CN108009527A - 一种面向step-nc2.5d制造特征的智能特征识别方法 - Google Patents
一种面向step-nc2.5d制造特征的智能特征识别方法 Download PDFInfo
- Publication number
- CN108009527A CN108009527A CN201711434411.1A CN201711434411A CN108009527A CN 108009527 A CN108009527 A CN 108009527A CN 201711434411 A CN201711434411 A CN 201711434411A CN 108009527 A CN108009527 A CN 108009527A
- Authority
- CN
- China
- Prior art keywords
- edge
- neural network
- weight
- determining
- feature recognition
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向STEP‑NC2.5D制造特征的智能特征识别方法,包括以下步骤:构建基于STEP中性文件的最小子图,主要包括基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成;通过基于混沌遗传算法优化的神经网络进行特征识别。本发明公开的智能特征识别方法将混沌算法、遗传算法与BP人工神经网络算法相结合,克服了BP神经收敛速度慢,容易陷入局部极值的缺陷,能够高效精准智能地识别面向STEP‑NC的2.5D制造特征,对STEP‑NC标准的进一步完善和实施具有积极的参考价值。
Description
技术领域
本发明涉及数控技术领域,具体说涉及一种面向STEP-NC2.5D制造特征的智能特征识别方法。
背景技术
目前广泛应用的ISO6983标准体系已经不足以适用于机械制造领域,因此国际标准化组织ISO提出了一个面向对象的新型NC编程数据接口国际标准STEP-NC。该标准包含了产品加工的所有信息,并提供了一种面向对象描述产品数控数据的中性机制,本质上不涉及具体的加工动作而仅面向对象和特征来描述“要加工什么”。此标准支持CAD/CAM与CNC系统之间实现双向数据传送;便于实现加工数据的共享和网络传输;能够提高生产效率。因此,STEP-NC的出现是数控技术领域的一次革命,对于智能制造的发展乃至整个制造业将产生深远的影响。由于STEP-NC是以制造特征为对象的新型NC编程数据接口国际标准,特征识别成为了实施STEP-NC重要的一步,也是实现开放性、智能化和网络化STEP-NC数控系统的关键。
目前为止,常规特征识别方法主要包括:
(1)基于边界匹配的的特征识别方法,其主要包含了三种方法:
①基于规则的特征识别方法。该方法是利用专家系统通过对规则定义的边界模型进行特征识别。然而,由于难以对每种特征类型都写出合适的规则,该方法识别的特征有一定局限性。
②基于图的特征识别方法。该方法将零件面边图中的适当子图与特征的面边图进行匹配来识别特征。虽然该方法允许用户添加新的特征类型而不必改动程序,但是该方法难以有效地识别相交特征,而且子图搜索算法是NP问题,导致识别过程十分耗时。
③基于痕迹的特征识别方法。该方法首先从零件的几何模型中提取出所有的特征痕迹,然后通过几何推理的方法来验证相对应的特征的可能性,继而构造出完整的特征。该方法中的特征痕迹生成和延拓算法依赖于具体的特征类型,难以添加新的特征类型。
(2)基于体分解的特征识别方法,其主要包含了两种方法:
①基于立体交替分解的特征识别方法:该方法首先将非凸物体表示为一棵以凸体元为节点,以布尔运算符(差或并)为中间节点的分解树,接着判别每一个叶节点是否本身对应于一个形状特征,如果不是,再采用相关的组合操作将其与其它的叶节点进行组合,使其对应于一个形状特征。该方法由于遍历时间长,存在效率低下的问题;
②基于单元体分解的特征识别方法:该方法是将物体分解成一组彼此之间只能在边界上相交的单元体的并集进行特征识别,虽然该方法明确规定了各单元体之间只能进行布尔并运算,但是分解出的单元体过多,使得识别处理任务繁重复杂。
综上所述,现有的方法虽然可以实现特征识别,但是这些方法识别的特征有一定局限性,特别是没有针对STEP-NC2.5D制造特征的方法,而且广泛存在识别效率低、准确性和智能性差的问题。
BP神经网络(Back Propagation)是一种按误差逆传播算法训练的多层前馈网络,具有超强的自学习、自组织能力,能够高效智能地处理复杂的特征识别问题。但是,BP神经网络收敛速度慢,容易陷入局部极值,而混沌算法和遗传算法可以弥补其缺点,因此将混沌算法、遗传算法与BP人工神经网络算法相结合可以进行高效、精准和智能的逻辑推理,可以解决复杂的特征识别问题。基于此,本发明提供了一种面向STEP-NC2.5D制造特征的智能特征识别方法。
发明内容
鉴于现有技术的不足,本发明是要提供一种面向STEP-NC2.5D制造特征的智能特征识别方法,该方法解决了现有方法识别特征的局限性、准确性不高,以及效率较低和智能性不强的问题。
本发明的技术方案如下:
一种面向STEP-NC2.5D制造特征的智能特征识别方法,其特征在于包括以下步骤:
步骤100、构建基于STEP中性文件的最小子图,主要包括基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成;
步骤200、通过基于混沌遗传算法优化的神经网络进行特征识别。
进一步地,所述基于STEP中性文件的几何拓扑信息提取包括:
读入CAD系统导出的STEP中性文件;
在所述STEP中性文件中搜索包含CLOSED-SHELL关键字的行;
记录该关键字所对应列表中面的总数,将面元素的行号存入数组;
依次选择数组中的面,搜寻得到选择的面中所有LOOP,所有EDGE,所有POINT的几何拓扑数据;
遍历数组中所有的面后输出信息提取结果。
进一步地,所述基于边的凹凸性判断的最小子图生成包括:
以结点的形式将基于STEP中性文件提取的几何拓扑信息表示出来,并将具有相交边的面用线连接起来;
判断两结点连线的凹凸性,从而得到属性邻接图;
根据边的凹凸性属性,去掉凸边连接并保留凹边连接,进而生成最小子图并确定最小子图的基面。
进一步地,判断两结点连线的凹凸性主要包括直线边的凹凸性判定和圆弧边的凹凸性判定;
所述直线边的凹凸性判定包括:
取邻接面F1、F2的外法向矢量分别为N1,N2;
取F1为基面,根据右手螺旋法则由平面的外法向矢量N1确定棱边e的方向矢量Ne;
根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边;
所述圆弧边的凹凸性判定包括:
根据右手螺旋法则由平面的外法向矢量N1确定方向矢量Ne;
取圆心P0及圆弧上任意一点P,则可得到P点到P0的方向向量PVec;
取边e在柱面对应的几何定义圆曲线的AXIS2_PLACEMENT_3D实体中第一个DIRECTION实体确定的矢量记为Vec,并根据RVec=PVec×Vec确定点P处切向量方向RVec;
若圆柱面是外表面,则根据N2=RVec×Vec确定N2的方向,若圆柱面是内表面,则根据N2=Vec×RVec确定N2的方向;
最后根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边。
进一步地,所述通过基于混沌遗传算法优化的神经网络进行特征识别包括:
步骤210、构建BP神经网络,并根据网络拓扑结构获取初始权值和阈值长度;
步骤220、根据BP神经网络的拓扑结构确定混沌遗传算法中染色体的长度,每个个体包括BP神经网络输入层与隐含层连接权值矩阵wij、隐含层与输出层连接权值矩阵wjk、隐含层阈值矩阵aj以及输出层阈值矩阵bk,引入混沌算法生成初始种群;
步骤230、根据个体得到BP神经网络的初始权值和阈值,并利用训练数据训练BP神经网络后输出预测系统,并计算个体适应度值,所述个体适应度值为预测输出和期望输出的误差绝对值倒数;
步骤240、根据计算得到的个体适应度值选择下一代进化种群个体,并反复经过交叉、变异、附加混沌扰动及更新下一代今后种群个体,直至满足终止条件,提取最优初始权值和阈值;
步骤250、将权值和阈值带入到神经网络中对样本进行训练,根据每次训练计算得到实际输出和期望输出的误差更新权值和阈值,直至满足终止条件;
步骤260、将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统,得到零件特征识别结果。
进一步地,所述中所述终止条件为进化代数或者满足精度条件。
进一步地,所述将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统包括
给最小子图的面中所具有的边和环赋予一定权重;
将得到的各个面的得分作为神经网络的输入,其中所述面的得分根据以下方程求得:
式中,Ei为边的权重,m为边数,Lj为环的权重,n为环数。
进一步地,本发明还公开了一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至7中任意一项所述的方法。
进一步地,本发明还公开了一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的方法。
通过上述技术方案,本发明公开的智能特征识别方法将混沌算法、遗传算法与BP人工神经网络算法相结合,克服了BP神经收敛速度慢,容易陷入局部极值的缺陷,能够高效精准智能地识别面向STEP-NC的2.5D制造特征,对STEP-NC标准的进一步完善和实施具有积极的参考价值。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明方法工作流程图;
图2a为本发明直线边的凹凸性判定示意图;
图2b为本发明圆弧边的凹凸性判定示意图;
图3为本发明基于混沌遗传算法优化的神经网络的特征识别算法流程示意图;
图4为本发明实施例中零件三维示意图;
图5为本发明实施例中零件的属性邻接图;
图6为本发明实施例中零件的最小子图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面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的描述:
如图1所示:一种面向STEP-NC2.5D制造特征的智能特征识别方法,其特征在于包括以下步骤:
步骤100、构建基于STEP中性文件的最小子图,主要包括基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成。
所述基于STEP中性文件的几何拓扑信息提取包括:
读入CAD系统导出的STEP中性文件;
在所述STEP中性文件中搜索包含CLOSED-SHELL关键字的行;
记录该关键字所对应列表中面的总数,将面元素的行号存入数组;
依次选择数组中的面,搜寻得到选择的面中所有LOOP,所有EDGE,所有POINT的几何拓扑数据;
遍历数组中所有的面后输出信息提取结果。
所述基于边的凹凸性判断的最小子图生成包括:
以结点的形式将基于STEP中性文件提取的几何拓扑信息表示出来,并将具有相交边的面用线连接起来;
判断两结点连线的凹凸性,从而得到属性邻接图;
根据边的凹凸性属性,去掉凸边连接并保留凹边连接,进而生成最小子图并确定最小子图的基面。
判断两结点连线的凹凸性主要包括直线边的凹凸性判定和圆弧边的凹凸性判定;
如图2a所示,所述直线边的凹凸性判定包括:
取邻接面F1、F2的外法向矢量分别为N1,N2;
取F1为基面,根据右手螺旋法则由平面的外法向矢量N1确定棱边e的方向矢量Ne;
根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边;
如图2b所示,所述圆弧边的凹凸性判定包括:
根据右手螺旋法则由平面的外法向矢量N1确定方向矢量Ne;
取圆心P0及圆弧上任意一点P,则可得到P点到P0的方向向量PVec;
取边e在柱面对应的几何定义圆曲线的AXIS2_PLACEMENT_3D实体中第一个DIRECTION实体确定的矢量记为Vec,并根据RVec=PVec×Vec确定点P处切向量方向RVec;
若圆柱面是外表面,则根据N2=RVec×Vec确定N2的方向,若圆柱面是内表面,则根据N2=Vec×RVec确定N2的方向;
最后根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边。
步骤200、通过基于混沌遗传算法优化的神经网络进行特征识别,如图3所示,包括:
步骤210、构建BP神经网络,并根据网络拓扑结构获取初始权值和阈值长度;
步骤220、根据BP神经网络的拓扑结构确定混沌遗传算法中染色体的长度,每个个体包括BP神经网络输入层与隐含层连接权值矩阵wij、隐含层与输出层连接权值矩阵wjk、隐含层阈值矩阵aj以及输出层阈值矩阵bk,引入混沌算法生成初始种群;
步骤230、根据个体得到BP神经网络的初始权值和阈值,并利用训练数据训练BP神经网络后输出预测系统,并计算个体适应度值,所述个体适应度值为预测输出和期望输出的误差绝对值倒数;
步骤240、根据计算得到的个体适应度值选择下一代进化种群个体,并反复经过交叉、变异、附加混沌扰动及更新下一代今后种群个体,直至满足终止条件,提取最优初始权值和阈值;
步骤250、将权值和阈值带入到神经网络中对样本进行训练,根据每次训练计算得到实际输出和期望输出的误差更新权值和阈值,直至满足终止条件;
步骤260、将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统,得到零件特征识别结果。
所述中所述终止条件为进化代数或者满足精度条件。
所述将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统包括
给最小子图的面中所具有的边和环赋予一定权重;
将得到的各个面的得分作为神经网络的输入,其中所述面的得分根据以下方程求得:
式中,Ei为边的权重,m为边数,Lj为环的权重,n为环数。
下面通过具体的应用实例对本发明的方案进行进一步说明。
如图4所示,为本实施例待识别的三维零件图,运用本发明公开的特征识别方法对上述工件进行特征识别包括以下步骤:
步骤100、构建基于STEP中性文件的最小子图
STEP中对几何形体的描述采用边界模型(B-rep)法,即所有的几何形体都是用点、线、面、环来表示。因而,构建基于STEP中性文件的属性邻接图主要包括:基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成。具体算法如下:
基于STEP中性文件的几何拓扑信息提取:(a)读入CAD系统导出的STEP文件;(b)搜寻中性文件中包含CLOSED-SHELL关键字的行;(c)记录该关键字所对应列表中面的总数,将面元素的行号存入数组;(d)依次选择数组中的面,搜寻得到选择的面中所有LOOP,所有EDGE,所有POINT的几何拓扑数据(e)是否搜寻完数组中所有的面,若是,则输出信息提取结果,若否,则执行(d);
基于边的凹凸性判断的最小子图生成:首先将上述步骤提取出来的面以结点的形式表示出来,将具有相交边的面用线连接起来,接着,判断两结点连线的凹凸性,从而得到属性邻接图,最后,根据边的凹凸性属性,去掉凸边连接保留凹边连接生成最小子图,并确定最小子图的基面。零件的属性邻接图如图5所示,其中粗线表示凹边连接,细线表示凸边连接,最小子图如6所示,其中加粗的结点表示基面。
步骤200、基于混沌遗传算法优化的神经网络的特征识别
采用混沌遗传算法优化BP神经网络初始权值和阈值,得到的最优初始权值和阈值用于BP神经网络的训练,将训练好的网络用于特征识别,其算法步骤如下:
(1)构建BP神经网络具体步骤为:
(a)输入层数n1:根据最小子图赋予权重之后的输入表达式可以确定输入层数为9;
(b)隐含层数n2:n2=2×9+1=19,隐含层数为19层;
(c)输出层数m:本实施例以5种STEP-NC2.5D特征作为神经网络的输出,分别为槽、开口式型腔、台阶、孔和闭口式型腔,其对应的BP神经网络的输出矢量分别为[1,0,0,0,0]、[0,1,0,0,0]、[0,0,1,0,0]、[0,0,0,1,0]和[0,0,0,0,1],输出层数为5。
(d)输入层和隐含层间连接权值矩阵wij[n1×n2],隐含层和输入层间连接权值矩阵wjk[m×n2];
(e)隐含层阈值矩阵aj[n2×1],输出层阈值矩阵bk[m×1];
(f)隐含层输出Hj:
f(x)表示隐含层激励函数(根据需求有多种表示式)。
(g)输出层的输出OK:
(h)误差ek:根据网络预测OK和期望输出yk差值计算得出:
ek=Ok-yk(3)
(2)获取初始权值和阈值长度
作为本发明较佳的实施方案,在本实施例中,输入层到隐含层的权值个数为171,隐含层到输出层的权值个数为95,隐含层阈值个数为19,输出层阈值个数为5。
(3)初始种群的混沌生成
作为本发明较佳的实施方案,在本实施例中,混沌遗传算法中染色体的长度为290,每个个体由BP神经网络输入层与隐含层连接权值矩阵wij、隐含层与输出层连接权值矩阵wjk、隐含层阈值矩阵aj、输出层阈值矩阵bk4部分组成。
采用Logistic映射:
其中i为混沌变量的序号,i=1,2,3,…,r,r为种群个体染色体的长度;u为种群序列号,u=1,2,…,M,M为种群的总量;βi为混沌变量;μ为混沌吸引子,μ=4。
(4)计算每个个体的适应度值
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后输出预测系统,将预测输出和期望输出的误差绝对值倒数作为个体适应度值。
式中Fi为适应度值,MSE为神经网络的预测输出和期望输出的均方误差。
(5)选择操作
根据计算出来的适应度值选择较优良的个体作为下一代进化的种群。设遗传算法中,每个个体的选择概率pi为:
式中Fi为个体i的适应度值,N为种群个体数,K为系数。
(6)交叉操作
将待优化的种群随机地进行交叉来产生新的优秀个体,采用实数交叉法进行交叉操作,第k个染色体ak和第l个染色体al在j位的交叉操作为:
其中b是在[0,1]之间随机产生的。
(7)变异操作
将待优化的种群进行基因的同位变异,选取第i个个体的第j基因aij进行变异,操作如下:
f(g)=r(1-g/Gmax)2 (9)
式中aij表示第i个个体的第j个基因,amax,amin分别为aij的最大值和最小值,r是[0,1]区间的随机数,g为当前迭代次数,Gmax为最大进化次数。
(8)附加混沌扰动
对得到的种群基因附加混沌扰动,操作如下:
δ′k=(1-α)δ*+αδk (12)
其中δ*为当前最优解映射到[0,1]区间后形成的向量,称为最优混沌向量;δk为迭代k次后的混沌向量,δ'k为加了扰动后对应的混沌向量,k为迭代次数,α的范围是[0,1],采用自适应选取,开始时希望解变动幅度大,随着迭代次数的增加,需要较大的α进行搜索,m是一个整数,根据目标函数确定。
(9)判断是否满足条件
终止条件一般为进化代数或者满足精度条件。若满足条件,则将执行(10),若不满足条件,则执行(5)。
(10)获取最优初始权值和阈值
根据混沌遗传算法求出的最优解得到BP神经网络输入层和隐含层的初始权值wij,隐含层和输出层的初始权值wjk,隐含层的初始阈值aj和输出层的初始阈值bk。
(11)计算实际输出和期望输出的误差
将权值和阈值带入到神经网络中对样本进行训练,每次训练计算得到实际输出和期望输出的误差,根据误差更新权值和阈值。本实施例中,神经网络的隐含层神经元的传递函数采用S型正切函数tansig(),输出层神经元的传递函数采用S型对数函数logsig()。训练函数是利用Levenberg-Marquardt算法对BP神经网络进行训练的,学习速率为0.1。
(12)判断是否满足条件
本实施例训练次数1000次,训练误差目标为0.001,判断误差是否满足要求或达到训练次数,若满足则训练完毕,得到用于特征识别的改进的BP神经网络,执行(13),若不满足,则执行(11)。
(13)输入待识别零件模型的最小子图信息数据
最小子图的面具有边和环,通过对面中边和环赋予一定的权重,得到各个面的得分作为神经网络的输入。面的得分由下式可得:
式中,Ei为边的权重,m为边数;Lj为环的权重,n为环数。边和环的权重表如表1所示。
表1边、环权重表
上表中,凹环表示组成这个环的边都是凹边;凸环表示组成这个环的边中至少有一条边为凸边。
作为神经网络的输入矢量,第一个元素为基面的得分,其它元素依次为从大到小的面的得分。如果最小子图的面少于9个,那么剩余元素的值都为0;如果最小子图超过9个则忽略不计,因为超过9个的其它面远离了特征基面,在特征识别过程中所起的作用很小。本实施例中,零件模型中各特征的输入矢量和期望输出矢量如表2。
表2零件模型中各特征的神经网络输入矢量和期望输出矢量
(14)输出特征识别结果
本实施例中,零件的特征识别结果如表3所示。
表3零件中各特征的识别结果
作为本发明较佳的实施方式,在MATLAB中运用本发明提供的特征识别方法进行特征识别,识别过程耗时0.014s。由此可知,本发明所提供的特征识别方法能够高效精准智能地识别面向STEP-NC的2.5D制造特征。
另外,在本发明实施例中的各步骤可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
通过上述技术方案,本发明公开的智能特征识别方法将混沌算法、遗传算法与BP人工神经网络算法相结合,克服了BP神经收敛速度慢,容易陷入局部极值的缺陷,能够高效精准智能地识别面向STEP-NC的2.5D制造特征,对STEP-NC标准的进一步完善和实施具有积极的参考价值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种面向STEP-NC2.5D制造特征的智能特征识别方法,其特征在于包括以下步骤:
步骤100、构建基于STEP中性文件的最小子图,主要包括基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成;
步骤200、通过基于混沌遗传算法优化的神经网络进行特征识别。
2.根据权利要求1所述的智能特征识别方法,其特征在于所述基于STEP中性文件的几何拓扑信息提取包括:
读入CAD系统导出的STEP中性文件;
在所述STEP中性文件中搜索包含CLOSED-SHELL关键字的行;
记录该关键字所对应列表中面的总数,将面元素的行号存入数组;
依次选择数组中的面,搜寻得到选择的面中所有LOOP,所有EDGE,所有POINT的几何拓扑数据;
遍历数组中所有的面后输出信息提取结果。
3.根据权利要求2所述的智能特征识别方法,其特征在于所述基于边的凹凸性判断的最小子图生成包括:
以结点的形式将基于STEP中性文件提取的几何拓扑信息表示出来,并将具有相交边的面用线连接起来;
判断两结点连线的凹凸性,从而得到属性邻接图;
根据边的凹凸性属性,去掉凸边连接并保留凹边连接,进而生成最小子图并确定最小子图的基面。
4.根据权利要求3所述的智能特征识别方法,其特征在于判断两结点连线的凹凸性主要包括直线边的凹凸性判定和圆弧边的凹凸性判定;
所述直线边的凹凸性判定包括:
取邻接面F1、F2的外法向矢量分别为N1,N2;
取F1为基面,根据右手螺旋法则由平面的外法向矢量N1确定棱边e的方向矢量Ne;
根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边;
所述圆弧边的凹凸性判定包括:
根据右手螺旋法则由平面的外法向矢量N1确定方向矢量Ne;
取圆心P0及圆弧上任意一点P,则可得到P点到P0的方向向量PVec;
取边e在柱面对应的几何定义圆曲线的AXIS2_PLACEMENT_3D实体中第一个DIRECTION实体确定的矢量记为Vec,并根据RVec=PVec×Vec确定点P处切向量方向RVec;
若圆柱面是外表面,则根据N2=RVec×Vec确定N2的方向,若圆柱面是内表面,则根据N2=Vec×RVec确定N2的方向;
最后根据N=Ne×N2确定方向矢量N的方向,并判断若N与N1的夹角θ满足0≤θ≤90°,则该边为凹边,若90°<θ≤180°,则该边为凸边。
5.根据权利要求1所述的智能特征识别方法,其特征在于所述通过基于混沌遗传算法优化的神经网络进行特征识别包括:
步骤210、构建BP神经网络,并根据网络拓扑结构获取初始权值和阈值长度;
步骤220、根据BP神经网络的拓扑结构确定混沌遗传算法中染色体的长度,每个个体包括BP神经网络输入层与隐含层连接权值矩阵wij、隐含层与输出层连接权值矩阵wjk、隐含层阈值矩阵aj以及输出层阈值矩阵bk,引入混沌算法生成初始种群;
步骤230、根据个体得到BP神经网络的初始权值和阈值,并利用训练数据训练BP神经网络后输出预测系统,并计算个体适应度值,所述个体适应度值为预测输出和期望输出的误差绝对值倒数;
步骤240、根据计算得到的个体适应度值选择下一代进化种群个体,并反复经过交叉、变异、附加混沌扰动及更新下一代今后种群个体,直至满足终止条件,提取最优初始权值和阈值;
步骤250、将权值和阈值带入到神经网络中对样本进行训练,根据每次训练计算得到实际输出和期望输出的误差更新权值和阈值,直至满足终止条件;
步骤260、将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统,得到零件特征识别结果。
6.根据权利要求5所述的智能特征识别方法,其特征在于所述中所述终止条件为进化代数或者满足精度条件。
7.根据权利要求5所述的智能特征识别方法,其特征在于所述将待识别零件模型的最小子图信息数据输入训练后的BP神经网络系统包括
给最小子图的面中所具有的边和环赋予一定权重;
将得到的各个面的得分作为神经网络的输入,其中所述面的得分根据以下方程求得:
<mrow>
<mi>G</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
</mrow>
式中,Ei为边的权重,m为边数,Lj为环的权重,n为环数。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至7中任意一项所述的方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434411.1A CN108009527A (zh) | 2017-12-26 | 2017-12-26 | 一种面向step-nc2.5d制造特征的智能特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434411.1A CN108009527A (zh) | 2017-12-26 | 2017-12-26 | 一种面向step-nc2.5d制造特征的智能特征识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009527A true CN108009527A (zh) | 2018-05-08 |
Family
ID=62061535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711434411.1A Pending CN108009527A (zh) | 2017-12-26 | 2017-12-26 | 一种面向step-nc2.5d制造特征的智能特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009527A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308524A (zh) * | 2018-10-23 | 2019-02-05 | 浙江工业大学 | 一种基于改进nba算法的bpnn特征识别方法 |
CN109977972A (zh) * | 2019-03-29 | 2019-07-05 | 东北大学 | 一种基于step的智能特征识别方法 |
CN110688722A (zh) * | 2019-10-17 | 2020-01-14 | 深制科技(苏州)有限公司 | 一种基于深度学习的零部件属性矩阵自动生成方法 |
CN113392484A (zh) * | 2021-08-17 | 2021-09-14 | 北京航空航天大学 | 一种基于step-nc标准的模块化三维建模方法 |
CN116842740A (zh) * | 2023-07-08 | 2023-10-03 | 四川大学 | 基于物元模型的加工特征智能识别方法 |
CN117583653A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
CN102629287A (zh) * | 2012-02-29 | 2012-08-08 | 沈阳理工大学 | 一种基于step-nc相交特征自动识别方法 |
CN107330902A (zh) * | 2017-07-04 | 2017-11-07 | 河南师范大学 | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 |
-
2017
- 2017-12-26 CN CN201711434411.1A patent/CN108009527A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
CN102629287A (zh) * | 2012-02-29 | 2012-08-08 | 沈阳理工大学 | 一种基于step-nc相交特征自动识别方法 |
CN107330902A (zh) * | 2017-07-04 | 2017-11-07 | 河南师范大学 | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 |
Non-Patent Citations (3)
Title |
---|
孟栋等: "混沌遗传算法对BP神经网络的改进研究", 《数学理论与应用》 * |
戴百生: "基于STEP的制造特征识别与三维重建技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
高远等: "基于图和神经网络的数控加工特征识别", 《机电一体化》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308524A (zh) * | 2018-10-23 | 2019-02-05 | 浙江工业大学 | 一种基于改进nba算法的bpnn特征识别方法 |
CN109977972A (zh) * | 2019-03-29 | 2019-07-05 | 东北大学 | 一种基于step的智能特征识别方法 |
CN109977972B (zh) * | 2019-03-29 | 2023-02-07 | 东北大学 | 一种基于step的智能特征识别方法 |
CN110688722A (zh) * | 2019-10-17 | 2020-01-14 | 深制科技(苏州)有限公司 | 一种基于深度学习的零部件属性矩阵自动生成方法 |
CN110688722B (zh) * | 2019-10-17 | 2023-08-08 | 深制科技(苏州)有限公司 | 一种基于深度学习的零部件属性矩阵自动生成方法 |
CN113392484A (zh) * | 2021-08-17 | 2021-09-14 | 北京航空航天大学 | 一种基于step-nc标准的模块化三维建模方法 |
CN113392484B (zh) * | 2021-08-17 | 2021-11-16 | 北京航空航天大学 | 一种基于step-nc标准的模块化三维建模方法 |
CN116842740A (zh) * | 2023-07-08 | 2023-10-03 | 四川大学 | 基于物元模型的加工特征智能识别方法 |
CN116842740B (zh) * | 2023-07-08 | 2024-05-07 | 四川大学 | 基于物元模型的加工特征智能识别方法 |
CN117583653A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
CN117583653B (zh) * | 2024-01-18 | 2024-04-09 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009527A (zh) | 一种面向step-nc2.5d制造特征的智能特征识别方法 | |
CN109241291A (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
CN109977972B (zh) | 一种基于step的智能特征识别方法 | |
Yin | Learning nonlinear principal manifolds by self-organising maps | |
CN106789149B (zh) | 采用改进型自组织特征神经网络聚类算法的入侵检测方法 | |
Karanik et al. | Reconstruction methods for AHP pairwise matrices: How reliable are they? | |
CN107067077A (zh) | 一种卷积神经网络的加权算法 | |
CN106897744A (zh) | 一种自适应设置深度置信网络参数的方法及系统 | |
CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
Liu et al. | Deep Boltzmann machines aided design based on genetic algorithms | |
Zhang et al. | A novel method based on deep reinforcement learning for machining process route planning | |
Siswantining et al. | A novel centroid initialization in missing value imputation towards mixed datasets | |
Hornby et al. | Accelerating human-computer collaborative search through learning comparative and predictive user models | |
Ao et al. | An integrated-hull design assisted by artificial intelligence-aided design method | |
CN114925190B (zh) | 一种基于规则推理与gru神经网络推理的混合推理方法 | |
CN102063640A (zh) | 基于效用差分网络的机器人行为学习模型 | |
Ardilla et al. | Batch Learning Growing Neural Gas for Sequential Point Cloud Processing | |
Wu et al. | Active 3-D shape cosegmentation with graph convolutional networks | |
Wang et al. | Parameters optimization of classifier and feature selection based on improved artificial bee colony algorithm | |
Dominguez-Olmedo et al. | On data manifolds entailed by structural causal models | |
Bonet et al. | Factored probabilistic belief tracking | |
Mazumdar et al. | Treed Gaussian Process Regression for Solving Offline Data-Driven Continuous Multiobjective Optimization Problems | |
Chen et al. | Community discovery method based on graph attention autoencoder | |
Tümer Sivri | A data-centric unsupervised 3D mesh segmentation method | |
Lu et al. | An Automatic Isotropic Triangular Grid Generation Technique Based on an Artificial Neural Network and an Advancing Front Method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |