签,指定关系类型、属性、标签,指定起始节点和结束节点之间的关系。基本实体节点可以表示为:{<id>:366<name>:易变形件<所属属性>:工件几何特征属性},公式判断实体节点可表示为{<id>:367<name>:工件特征==易变形件<所属属性>:伸缩销/固定销判断}
步骤23:使用Python将节点和关系存储到Neo4j数据库中,将机械设计规则及其流程的三元组模型在事理图谱中的数据结构进行映射,如图17所示。
步骤24:在***提供的可视化界面操作汽车焊装夹具的事理图谱,用于检查确认图谱的正确性,也可以针对特殊的要求或者更新的规则即时在该界面修改调整规则。
步骤3:实现推理3D模型的功能,基于构建好的事理图谱,***将图谱转化为专家***,事理图谱和专家***都支持独立完成推理功能。
步骤31:根据汽车焊装夹具事理图谱,自动转化模块:构建专家***的知识表示和推理模型。将存储的汽车焊装夹具事理图谱转化为包括不限于Clips专家***。
步骤32:推理,Clips专家***中的推理机对知识进行推理和解释。
步骤33:在***提供基于本地或WEB端的专家***查询模块和显示模块,直接查询专家***的源码和结构。
步骤4:输入条件,***输出推理结果。
步骤41:在***提供的推理结果使用界面中选择步骤1中的“汽车焊装夹具-定位销选型”推理。
步骤42:***提示待输入的条件名称,用户按照提示输入:
定位孔角度A=(0,1,1)
定位孔角度B=(0,0,1)
不易变形件
取件方向=(0,0,1)
定位点孔直径=25mm
销工作长度=50mm
步骤43:***基于后端的专家***或者事理图谱模块自动推理,并显示推理结果的结果:
{下列2个零件均符合设计要求
(1)“定位销型号39D 20614,D=25mm,L=60mm”;
(2)“定位销型号39D 20613,D=25mm,L=60mm”。}
步骤44:***将输出:
因为定位孔角度不等于取件方向,所以选择伸缩销,所推理的汽车焊装夹具定位销型号为:39D 20614,D=25mm,L=60mm或者为39D 20613,D=25mm,L=60mm。
***智能设计提高机械设计效率:传统机械设计3D模型结构需要数名相关领域专家进行大量的手动计算和推理设计,而基于事理图谱推理3D模型结构***可以自动推理和生成3D模型结构,大幅提高设计效率,节省设计时间和成本,从而直接减少终端产品的设计生产周期,大幅减少工程师工作量,降低人力的同时增加效率。
提高设计准确性:基于事理图谱推理3D模型结构***,能够将机械设计手册中的规则和知识转化为可计算的形式,并以图谱的形式进行存储和管理。通过对机械设计知识的深度挖掘和自动推理,设计思路和流程更准确清晰,可以提高设计精度,减少设计出错的可能性,降低重复设计风险,从而进一步减少终端产品的设计生产周期。
支持多领域设计:事理图谱推理3D模型结构***可以集成多领域知识,包括机械设计规范、材料力学、流体力学、理论力学、机械制造等方面的知识,***可以将各个领域的知识进行有效的整合,能够支持涉及多领域的复杂3D模型结构设计。
提高设计灵活性:该发明可以根据用户输入的需求,自动化地推导出符合要求的3D模型结构。用户可以通过调整输入的参数和条件,实现灵活的设计和优化。
提高产品质量和竞争力:智能化机械设计可以提高设计效率,大幅降低设计周期,从而提高产品质量和下线速度,从而提高企业的生产效率和竞争力。
虽然前面列举的实施例描述了本发明的设计方法、技术路线、***流程和***模块,但是应当理解,在不脱离本发明的范围情况下可以做出许多改变和修改。因此,前面的详细描述旨在被视为说明性的,而非限制性的,并且应当理解,旨在定义本发明的方法和***的是包括所有等同物的后续权利要求。
Claims (10)
1.基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,包括以下步骤:
步骤1:获取含有工件结构设计和约束条件的产品制造工艺数据资料;
步骤2:根据产品制造工艺数据资料,采用事理图谱推理3D模型结构的方法,将专家规则转化为三元组结构化数据,基于构建好的事理图谱,进行推理得到3D模型结构及参数;
步骤3:采用基于多视图和加工特征识别的CAD模型匹配方法,根据用户需求,获取零部件三维模型,利用多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息;
步骤4:根据待匹配零件模型的加工信息、3D模型结构及参数,采用云端容器化部署生成式模型,输出3D CAD模型。
2.根据权利要求1所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述基于多视图和加工特征识别的CAD模型匹配方法,包括以下步骤:
1)获取零部件三维模型,构造三维模型数据库,基于数据库,构建并训练基于ResNet的多视图卷积神经网络;
2)利用训练好的多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息。
3.根据权利要求2所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述步骤1)包括以下步骤:
1.1)获取采用边界表示法建模的零部件三维模型,并根据属性进行分类,将属性作为分类标签,构造三维模型数据库,将模型库内所有模型转成STL格式;
1.2)利用零部件三维模型中语义信息和拓扑结构,提取每个模型中的加工特征;
1.3)将零部件三维模型作为输入,三维模型的分类标签作为输出,训练基于ResNet的多视图卷积神经网络;
1.4)根据训练好的神经网络模型,计算每个零部件三维模型的特征向量,完成数据库的构建和多视图卷积神经网络的训练。
4.根据权利要求2所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述步骤2)包括以下步骤:
2.1)将边界表示法类型的待匹配三维模型,转换成STL格式;
