CN106951460A - 一种基于图匹配的mbd模型检索方法 - Google Patents

Abstract

一种基于图匹配的MBD模型检索方法，首先提取每个历史MBD模型的图信息并存储在MBD模型检索数据库中，然后构建检索输入模型与数据库中各个历史MBD模型的图匹配目标函数，求解各个图匹配目标函数的最优矩阵，最后根据各个图匹配目标函数的最优矩阵计算检索输入模型与数据库中各个历史MBD模型的相似度，完成MBD模型检索。本发明能够充分识别MBD模型中的语义信息，提高了检索的完整性和准确性。

Description

一种基于图匹配的MBD模型检索方法

技术领域

本发明涉及一种基于图匹配的MBD模型检索方法，通过相似度计算获取已有相似MBD模型产品，属于计算机辅助设计领域。

背景技术

随着制造加工技术的不断进步和数字化建模技术的广泛采用，以航空航天为代表的大型装备制造业逐渐采用了基于模型定义MBD(Model Based Definition)的全三维数字化设计制造方法。例如，波音公司在其737‐NX项目应用MBD技术，使其研制周期缩短了50％，设计更改减少了一半，综合成本降低了25％，且产品更加满足用户需求；在787项目中，波音公司构建的CGE平台中全面应用了MBD技术，向MBD制造技术体系逐步过渡。

我国的MBD全三维数字化设计在各大企业中广泛应用，不断提出和改进基于三维CAD软件的全三维数字化设计规范，尤其在航空航天领域内的应用水平较高，正在逐步打通整个数字化设计制造的数据链。在实际应用过程中，随着时间的积累，企业构建的MBD模型变得越来越多，这些数据信息是大量设计研发人员智慧和知识的结晶，其中包含了大量可重用知识信息，如何对这些知识资源进行有效利用，使新产品开发周期更短，成本更节约，全面提高产品构建质量和效率，成为一个亟待解决的问题。目前，主流的三维模型检索算法可分为如下三类：

(1)基于文本关键字的模型检索

作为较传统的模型检索技术，基于文本关键字的检索主要应用于企业产品数据管理(PDM)系统中，用户通过输入相应的关键字或关键词来检索相关模型。基于文本关键字的模型检索技术的可靠性与检索效率不高，对于三维模型信息知识重用借鉴意义有限。

(2)基于内容的模型检索

基于内容的模型检索利用计算机实现三维CAD模型形状信息提取(如几何特征、拓扑结构、模型形状等)，建立三维CAD模型特征索引，以此实现检索。首先，从模型中提取三维模型的特征并存储相关数据信息，建立三维模型的信息索引；然后，在多特征空间中计算带查询模型与目标模型之间的相似度，实现对三维模型资源库的浏览和检索。

(3)基于语义的模型检索

三维CAD模型信息自身的复杂性和计算机理解人类认知的困难性，模型本身几何信息和蕴含的高层语义信息之间存在“语义鸿沟”，因此，基于语义的三维CAD模型检索渐渐成为热点，主要包含三个方面：1)基于相关反馈、主动学习的方法；2)高层语义方法；3)本体与语义检索方法。

上述模型检索方法，大多数针对的是传统的三维CAD模型，并未面向包含了丰富语义信息的MBD模型。基于文本关键字的检索只关注了模型名称信息，不能反应模型中包含的语义信息，无法适用于包含了丰富语义信息的MBD模型，检索结果无法满足用户检索意图。基于内容的模型检索方法通常只考虑模型单一维度的信息，没有充分考虑模型中的语义信息，导致模型检索结果完整性和准确性较低。基于语义的模型检索方法需要构建复杂的逻辑层次结构，且该方法没有公认的标准模式，只能适应某些特殊的应用环境，在MBD模型检索中有较差的普适性。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于图匹配的MBD模型检索方法，能够充分识别MBD模型中的语义信息，检索的完整性和准确性高。

本发明的技术解决方案是：一种基于图匹配的MBD模型检索方法，包括如下步骤：

步骤一：提取每个历史MBD模型的图信息并存储在数据库中，作为后续MBD模型检索数据库，所述图信息包括结点特征属性及结点间的拓扑关系；

步骤二：构建检索输入模型与数据库中各个历史MBD模型的图匹配目标函数；

步骤三：求解各个图匹配目标函数的最优矩阵；

步骤四：根据各个图匹配目标函数的最优矩阵计算检索输入模型与数据库中各个历史MBD模型的相似度，完成MBD模型检索。

所述步骤一中每个结点的特征属性包括几何形状、几何尺寸信息和尺寸公差信息三种信息。

所述步骤一中结点间的拓扑关系定义如下：

设MBD模型两个结点分别为A和B，则用A指向B的边属性L(A,B)表示A、B之间的拓扑关系：

其中，none表示A和B之间没有依赖关系，B has‐dependence A表示B依赖于A，Ahas‐dependence B表示A依赖于B。

所述步骤二中构建检索输入模型与历史MBD模型的图匹配目标函数的方法如下：

(4.1)设检索输入模型为D，其图信息用图G_D＝(V_D，E_D)来表示，历史MBD模型为F，其图信息用图G_F(V_F，E_F)来表示，其中V_D表示检索输入模型D的特征属性，E_D表示检索输入模型D的拓扑关系，V_F表示历史MBD模型F的特征属性，E_F表示历史MBD模型F的拓扑关系，记图G_D和G_F中的结点个数分别为m和n，m＝|G_D.V|，n＝|G_F.V|；

(4.2)计算图G_D中任意一个结点与图G_F中任意一个结点的特征属性相似度；

(4.3)构建图G_D到图G_F的结点映射匹配矩阵W，W为m×n阶矩阵，矩阵W的元素为W_ai，则

其中S_sum(a,i)为G_D的结点a与G_F中的结点i的特征属性相似度。

(4.4)构建图G_D到图G_F的图间结点映射相容程度矩阵C^v，C^v为m×n阶矩阵，矩阵C^v的元素为C_ai ^v，则

(4.5)构建图G_D到图G_F的边映射相容性矩阵H，H为k×l阶矩阵，其中k为图G_D中边的个数，k＝|G_D.E|，l为图G_F中边的个数，l＝|G_F.E|，记矩阵H的元素为H^e _ai，bj则：

其中a，b为G_D的结点，i，j为G_F中的结点，

(4.6)建立图G_D与图G_F图匹配目标函数E(W)：

其中，W_ai∈{0,1}，W_bj为W的元素。

所述步骤三的实现方法如下：

(5.1)令W⁰＝W，计算

(5.2)定义两个空的(m+1)×(n+1)阶矩阵W¹和W²，计算矩阵W¹，W¹矩阵中的元素W_ai ¹＝exp(β×Q_ai)，其中Q_a(n+1)＝0，Q_(m+1)i＝0；

(5.3)对于矩阵中所有行a＝1，2，...，m+1，计算同理，对于所有列i＝1,2，...，n+1，计算置W¹＝W²；

(5.4)重复步骤(5.3)N1次，N1为大于1的自然数；

(5.5)置W＝W¹，判断是否达到预定的循环次数，如果没有，则返回步骤(5.1)，否则对得到的结点映射匹配矩阵W进行0‐1正交化处理，得到图匹配目标函数的最优矩阵。

所述步骤四中，利用如下公示计算检索输入模型D和历史MBD模型F的相似度S_G：

W_D表示检索输入模型D自身的结点映射匹配矩阵，为主对角线为1的对角矩阵，W_F表示历史MBD模型F自身的结点映射匹配矩阵，为主对角线为1的对角矩阵。

与现有技术相比，本发明具有如下有益效果：

本发明提出了一种基于MBD模型特征拓扑关系图匹配的模型检索方法，以制造特征为描述符，从MBD模型中的语义信息出发，对性信息及结点间的拓扑关系进行比较，能完整、准确、快速地获取已有MBD模型产品与检索输入模型的相似度，从而实现历史模型的有效重用，能够有效提高三维模型产品设计效率和设计质量、缩短产品研制周期。

附图说明

图1为本发明流程图；

图2为检索输入的法兰三角网格模型示意图；

图3为图2所示法兰三角网格模型的直方图；

图4为某零件的OBB信息示意图；

图5为结点间拓扑关系示意图。

具体实施方式

MBD模型中包含的绝大部分语义信息均由模型制造特征来表征，这些制造特征本身包含结点特征属性信息，同时这些制造特征间存在拓扑关系，本发明综合考虑了上述两方面信息，提出了一种基于制造特征图匹配的MBD模型检索算法，检索历史MBD模型，实现其丰富语义信息重用。

如图1所示，本发明的具体流程如下：

步骤一：提取每个历史MBD模型的图信息并存储在数据库中，作为后续MBD模型检索数据库，所述图信息包括结点特征属性及结点间的拓扑关系。每个结点的特征属性包括几何形状、几何尺寸信息和尺寸公差信息三种信息。

结点间的拓扑关系定义如下：

设MBD模型两个结点分别为A和B，则用A指向B的边属性L(A,B)表示A、B之间的拓扑关系：

其中，none表示A和B之间没有依赖关系，B has‐dependence A表示B依赖于A，Ahas‐dependence B表示A依赖于B。如图5所示。

步骤二：构建检索输入模型与数据库中各个历史MBD模型的图匹配目标函数，构建方法如下：

(4.1)设检索输入模型为D，其图信息用图G_D＝(V_D，E_D)来表示，历史MBD模型为F，其图信息用图G_F(V_F，E_F)来表示，其中V_D表示检索输入模型D的特征属性，E_D表示检索输入模型D的拓扑关系，V_F表示历史MBD模型F的特征属性，E_F表示历史MBD模型F的拓扑关系，记图G_D和G_F中的结点个数分别为m和n，m＝|G_D.V|，n＝|G_F.V|；

(4.2)计算图G_D中任意一个结点与图G_F中任意一个结点的特征属性相似度；

(4.3)构建图G_D到图G_F的结点映射匹配矩阵W，W为m×n阶矩阵，矩阵W的元素为w_ai，则

其中S_sum(a,i)为G_D的结点a与G_F中的结点i的特征属性相似度。

特征属性相似度的计算方法如下：

1)几何形状

相同类型的两个特征之间，其形状可能存在差异性，这种形状差异性是特征相似度计算的重要因素之一。为实现特征属性一致性描述，采用D2形状描述。D2形状是一种与坐标系无关(平移和旋转不变性)的模型形状描述方法，D2形状描述子构造过程如下：

a)随机采样点的生成是基于三维CAD网格模型的，如图2所示为检索输入的法兰三角网格模型。在网格模型表面随机生成均匀采样点，所有采样点集合相当于特征点云信息。确定随机采样点为10⁶个，以使计算结果既能有较高精确度，又保证了时间效率。

b)计算a)中采样点集合中每对采样点间的距离，用直方图来记录距离值分布情况。图3为图2所示法兰三角网格模型的直方图。在直方图中，横坐标表示距离，纵坐标表示根据D2距离分布函数得到的频率值。

c)根据b)中获得的特征D2直方图，特征间的形状相似性可以根据直方图的EMD距离度量。假设直方图X轴定义域可被等分为n个区间(这里n取100)，则直方图可以表示为100维向量H＝(v1，v2，…，v100)，两个相互比较特征FA和FB的形状相似性S_D可以通过计算两个100维形状描述向量间的EMD距离来获得：

其中，h^FA、h^FA分别表示特征FA和FB的直方图向量，分别表示直方图向量中元素值，n为100。

2)几何尺寸

对于几何尺寸描述，可以采用最小包围方盒(Oriented Bounding Box，OBB)来表示。包围盒算法是一种求解离散点集最优包围空间方法，OBB为较为常用的包围盒类型，特征的OBB指的是包围该特征的相对于坐标轴任意方向最小的长方体。OBB不依赖于坐标系，可实现对包围特征最大程度的紧密包裹，因此能很好地表达出特征的几何尺度信息，如图4所示为某零件的OBB信息。

记两个模型的相比较结点A1和B1之间的几何尺度信息相似度为S_OBB，a和i特征的最小包围盒L、W和H(长宽高)分a₁，a₂，a₃和b₁，b₂，b₃，则有：

3)尺寸公差

尺寸公差与表面粗糙度标准属于互换性的重大基础标准，是产品质量的重要评价标准，贯穿产品的设计、制造和检验全过程，直接影响产品生产成本和质量。

尺寸公差与表面粗糙度的相似度记为S_R，假设两个模型的相比较结点a和i的公差等级分别为IT_A和IT_B，表面粗糙度的值分别为R_A和R_B，有如下计算公式：

特征属性整体相似度记为S_sum(a,i)，有如下计算公式：

S_sum(a,i)＝0.4×S_D+0.3×S_OBB+0.3×S_R

(4.4)构建图G_D到图G_F的图间结点映射相容程度矩阵C^v，C^v为m×n阶矩阵，矩阵C^v的元素为C_ai ^v，则

(4.5)构建图G_D到图G_F的边映射相容性矩阵H，H为k×l阶矩阵，其中k为图G_D中边的个数，k＝|G_D.E|，l为图G_F中边的个数，l＝|G_F.E|，记矩阵H的元素为H^e _ai，bj则：

其中a，b为G_D的结点，i，j为G_F中的结点，

(4.6)建立图G_D与图G_F图匹配目标函数E(W)：

其中，W_ai∈{0,1}。

步骤三：求解各个图匹配目标函数的最优矩阵。

(5.1)根据检索输入模型与历史MBD模型的图信息，计算结点映射匹配矩阵W，令W⁰＝W；

(5.2)计算

(5.3)定义两个空的(m+1)×(n+1)阶矩阵W¹和W²，计算矩阵W¹，W¹矩阵中的元素W_ai ¹＝exp(β×Q_ai)，其中Q_a(n+1)＝0，Q_(m+1)i＝0，β＝0.5；

(5.4)对于矩阵中所有行a＝1，2，...，m+1，计算同理，对于所有列i＝1,2，...，n+1，计算置W¹＝W²；

(5.5)重复步骤(5.4)30次，；

(5.6)置W＝W¹，判断是否已经循环5次，如果没有，则返回步骤(5.1)，否则对得到的结点映射匹配矩阵W进行0‐1正交化处理，得到图匹配目标函数的最优矩阵。

步骤四：根据各个图匹配目标函数的最优矩阵计算检索输入模型与数据库中各个历史MBD模型的相似度，完成MBD模型检索。

计算检索输入模型D和历史MBD模型F的相似度的公式如下：

W_D表示检索输入模型D自身的结点映射匹配矩阵，为主对角线为1的对角矩阵，W_F表示历史MBD模型F自身的结点映射匹配矩阵，为主对角线为1的对角矩阵，Max(E(W_D),E(W_F))为D和F相对自身的相容程度最大值，其中

本发明能完整、准确、快速地获取已有MBD模型产品与检索输入模型的相似度，从而实现历史模型的有效重用，能够有效提高三维模型产品设计效率和设计质量、缩短产品研制周期。

本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。

Claims (6)

1.一种基于图匹配的MBD模型检索方法，其特征在于包括如下步骤：

步骤一：提取每个历史MBD模型的图信息并存储在数据库中，作为后续MBD模型检索数据库，所述图信息包括结点特征属性及结点间的拓扑关系；

步骤二：构建检索输入模型与数据库中各个历史MBD模型的图匹配目标函数；

步骤三：求解各个图匹配目标函数的最优矩阵；

步骤四：根据各个图匹配目标函数的最优矩阵计算检索输入模型与数据库中各个历史MBD模型的相似度，完成MBD模型检索。

2.根据权利要求1所述的一种基于图匹配的MBD模型检索方法，其特征在于：所述步骤一中每个结点的特征属性包括几何形状、几何尺寸信息和尺寸公差信息三种信息。

3.根据权利要求1所述的一种基于图匹配的MBD模型检索方法，其特征在于，所述步骤一中结点间的拓扑关系定义如下：

设MBD模型两个结点分别为A和B，则用A指向B的边属性L(A,B)表示A、B之间的拓扑关系：

$L(A,B)=\left\{\begin{array}{cc}0,& none\\ 1,& Bhas-dependenceA\\ -1,& Ahas-dependenceB\end{array}\right.$

其中，none表示A和B之间没有依赖关系，B has‐dependence A表示B依赖于A，A has‐dependence B表示A依赖于B。

4.根据权利要求1所述的一种基于图匹配的MBD模型检索方法，其特征在于，所述步骤二中构建检索输入模型与历史MBD模型的图匹配目标函数的方法如下：

(4.1)设检索输入模型为D，其图信息用图G_D＝(V_D，E_D)来表示，历史MBD模型为F，其图信息用图G_F(V_F，E_F)来表示，其中V_D表示检索输入模型D的特征属性，E_D表示检索输入模型D的拓扑关系，V_F表示历史MBD模型F的特征属性，E_F表示历史MBD模型F的拓扑关系，记图G_D和G_F中的结点个数分别为m和n，m＝|G_D.V|，n＝|G_F.V|；

(4.2)计算图G_D中任意一个结点与图G_F中任意一个结点的特征属性相似度；

(4.3)构建图G_D到图G_F的结点映射匹配矩阵W，W为m×n阶矩阵，矩阵W的元素为w_ai，则

$w_{ai}=\left\{\begin{array}{cc}1,& S_{sum}(a,i)>0.5\\ 0,& S_{sum}(a,i)\≤0.5\end{array}\right.$

其中S_sum(a,i)为G_D的结点a与G_F中的结点i的特征属性相似度。

(4.4)构建图G_D到图G_F的图间结点映射相容程度矩阵C^v，C^v为m×n阶矩阵，矩阵C^v的元素为C_ai ^v，则

(4.5)构建图G_D到图G_F的边映射相容性矩阵H，H为k×l阶矩阵，其中k为图G_D中边的个数，k＝|G_D.E|，l为图G_F中边的个数，l＝|G_F.E|，记矩阵H的元素为H^e _ai，bj则：

其中a，b为G_D的结点，i，j为G_F中的结点，

$h(e_{ab},e_{ij})=\left\{\begin{array}{cc}1,& L(a,b)=L(i,j)\\ 0,& L(a,b)\≠L(i,j)\end{array}\right.,0\≤H_{ai,bj}^e\≤1$

(4.6)建立图G_D与图G_F图匹配目标函数E(W)：

$E\left(W\right)=-\frac{1}{2}\underset{a=1}{\overset{m}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}\underset{b=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{W}_{ai}{W}_{bj}{H}_{ai,bj}^e-\underset{a=1}{\overset{m}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{W}_{ai}{C}_{ai}^v$

其中，W_ai∈{0,1}，W_bj为W的元素。

5.根据权利要求4所述的一种基于图匹配的MBD模型检索方法，其特征在于，所述步骤三的实现方法如下：

(5.1)令W⁰＝W，计算

$Q_{ai}=-\frac{\∂E}{\∂W_{ai}}{|}_{W=W^0}={\Σ}_{b=1}^m{\Σ}_{j=1}^n{W}_{bj}{H}_{ai,bj}^e+C_{ai}^v;$

(5.2)定义两个空的(m+1)×(n+1)阶矩阵W¹和W²，计算矩阵W¹，W¹矩阵中的元素W_ai ¹＝exp(β×Q_ai)，其中Q_a(n+1)＝0，Q_(m+1)i＝0；

(5.3)对于矩阵中所有行a＝1，2，...，m+1，计算同理，对于所有列i＝1,2，...，n+1，计算置W¹＝W²；

(5.4)重复步骤(5.3)N1次，N1为大于1的自然数；

(5.5)置W＝W¹，判断是否达到预定的循环次数，如果没有，则返回步骤(5.1)，否则对得到的结点映射匹配矩阵W进行0‐1正交化处理，得到图匹配目标函数的最优矩阵。

6.根据权利要求4所述的一种基于图匹配的MBD模型检索方法，其特征在于，所述步骤四中，利用如下公示计算检索输入模型D和历史MBD模型F的相似度S_G：

$S_G=\frac{E\left(W\right)}{Max\left(E\right(W_D),E(W_F\left)\right)}\×100\%$

W_D表示检索输入模型D自身的结点映射匹配矩阵，为主对角线为1的对角矩阵，W_F表示历史MBD模型F自身的结点映射匹配矩阵，为主对角线为1的对角矩阵。