CN105574265A - 面向模型检索的装配体模型定量描述方法 - Google Patents

Abstract

本发明公开了一种面向模型检索的装配体模型定量描述方法，用于解决现有装配体模型定量描述方法检索效率低的技术问题。技术方案是首先计算零件模型表面上随机两点之间的欧式距离，通过对距离分布直方图进行提取，将每个零件表示成1024维空间中的一个点，以这样的点对零件模型本身进行独立准确的定量描述。进而将装配体模型表示成一系列点的集合，其中每个点表示该装配体模型中的一个零件。采用点集的形式对装配体模型进行定量描述，在保证描述精度的同时，使零件模型的描述结果只依赖于模型本身，不受其他因素影响；采用点集的形式对装配体模型进行定量描述，与背景技术相比，减小了检索算法复杂度，提高了检索效率。

Description

面向模型检索的装配体模型定量描述方法

技术领域

本发明涉及一种装配体模型定量描述方法，特别涉及一种面向模型检索的装配体模型定量描述方法。

背景技术

检索已有的产品模型，对模型中包含的设计知识进行重用，是减少设计工作、提高产品研发效率的有效手段。在工程实际中，大部分机械产品都是以装配体的形式存在的。装配体作为零件的集合，能够集成地表现产品的功能、结构等设计信息，相对于零件，以装配体模型为对象可以实现更高层次上的设计重用。通过计算机对装配体模型进行自动检索，能够在进行设计重用的同时显著提高重用效率，而其中一个必需环节则是对装配体模型的几何信息进行定量描述。当前，在计算机辅助设计领域，已经出现了针对零件模型检索的模型描述方法，但能够对装配体模型进行定量描述并且支持装配体模型检索的描述方式并不多。

文献“Genericfaceadjacencygraphforautomaticcommondesignstructurediscoveryinassemblymodels.Computer-AidedDesign.2013,45(8-9):1138-1151.”公开了一种广义面邻接图(GenericFaceAdjacentGraph,GFAG)对装配体模型进行定量描述。GFAG的生成包括5个步骤：(1)从装配体模型中获取GFAG的节点集V和边集E，将装配模型表示为图G＝(V,E)，其中，节点集V＝{v₁,v₂,…}中的元素v_i对应于装配模型中的一个零件，边集E＝{e₁,e₂,…}中的元素e_i对应于节点某两个之间的装配约束关系；(2)量化几何元素信息；(3)量化单零件模型；(4)量化GFAG的边集E；(5)量化GFAG的节点集V，完成对装配体模型的定量描述。文献所述方法对装配体中每个零件的描述不是独立的，每一个零件的描述都会受到相接触零件的影响，这就导致了同一个零件在不同的装配体模型中会有不同的描述结果。另外，该描述方式采用了图结构作为基础，在装配体模型包含大量零件时检索效率会大大降低。

发明内容

为了克服现有装配体模型定量描述方法检索效率低的不足，本发明提供一种面向模型检索的装配体模型定量描述方法。该方法首先计算零件模型表面上随机两点之间的欧式距离，通过对距离分布直方图进行提取，将每个零件表示成1024维空间中的一个点，以这样的点对零件模型本身进行独立准确的定量描述。进而将装配体模型表示成一系列点的集合，其中每个点表示该装配体模型中的一个零件。采用点集的形式对装配体模型进行定量描述，在后续的相似性计算中通过点集的匹配减小算法复杂度，以提高检索效率。

本发明解决其技术问题所采用的技术方案：一种面向模型检索的装配体模型定量描述方法，其特点是包括以下步骤：

1.将装配体模型j分解为n个零件模型。其中j表示某一个具体的装配体模型，n是零件模型的个数。

2.对于单个零件模型，采用随机采样，通过对采样点之间的距离进行度量和统计，将零件转化为1024维空间中的一个点。

2-1.对于第i个零件模型，随机在其表面采集两个不同的点，其坐标分别为(x₁,x₂,x₃)和(y₁,y₂,y₃)，测量两个点之间的欧式距离D

$D=\sqrt{{\Σ}_{t=1}^3-{(x_t-y_t)}^2}---\left(1\right)$

2-2.重复1024²次，并且记录每一次采样所计算得到的距离值。根据采样计算结果，生成包含1024个组的等组距直方图，其中，组距d为

$d=\frac{D_{max}-D_{min}}{1024}---\left(2\right)$

式中，D_max和D_min分别表示采样所得距离中的最大值和最小值。

2-3.计算直方图中第t个组的频率h_t

$h_t=\frac{m_t}{{1024}^2}---\left(3\right)$

式中，m_t是第t个组的频数。

由于使用了频率作为纵坐标来绘制直方图，所以直方图各个组的频率需要满足以下条件：

${\Σ}_{t=1}^{1024}{h}_t=1---\left(4\right)$

2-4.将直方图转化为给定空间中的一个点，用以表示单个零件模型。构建一个1024维的实数空间C，C中的每一个点代表一个零件模型：

$\left\{\begin{array}{c}C\⋐R^{1024}\\ p\∈C\\ p=(x_1,x_2,...,x_{1024})\end{array}\right.---\left(5\right)$

式中，p表示空间C中的一个点，x_t(1≤t≤1024)是点p的第t个坐标并且x_t≥0(1≤t≤1024)。

点p的第t个坐标对应直方图中第t个组的频率：

x_t＝h_t(1≤t≤1024)(6)

通过以上步骤，第i个零件模型就转化为空间C中的一个点p_j.i。C中不同位置的点对应不同形状的零件模型，也就是说，不同的点区分不同的零件模型。

3.对装配体模型j中每一个零件模型重复步骤2，则将所有零件模型都转化为空间C中的点，相应地将装配体模型转化成点集。因此，装配体模型j表示为：

A_j＝{p_j,1,p_j,2,…,p_j,n}(7)

其中，A_j是表示装配体模型j的点集，n是装配体模型中零件模型的个数，p_j,i(1≤i≤n)是表示装配体模型j中第i个零件模型的点。

将装配体模型转化为点集之后，装配体模型的检索问题就变成了点集之间的匹配问题。通过已有的方法对点集进行匹配，并且对匹配结果进行量化分析，得到装配体模型之间的相似度，完成装配体模型的检索。

本发明的有益效果是：本发明方法首先计算零件模型表面上随机两点之间的欧式距离，通过对距离分布直方图进行提取，将每个零件表示成1024维空间中的一个点，以这样的点对零件模型本身进行独立准确的定量描述。进而将装配体模型表示成一系列点的集合，其中每个点表示该装配体模型中的一个零件。采用点集的形式对装配体模型进行定量描述，在后续的相似性计算中通过点集的匹配减小算法复杂度，提高了检索效率。由于通过在零件模型表面随机采点并统计点之间距离，将距离分布直方图转换成1024维的点来定量描述零件模型，在保证描述精度的同时，使零件模型的描述结果只依赖于模型本身，不受其他因素影响；使用点集的形式对装配体模型进行定量表示，与图结构相比，减小检索算法复杂度，提高检索效率，并且在装配体模型包含大量零件的情况下对检索算法复杂度的影响小。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明面向模型检索的装配体模型定量描述方法的流程图。

图2是本发明方法具体实施方式中锁紧夹头A的装配体模型。

图3是本发明方法具体实施方式中锁紧夹头B的装配体模型。

图4是本发明方法具体实施方式中锁紧夹头C的装配体模型。

图5是本发明方法具体实施方式中锁紧夹头D的装配体模型。

图6是本发明方法具体实施方式中锁紧夹头E的装配体模型。

图7是本发明方法具体实施方式中锁紧夹头F的装配体模型。

图8是本发明方法具体实施方式中线性作动器G的装配体模型。

图9是本发明方法具体实施方式中线性作动器H的装配体模型。

图10是本发明方法具体实施方式中线性作动器I的装配体模型。

图11是本发明方法具体实施方式中锁紧夹头A中的一个零件模型J。

图12是本发明方法具体实施方式中锁紧夹头A中的一个零件模型K。

图13是本发明方法具体实施方式中以锁紧夹头A为查询进行检索所得结果。

具体实施方式

参照图1-13。本发明面向模型检索的装配体模型定量描述方法具体步骤如下：

对于每一个装配体模型，本实施例在形状分布的基础上，将装配体模型中每一个零件定量表示成一个点，以点集的形式对装配体模型进行表示。此后通过点集的匹配，获得装配体模型之间的相似度，完成装配体模型的检索。针对锁紧夹头A的装配体模型，其具体步骤描述如下。

1.将锁紧夹头A分解为27个零件模型。

2.对于零件模型J，采用随机采样，通过对采样点之间的距离进行度量和统计，将零件转化为1024维空间中的一个点，来达到零件模型定量描述的目的。具体步骤如下：

2-1.随机在零件模型J表面采集两个不同的点，其坐标分别为(x₁,x₂,x₃)和(y₁,y₂,y₃)，测量两个点之间的欧式距离D

$D=\sqrt{{\Σ}_{t=1}^3-{(x_t-y_t)}^2}---\left(8\right)$

2-2.重复1024²次，并且记录每一次采样所计算得到的距离值。根据采样计算结果，生成包含1024个组的等组距直方图，其中，组距d为

$d=\frac{D_{max}-D_{min}}{1024}---\left(9\right)$

式中，D_max和D_min分别表示采样所得距离中的最大值和最小值。

2-3.计算直方图中第t个组的频率h_t

$h_t=\frac{m_t}{{1024}^2}---\left(10\right)$

式中，m_t是第t个组的频数。

由于本发明使用了频率作为纵坐标来绘制直方图，所以直方图各个组的频率需要满足以下条件：

${\Σ}_{t=1}^{1024}{h}_t=1---\left(11\right)$

2-4.对直方图做进一步处理，将其转化为给定空间中的一个点，用以表示该零件模型。构建一个1024维的实数空间C，C中的每一个点代表一个零件模型：

$\left\{\begin{array}{c}C\⋐R^{1024}\\ p\∈C\\ p=(x_1,x_2,...,x_{1024})\end{array}\right.---\left(12\right)$

式中，p表示空间C中的一个点，x_t(1≤t≤1024)是点p的第t个坐标并且x_t≥0(1≤t≤1024)。

点p的第t个坐标对应直方图中第t个组的频率：

x_t＝h_t(1≤t≤1024)(13)

通过以上步骤，零件模型J就描述为空间C中的一个点(0.38,0,0,…,0.06,0.05)×10^-4。

通过同样的步骤，零件模型K描述为空间C中的一个点(0.53,0,0,…,0.06,0.06)×10^-4。由此可见，表示不同零件模型的点在C中具有不同的位置，也就是说，不同的点区分不同的零件模型。这样，就达到了零件模型定量描述的目的。

3.对锁紧夹头A中每一个零件模型重复步骤2，则将所有零件模型都转化为空间C中的点，相应地锁紧夹头A的装配体模型转化成点集。因此，对于锁紧夹头A来说，其表示为点集A_A＝{p_A,1,p_A,2,…,p_A,27}，其中p_A,i是表示锁紧夹头A中第i个零件模型的点。

根据以上步骤，将锁紧夹头B、锁紧夹头C、锁紧夹头D、锁紧夹头E、锁紧夹头F、线性作动器G、线性作动器H、线性作动器I分别描述为点集A_B＝{p_B,1,p_B,2,…,p_B,23}，A_C＝{p_C,1,p_C,2,…,p_C,23}，A_D＝{p_D,1,p_D,2,…,p_D,28}，A_E＝{p_E,1,p_E,2,…,p_E,28}，A_F＝{p_F,1,p_F,2,…,p_F,28}，A_G＝{p_G,1,p_G,2,…,p_G,17}，A_H＝{p_H,1,p_H,2,…,p_H,16}，A_I＝{p_I,1,p_I,2,…,p_I,16}。之后，装配体模型的检索问题就变成了点集之间的匹配问题。本实施实例采用EarthMover'sDistance(EMD)算法对点集进行匹配。以图2-图10装配体模型为检索对象，以锁紧夹头A为查询对象，图13是检索结果，检索结果下的数字表示计算所得的相似度。检索结果表示，相似的装配体模型之间相似度高，而不相似的装配体模型之间相似度低，根据相似度的排序就可以检索出相似装配体模型。

该实施实例表明，本发明提出的装配模型定量描述方法可用于装配体模型的检索，并能够取得较好的效果。

Claims (1)

1.一种面向模型检索的装配体模型定量描述方法，其特征在于包括以下步骤：

1.将装配体模型j分解为n个零件模型；其中j表示某一个具体的装配体模型，n是零件模型的个数；

2.对于单个零件模型，采用随机采样，通过对采样点之间的距离进行度量和统计，将零件转化为1024维空间中的一个点；

2-1.对于第i个零件模型，随机在其表面采集两个不同的点，其坐标分别为(x₁,x₂,x₃)和(y₁,y₂,y₃)，测量两个点之间的欧式距离D

$D=\sqrt{{\mathrm{\Σ}}_{t=1}^3{(x_t-y_t)}^2}---\left(1\right)$

2-2.重复1024²次，并且记录每一次采样所计算得到的距离值；根据采样计算结果，生成包含1024个组的等组距直方图，其中，组距d为

$d=\frac{D_{max}-D_{min}}{1024}---\left(2\right)$

式中，D_max和D_min分别表示采样所得距离中的最大值和最小值；

2-3.计算直方图中第t个组的频率h_t

$h_t=\frac{m_t}{{1024}^2}---\left(3\right)$

式中，m_t是第t个组的频数；

由于使用了频率作为纵坐标来绘制直方图，所以直方图各个组的频率需要满足以下条件：

${\mathrm{\Σ}}_{t=1}^{1024}{h}_t=1---\left(4\right)$

2-4.将直方图转化为给定空间中的一个点，用以表示单个零件模型；构建一个1024维的实数空间C，C中的每一个点代表一个零件模型：

$\left\{\begin{array}{c}C\⋐R^{1024}\\ p\∈C\\ p=(x_1,x_2,...,x_{1024})\end{array}\right.---\left(5\right)$

式中，p表示空间C中的一个点，x_t(1≤t≤1024)是点p的第t个坐标并且x_t≥0(1≤t≤1024)；

点p的第t个坐标对应直方图中第t个组的频率：

x_t＝h_t(1≤t≤1024)(6)

通过以上步骤，第i个零件模型就转化为空间C中的一个点p_j.i；C中不同位置的点对应不同形状的零件模型，也就是说，不同的点区分不同的零件模型；

3.对装配体模型j中每一个零件模型重复步骤2，则将所有零件模型都转化为空间C中的点，相应地将装配体模型转化成点集；因此，装配体模型j表示为：

A_j＝{p_j,1,p_j,2,…,p_j,n}(7)

其中，A_j是表示装配体模型j的点集，n是装配体模型中零件模型的个数，p_j,i(1≤i≤n)是表示装配体模型j中第i个零件模型的点；

将装配体模型转化为点集之后，装配体模型的检索问题就变成了点集之间的匹配问题；通过已有的方法对点集进行匹配，并且对匹配结果进行量化分析，得到装配体模型之间的相似度，完成装配体模型的检索。