2.2)采用多视图卷积神经网络对待匹配三维模型进行分类和特征向量计算;
2.3)将数据库中匹配特征向量与待匹配模型特征向量的间距从小到大排序,选择前若干个模型,完成三维模型的粗略匹配;
2.4)根据待匹配三维模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息,提取其加工特征;
2.5)根据提取到的加工特征,在粗略匹配得到的相似模型中进一步匹配,得到加工特征的类型、数量、尺寸与待匹配模型最接近的模型,完成匹配,并从模型库中得到相应的加工数据。
5.根据权利要求1所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述利用事理图谱推理3D模型结构的方法,包括以下步骤:
(1)获取专家规则,并使用自然语言处理自动提取与人工修正相结合的方式将专家规则转化为三元组结构化数据;
(2)将三元组结构化数据存储到事理图谱中并对其进行可视化;
(3)基于构建好的事理图谱,进行推理;
(4)输入待设计的机械结构的要求和条件,通过推理,并将结果进行可视化,得到3D模型结构及参数。
6.根据权利要求5所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述步骤(1)包括以下步骤:
(1.1)获取机械手册中的文本数据,并存储为可读的电子文档格式,所述文本数据包括:设计参数、材料特性、工艺要求;
(1.2)对文本数据依次进行数据清洗;
(1.3)通过自然语言处理方法对清洗后的文本数据进行分析,识别并提取其中的关键字、短语和语法结构,作为规则;
(1.4)将提取到的规则转化为三元组结构化数据并存储到SQL数据库中;
(1.5)使用实际的机械设计案例对SQL数据库中的规则进行验证及修正。
7.按照权利要求1所述的基于知识图谱和机器学习的三维CAD生成式设计方法,其特征在于,所述步骤4包括以下步骤:
①将生成式模型打包为容器,在云服务器上进行部署;
②用户的设计需求通过自然语言处理后转化为设计参数和优化目标、与待匹配零件模型的加工信息,作为生成式模型的输入,生成3D CAD模型并输出;其中,用户的设计需求包括文本语言、Excel文档和3D辅助模型。
8.基于知识图谱和机器学习的三维CAD生成式设计***,其特征在于,包括:
工艺数据获取模块,用于获取含有工件结构设计和约束条件的产品制造工艺数据资料;
图谱推理模块,用于根据产品制造工艺数据资料,采用事理图谱推理3D模型结构的方法,将专家规则转化为三元组结构化数据,基于构建好的事理图谱,进行推理得到3D模型结构及参数;
特征匹配模块,用于采用基于多视图和加工特征识别的CAD模型匹配方法,根据用户需求,获取零部件三维模型,利用多视图卷积神经网络,计算待匹配零件模型的加工特征,利用三维模型数据库进行待匹配零件模型的匹配,得到待匹配零件模型的加工信息;
模型输出模块,用于根据待匹配零件模型的加工信息、3D模型结构及参数,采用云端容器化部署生成式模型,输出3D CAD模型。
9.一种基于知识图谱和机器学习的三维CAD生成式设计装置,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1-7任一项所述的基于知识图谱和机器学习的三维CAD生成式设计方法方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的基于知识图谱和机器学习的三维CAD生成式设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246840.1A CN117235929B (zh) | 2023-09-26 | 2023-09-26 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246840.1A CN117235929B (zh) | 2023-09-26 | 2023-09-26 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235929A true CN117235929A (zh) | 2023-12-15 |
CN117235929B CN117235929B (zh) | 2024-06-04 |
Family
ID=89094560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311246840.1A Active CN117235929B (zh) | 2023-09-26 | 2023-09-26 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235929B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517176A (zh) * | 2024-01-04 | 2024-02-06 | 成都棱镜泰克生物科技有限公司 | 一种流式细胞数据自动处理方法及装置 |
CN117972813A (zh) * | 2024-03-28 | 2024-05-03 | 山东山大华天软件有限公司 | 一种面向机加工零件的智能工艺方法、***、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365341A1 (en) * | 2015-06-24 | 2018-12-20 | Hitachi, Ltd. | Three-Dimensional Cad System Device, and Knowledge Management Method Used in Three-Dimensional Cad |
US20200134477A1 (en) * | 2018-10-30 | 2020-04-30 | Samsung Electronics Co., Ltd. | System and method of integrating databases based on knowledge graph |
CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 跨语言多来源垂直领域知识图谱构建方法 |
US20210375148A1 (en) * | 2020-06-02 | 2021-12-02 | Fountech Solutions Limited | System and method for autonomous learning of contents using a machine learning algorithm |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
CN113988174A (zh) * | 2021-10-27 | 2022-01-28 | 江阴逐日信息科技有限公司 | 基于知识图谱的服装样板匹配方法、***以及设备 |
CN114021482A (zh) * | 2021-11-19 | 2022-02-08 | 江苏科技大学 | 一种基于知识图谱优化cam模板的数控编程方法 |
CN114077674A (zh) * | 2021-10-31 | 2022-02-22 | 国电南瑞科技股份有限公司 | 一种电网调度知识图谱数据优化方法及*** |
CN114417004A (zh) * | 2021-11-10 | 2022-04-29 | 南京邮电大学 | 一种知识图谱和事理图谱的融合方法、装置和*** |
CN114896472A (zh) * | 2022-05-27 | 2022-08-12 | 中国科学院空天信息创新研究院 | 一种基于多源时空数据的知识图谱机器推理***和方法 |
CN116187175A (zh) * | 2023-02-02 | 2023-05-30 | 杭州交联电气工程有限公司 | 基于电气行业知识图谱的变配电站神经网络识别方法 |
CN116340530A (zh) * | 2023-02-17 | 2023-06-27 | 江苏科技大学 | 基于机械知识图谱的智能设计方法 |
US20240012966A1 (en) * | 2020-08-20 | 2024-01-11 | Siemens Industry Software Inc. | Method and system for providing a three-dimensional computer aided-design (cad) model in a cad environment |
-
2023
- 2023-09-26 CN CN202311246840.1A patent/CN117235929B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365341A1 (en) * | 2015-06-24 | 2018-12-20 | Hitachi, Ltd. | Three-Dimensional Cad System Device, and Knowledge Management Method Used in Three-Dimensional Cad |
US20200134477A1 (en) * | 2018-10-30 | 2020-04-30 | Samsung Electronics Co., Ltd. | System and method of integrating databases based on knowledge graph |
US20210375148A1 (en) * | 2020-06-02 | 2021-12-02 | Fountech Solutions Limited | System and method for autonomous learning of contents using a machine learning algorithm |
US20240012966A1 (en) * | 2020-08-20 | 2024-01-11 | Siemens Industry Software Inc. | Method and system for providing a three-dimensional computer aided-design (cad) model in a cad environment |
CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 跨语言多来源垂直领域知识图谱构建方法 |
CN113988174A (zh) * | 2021-10-27 | 2022-01-28 | 江阴逐日信息科技有限公司 | 基于知识图谱的服装样板匹配方法、***以及设备 |
CN114077674A (zh) * | 2021-10-31 | 2022-02-22 | 国电南瑞科技股份有限公司 | 一种电网调度知识图谱数据优化方法及*** |
CN114417004A (zh) * | 2021-11-10 | 2022-04-29 | 南京邮电大学 | 一种知识图谱和事理图谱的融合方法、装置和*** |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
CN114021482A (zh) * | 2021-11-19 | 2022-02-08 | 江苏科技大学 | 一种基于知识图谱优化cam模板的数控编程方法 |
CN114896472A (zh) * | 2022-05-27 | 2022-08-12 | 中国科学院空天信息创新研究院 | 一种基于多源时空数据的知识图谱机器推理***和方法 |
CN116187175A (zh) * | 2023-02-02 | 2023-05-30 | 杭州交联电气工程有限公司 | 基于电气行业知识图谱的变配电站神经网络识别方法 |
CN116340530A (zh) * | 2023-02-17 | 2023-06-27 | 江苏科技大学 | 基于机械知识图谱的智能设计方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517176A (zh) * | 2024-01-04 | 2024-02-06 | 成都棱镜泰克生物科技有限公司 | 一种流式细胞数据自动处理方法及装置 |
CN117517176B (zh) * | 2024-01-04 | 2024-03-22 | 成都棱镜泰克生物科技有限公司 | 一种流式细胞数据自动处理方法及装置 |
CN117972813A (zh) * | 2024-03-28 | 2024-05-03 | 山东山大华天软件有限公司 | 一种面向机加工零件的智能工艺方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117235929B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117235929B (zh) | 基于知识图谱和机器学习的三维cad生成式设计方法 | |
Ahmad et al. | Current trend in computer aided process planning | |
US8346773B2 (en) | Product classification system | |
US10013510B1 (en) | Replacement part suggestion methods and systems | |
Liu et al. | A new method of reusing the manufacturing information for the slightly changed 3D CAD model | |
Zhang et al. | Intelligent configuring for agile joint jig based on smart composite jig model | |
Mbow et al. | Mathematization of experts knowledge: example of part orientation in additive manufacturing | |
CN112001047B (zh) | 一种基于pmi信息的雷达关键零部件工艺设计方法 | |
Borkar et al. | Automatic extraction of machining features from prismatic parts using STEP for downstream applications | |
Zhang et al. | A knowledge reuse-based computer-aided fixture design framework | |
CN115309912B (zh) | 集成电驱结构的知识图谱智能推理方法和快速设计方法 | |
CN114722729B (zh) | 一种刀具自动推荐方法、装置、终端及存储介质 | |
Zhang et al. | Automatic generation method of 3D process models for shaft parts based on volume decomposition | |
CN111581815B (zh) | 一种基于xml的工艺模型本体构建方法 | |
CN117236446B (zh) | 一种利用事理图谱推理3d模型结构的方法与*** | |
Xu et al. | A systematic method for automated manufacturability analysis of machining parts | |
Yan et al. | Manufacturing feature recognition method based on graph and minimum non-intersection feature volume suppression | |
Mejdal et al. | Ontology‐Based Search Engine For Simulation Models From Their Related System Function | |
Kong et al. | Research on the intelligent design system for automotive panel die based on geometry and knowledge driven | |
Shah et al. | A testbed for rapid prototyping of feature based applications | |
WO2023100587A1 (ja) | アノテーション装置及び方法 | |
CN116976034A (zh) | 一种基于cad软件的零件库*** | |
Brecher et al. | Integration of software tools with heterogeneous data structures in production plant lifecycles | |
Pabolu | DFM–Weldability analysis and system development | |
Wei et al. | Cad integration of mechanical numerical control board parts based on machining features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |