CN108470094A - 一种桁架结构三维模型智能生成方法 - Google Patents

Abstract

本发明提出一种桁架结构三维模型智能生成方法，采用分阶段的搭接式框架结构智能化辅助设计，将搭接式框架结构的三维装配建模分割为定性的搭接关系判定与定量的几何计算两个过程，使用深度学习与朱刘算法结合的方法解决了其中关键的第一阶段，即定性的搭接关系判定过程。然后使用几何计算的方法完成第二阶段，最终实现桁架结构的智能化三维建模。本发明可以有效的智能化构建框架结构的三维装配模型。使用方法性能较优，算法的时间复杂度较低，建模结果准确可靠，所构建的三维装配模型较好的保持了与既有设计原则一致，生成的框架结构模型更符合当前实际。

Description

一种桁架结构三维模型智能生成方法

技术领域

本发明涉及三维建模领域，尤其是涉及一种桁架结构三维模型智能生成方法。

背景技术

框架结构类产品在航空航天和机械产品中应用非常广泛，但是在概念设计阶段和详细设计阶段的表达形式不同，概念设计阶段通常以拓扑模型表示，这既有利于缩短研发周期，也有利于对设计原型进行有限元分析、拓扑优化与尺寸优化等工作。在随后的详细设计阶段，设计者需要基于概念设计阶段所完成的拓扑模型与型材规格表，在CAD中生成相应的三维模型以进行后续工作。这一过程如图3所示。然而，由图3(a)的拓扑模型到图3(b)的三维模型转换与构建是一个复杂、耗时的过程，需要完成大量建模工作。

不同于常见的产品装配，大量框架结构的型材零件之间采用搭接的方式进行装配，而且多数情况下每个型材的端头只搭接到一个型材的表面。因为同时搭接至两个型材的表面既增加了型材加工的难度，又产生多个装配表面，从而导致装配质量的降低。这些实际要求使得在进行框架三维建模时必须为每个型材零件选择搭接位置，并按照搭接位置进行端头形状建模。而型材零件搭接位置的选择既要考虑各型材零件加工、装配、力学传递的合理性，也要考虑最终产品进行设计变更的难易程度，甚至还需要考虑其美观因素。因此搭接式框架结构的三维装配建模是一个复杂的设计工作，它不是简单的零件定位，而是需要对型材的搭接端头进行端头形状的自动构建，以保证搭接处无干涉，目前较多依赖于现有工程经验与设计方式。此外，框架结构通常构成型材数量庞大，并组成复杂的空间结构。这就使其三维模型的构建过程非常繁琐，成为设计工作的瓶颈。而且装配设计变更也会导致一系列相关型材调整端头形状。这一过程同样意味着大量繁重工作，并且容易导致出错。

发明内容

为解决现有技术存在的问题，本发明提出一种桁架结构三维模型智能生成方法，采用分阶段的搭接式框架结构智能化辅助设计，将搭接式框架结构的三维装配建模分割为定性的搭接关系判定与定量的几何计算两个过程，使用深度学习与朱刘算法结合的方法解决了其中关键的第一阶段，即定性的搭接关系判定过程。然后使用几何计算的方法完成第二阶段，最终实现桁架结构的智能化三维建模。

本发明的技术方案为：

所述一种桁架结构三维模型智能生成方法，其特征在于：包括以下步骤：

步骤1：根据历史样例数据，训练得到深度学习模型；

所述历史样例数据包括从桁架结构中提取的零件对信息以及零件之间的搭接信息；其中零件对信息由组成零件对的两个零件的零件规格信息和拓扑关系组成；所述零件规格信息包括零件的长、高、宽、壁厚以及零件在理论轴线上的姿态矢量，所述零件姿态矢量采用零件高度方向或宽度方向的单位法向矢量描述；所述拓扑关系包括零件在拓扑模型中的端点坐标；

所述零件之间的搭接信息分为四个标签：

标签1表示桁架结构拓扑模型中的节点v_b代表的零件搭接到节点v_a代表的零件；标签2表示节点v_a代表的零件搭接到节点v_b代表的零件；标签3表示节点v_a和v_b各自代表的零件没有接触；标签4表示节点v_a和节点v_b在桁架结构三维模型中是同一个零件，在桁架结构三维模型中，经过连接点的其他零件搭接到节点v_a和节点v_b代表的同一零件的中间部位；

以历史样例数据中从桁架结构中提取的零件对信息作为输入，以零件之间的搭接信息作为输出，训练得到深度学习模型；

步骤2：对于具体的需要进行三维建模的桁架结构，获取桁架结构的拓扑模型，对拓扑模型中的每个连接点，采用以下过程得到对应该连接点的各零件对之间的初步搭接关系，建立单一连通、根节点确定的概率连接图：

步骤2.1：获取对应该连接点各零件规格信息；根据桁架结构的拓扑模型获取各零件在拓扑模型中的端点坐标；

步骤2.2：遍历该连接点出的所有零件对，将零件对信息输入步骤1建立的深度学习模型，得到每个零件对搭接关系对应四种标签的概率，取概率最大的标签作为对该零件对搭接关系的初步判断标签；建立该连接点的各零件之间装配关系的概率连接图；

步骤2.3：若步骤2.2得到的概率连接图的连通分量个数大于1，则遍历各个连通分量之间边，对于每个边，计算其搭接关系对应标签3的概率与其搭接关系对应其余三种标签的概率之差，取差值的最小值作为该边的判据值；取所有边中判据值最小的边，将该边对应零件对的搭接关系对应标签3的概率设置为0；重新计算概率连接图的连通分量，若连通分量个数仍大于1，则重复本步骤，直至概率连接图的连通分量个数等于1；

步骤2.4：对经过步骤2.3处理后的概率连接图，依据以下步骤进行处理，确定概率连接图的根节点：

步骤2.4.1：判断概率连接图中是否有搭接关系的初步判断标签为标签4的零件对存在，若有且只有一个这样的零件对存在，则判断这两个零件在拓扑模型中是否共线，若共线则构成该搭接关系的两个零件共同构成根节点，进入步骤3，如果不共线，则将该零件对搭接关系对应标签4的概率置为零；若有不止一个搭接关系的初步判断标签为标签4且两零件共线的零件对存在，则选择这些零件对中搭接关系对应标签4的概率最大的零件对共同构成根节点，并将其余搭接关系对应标签4的概率置为零，进入步骤3；若没有搭接关系的初步判断标签为标签4的零件对存在，则进入步骤2.4.2；

步骤2.4.2：寻找这样的零件：它和所有其他零件之间搭接关系的初步判断标签均为标签1；如果这样的零件存在且唯一，则将该零件确定为根节点，进入步骤3；如果这样的零件不唯一，则对这样的零件进行遍历，对于每个这样的零件，计算其参与的零件对的搭接关系对应标签1的概率与搭接关系对应标签2的概率之差，取所有差值中最小的零件对，将该零件对搭接关系的初步判断标签设置为标签2；重复本步骤，直至所述这样的零件唯一；如果这样的零件不存在，则进入步骤2.4.3；

步骤2.4.3：遍历概率连接图中所有零件对，计算每个搭接关系的初步判断标签为标签2的零件对中，搭接关系对应标签2的概率和搭接关系对应标签1的概率之差，并将差值最小的零件对的初步判断标签设置为标签1；返回步骤2.4.2；

步骤3：在步骤2得到的每个连接点对应的单一连通、根节点确定的概率连接图上，利用朱刘算法获得该连接点上各零件之间搭接关系判断的最大概率树形图，从而得到桁架结构拓扑模型中该连接点上各零件之间的最终搭接关系；

步骤4：依据步骤3得到的零件之间的最终搭接关系，结合几何计算构建桁架结构拓扑模型中该连接点处零件的三维模型；遍历拓扑模型所有连接点，最终完成完整的桁架结构三维装配模型。

有益效果

本发明的有益效果是，该方法可以有效的智能化构建框架结构的三维装配模型。使用方法性能较优，算法的时间复杂度较低，建模结果准确可靠，所构建的三维装配模型较好的保持了与既有设计原则一致，生成的框架结构模型更符合当前实际。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本方法的总体流程示意。

图2是用于训练深度神经网络的数据样例。

图3是用于实施例的三维框架，其中对连接点a处经过的零件三维建模进行实施验证。

图4是经过训练后的深度学习网络对经过连接点a的6个零件之间搭接关系进行判别所生成的连接关系图。

图5是对图4所生成的连接关系图使用朱刘算法所形成的最大概率树。

图6是对已经确定搭接关系的零件进行几何尺寸计算的示例。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本实施例中通过对图3a所示拓扑模型中箭头a所指连接点处各零件之间搭接关系的判别，展示所提方法的实现过程，同时证明该方法的可行性与有效性。由图3a可见，该处连接点既有相互正交的零件，也有斜交零件，而且经过该连接点的零件有6个，数量较多，因此对该连接点处零件之间的搭接关系判别具有一定代表性。

具体的方法包括以下步骤：

步骤1：根据历史样例数据，训练得到深度学习模型；

所述历史样例数据包括从桁架结构中提取的零件对信息以及零件之间的搭接信息；其中零件对信息由组成零件对的两个零件的零件规格信息和拓扑关系组成；所述零件规格信息包括零件的长、高、宽、壁厚以及零件在理论轴线上的姿态矢量，所述零件姿态矢量采用零件高度方向或宽度方向的单位法向矢量描述；所述拓扑关系包括零件在拓扑模型中的端点坐标；

所述零件之间的搭接信息分为四个标签：

标签1表示桁架结构拓扑模型中的节点v_b代表的零件搭接到节点v_a代表的零件；标签2表示节点v_a代表的零件搭接到节点v_b代表的零件；标签3表示节点v_a和v_b各自代表的零件没有接触；标签4表示节点v_a和节点v_b在桁架结构三维模型中是同一个零件，在桁架结构三维模型中，经过连接点的其他零件搭接到节点v_a和节点v_b代表的同一零件的中间部位；

以历史样例数据中从桁架结构中提取的零件对信息作为输入，以零件之间的搭接信息作为输出，训练得到深度学习模型。

由于需要大量训练数据，我们选择从现有框架结构三维模型中进行提取。这一过程通过几何推理实现，其具体方法是对每个参与装配的零件，首先通过其三维模型中各几何要素之间的关系，识别出其端头位置、各表面间距离等相关特性，进而产生零件的规格表与轴心线段；然后通过对零件之间的测量识别出零件间的搭接关系，并推理获得实际连接表面；最后基于实际连接表面与各零件的轴线进行推理分析，确定出理论连接点。这样既获得了训练用特征数据也获得了对应的搭接关系标签。以这种方式，选择若干典型框架结构的三维装配模型作为数据源。通过上述提取方式，就可以获得一定数量的训练数据。图2展示了用于抽取训练用特征数据的某现有三维模型。

下面将框架结构三维装配建模分割为定性的搭接关系判断与定量的几何计算两个过程，其中将框架结构三维装配建模分割为定性的搭接关系判定与定量的几何计算两个过程是建模过程的核心。针对拓扑模型中任一连接点处各零件在实际三维建模时构成树型结构这一特征，使用深度学习与朱刘算法相结合的方法，获得零件之间的搭接关系。下面以图3a所示桁架结构的拓扑模型进行三维建模为例。

步骤2：对于具体的需要进行三维建模的桁架结构，获取桁架结构的拓扑模型，对拓扑模型中的每个连接点，采用以下过程得到对应该连接点的各零件对之间的初步搭接关系，建立单一连通、根节点确定的概率连接图：

步骤2.1：获取对应该连接点各零件规格信息；根据桁架结构的拓扑模型获取各零件在拓扑模型中的端点坐标；各个零件的数据如表1：

表1由零件1-6生成的数据表

序号	1	2	3	4	5	6
							长度	1000	1000	1000	1000	1440	1440
宽度	30	30	30	30	20	20
							高度	30	30	20	30	20	20
壁厚	3	3	3	3	2	2
							端点1x坐标	1000	1000	1000	1000	1000	1000
端点1y坐标	0	0	0	0	0	0
							端点1z坐标	0	0	0	0	0	0
端点2x坐标	0	2000	100	1000	0	2000
							端点2y坐标	0	0	0	1000	1000	1000
端点2z坐标	0	0	1000	0	0	0
							宽度面法向量1	0	0	1	0	0.71	-0.71
宽度面法向量2	1	1	0	1	0.71	0.71
							宽度面法向量3	0	0	0	0	0	0

步骤2.2：遍历该连接点出的所有零件对，将零件对信息输入步骤1建立的深度学习模型，得到每个零件对搭接关系对应四种标签的概率，取概率最大的标签作为对该零件对搭接关系的初步判断标签；建立该连接点的各零件之间装配关系的概率连接图。每个零件对搭接关系对应四种标签的概率如表2所述，该连接点的各零件之间装配关系的概率连接图如图4所示。

表2深度学习网络对各零件间搭接关系判别的概率

零件1	零件2	标签1	标签2	标签3	标签4
						1	2	0.430074	0.59979	0.543075	0.80616
1	3	0.249091	0.461411	0.439024	0.70756
						1	4	0.50697	0.743054	0.464834	0.5874
1	5	0.678185	0.725415	0.676592	0.625166
						1	6	0.824558	0.467894	0.713867	0.572523
2	3	0.034575	0.463996	0.349378	0.798169
						2	4	0.137991	0.812982	0.296083	0.686129
2	5	0.084349	0.630488	0.623181	0.770978
						2	6	0.458208	0.314341	0.716699	0.552909
3	4	0.392629	0.745379	0.483566	0.749327
						3	5	0.705616	0.664094	0.627792	0.676885
3	6	0.578176	0.677198	0.543955	0.45758
						4	5	0	0.363389	1	0.830643
4	6	0.382314	0.313997	0.871797	0.857843
						5	6	0.657927	0.639531	0.626846	0.428701

步骤2.3：若步骤2.2得到的概率连接图的连通分量个数大于1，则遍历各个连通分量之间边，对于每个边，计算其搭接关系对应标签3的概率与其搭接关系对应其余三种标签的概率之差，取差值的最小值作为该边的判据值；取所有边中判据值最小的边，将该边对应零件对的搭接关系对应标签3的概率设置为0；重新计算概率连接图的连通分量，若连通分量个数仍大于1，则重复本步骤，直至概率连接图的连通分量个数等于1。如图4所示，本实施例中该图中只有一个连通分量，因此无需缩减。

步骤2.4：对经过步骤2.3处理后的概率连接图，依据以下步骤进行处理，确定概率连接图的根节点：

步骤2.4.1：判断概率连接图中是否有搭接关系的初步判断标签为标签4的零件对存在，若有且只有一个这样的零件对存在，则判断这两个零件在拓扑模型中是否共线，若共线则构成该搭接关系的两个零件共同构成根节点，进入步骤3，如果不共线，则将该零件对搭接关系对应标签4的概率置为零；若有不止一个搭接关系的初步判断标签为标签4且两零件共线的零件对存在，则选择这些零件对中搭接关系对应标签4的概率最大的零件对共同构成根节点，并将其余搭接关系对应标签4的概率置为零，进入步骤3；若没有搭接关系的初步判断标签为标签4的零件对存在，则进入步骤2.4.2；

步骤2.4.2：寻找这样的零件：它和所有其他零件之间搭接关系的初步判断标签均为标签1；如果这样的零件存在且唯一，则将该零件确定为根节点，进入步骤3；如果这样的零件不唯一，则对这样的零件进行遍历，对于每个这样的零件，计算其参与的零件对的搭接关系对应标签1的概率与搭接关系对应标签2的概率之差，取所有差值中最小的零件对，将该零件对搭接关系的初步判断标签设置为标签2；重复本步骤，直至所述这样的零件唯一；如果这样的零件不存在，则进入步骤2.4.3；

步骤2.4.3：遍历概率连接图中所有零件对，计算每个搭接关系的初步判断标签为标签2的零件对中，搭接关系对应标签2的概率和搭接关系对应标签1的概率之差，并将差值最小的零件对的初步判断标签设置为标签1；返回步骤2.4.2。

本实施例中，有多个搭接关系的初步判断标签为标签4的零件对存在，通过几何共线关系进行筛选，可以确定零件1、2共同作为根节点。

步骤3：在步骤2得到的每个连接点对应的单一连通、根节点确定的概率连接图上，利用朱刘算法获得该连接点上各零件之间搭接关系判断的最大概率树形图，从而得到桁架结构拓扑模型中该连接点上各零件之间的最终搭接关系。本实施例中利用朱刘算法获得的该连接点上各零件之间搭接关系判断的最大概率树形图及相应的各边权重如图5所示，其中权重以机器学习识别的概率进行表示。

利用朱刘算法获得该连接点上各零件之间搭接关系判断的最大概率树形图是一个比较常规的方法，具体步骤为：

首先找到根节点外的其它节点上权值最小的入边。其次在最小入边边集中寻找环。然后对环进行缩点，并重新编号。接着依据缩点结果更新图中各边权值。再重复上述步骤直到没有环为止。最后恢复各个缩点为环，并去除环中比更新后边权值大的边。

步骤4：依据步骤3得到的零件之间的最终搭接关系，结合几何计算构建桁架结构拓扑模型中该连接点处零件的三维模型；遍历拓扑模型所有连接点，最终完成完整的桁架结构三维装配模型。本实施例中，在获得零件之间搭接关系的基础上，使用如图6所示的几何计算关系获得各个零件的端头形状，并在相应的三维设计软件中进行构形。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种桁架结构三维模型智能生成方法，其特征在于：包括以下步骤：

步骤1：根据历史样例数据，训练得到深度学习模型；

所述历史样例数据包括从桁架结构中提取的零件对信息以及零件之间的搭接信息；其中零件对信息由组成零件对的两个零件的零件规格信息和拓扑关系组成；所述零件规格信息包括零件的长、高、宽、壁厚以及零件在理论轴线上的姿态矢量，所述零件姿态矢量采用零件高度方向或宽度方向的单位法向矢量描述；所述拓扑关系包括零件在拓扑模型中的端点坐标；

所述零件之间的搭接信息分为四个标签：

标签1表示桁架结构拓扑模型中的节点v_b代表的零件搭接到节点v_a代表的零件；标签2表示节点v_a代表的零件搭接到节点v_b代表的零件；标签3表示节点v_a和v_b各自代表的零件没有接触；标签4表示节点v_a和节点v_b在桁架结构三维模型中是同一个零件，在桁架结构三维模型中，经过连接点的其他零件搭接到节点v_a和节点v_b代表的同一零件的中间部位；

以历史样例数据中从桁架结构中提取的零件对信息作为输入，以零件之间的搭接信息作为输出，训练得到深度学习模型；

步骤2：对于具体的需要进行三维建模的桁架结构，获取桁架结构的拓扑模型，对拓扑模型中的每个连接点，采用以下过程得到对应该连接点的各零件对之间的初步搭接关系，建立单一连通、根节点确定的概率连接图：

步骤2.1：获取对应该连接点各零件规格信息；根据桁架结构的拓扑模型获取各零件在拓扑模型中的端点坐标；

步骤2.2：遍历该连接点出的所有零件对，将零件对信息输入步骤1建立的深度学习模型，得到每个零件对搭接关系对应四种标签的概率，取概率最大的标签作为对该零件对搭接关系的初步判断标签；建立该连接点的各零件之间装配关系的概率连接图；

步骤2.3：若步骤2.2得到的概率连接图的连通分量个数大于1，则遍历各个连通分量之间边，对于每个边，计算其搭接关系对应标签3的概率与其搭接关系对应其余三种标签的概率之差，取差值的最小值作为该边的判据值；取所有边中判据值最小的边，将该边对应零件对的搭接关系对应标签3的概率设置为0；重新计算概率连接图的连通分量，若连通分量个数仍大于1，则重复本步骤，直至概率连接图的连通分量个数等于1；

步骤2.4：对经过步骤2.3处理后的概率连接图，依据以下步骤进行处理，确定概率连接图的根节点：

步骤2.4.1：判断概率连接图中是否有搭接关系的初步判断标签为标签4的零件对存在，若有且只有一个这样的零件对存在，则判断这两个零件在拓扑模型中是否共线，若共线则构成该搭接关系的两个零件共同构成根节点，进入步骤3，如果不共线，则将该零件对搭接关系对应标签4的概率置为零；若有不止一个搭接关系的初步判断标签为标签4且两零件共线的零件对存在，则选择这些零件对中搭接关系对应标签4的概率最大的零件对共同构成根节点，并将其余搭接关系对应标签4的概率置为零，进入步骤3；若没有搭接关系的初步判断标签为标签4的零件对存在，则进入步骤2.4.2；

步骤2.4.2：寻找这样的零件：它和所有其他零件之间搭接关系的初步判断标签均为标签1；如果这样的零件存在且唯一，则将该零件确定为根节点，进入步骤3；如果这样的零件不唯一，则对这样的零件进行遍历，对于每个这样的零件，计算其参与的零件对的搭接关系对应标签1的概率与搭接关系对应标签2的概率之差，取所有差值中最小的零件对，将该零件对搭接关系的初步判断标签设置为标签2；重复本步骤，直至所述这样的零件唯一；如果这样的零件不存在，则进入步骤2.4.3；

步骤2.4.3：遍历概率连接图中所有零件对，计算每个搭接关系的初步判断标签为标签2的零件对中，搭接关系对应标签2的概率和搭接关系对应标签1的概率之差，并将差值最小的零件对的初步判断标签设置为标签1；返回步骤2.4.2；

步骤3：在步骤2得到的每个连接点对应的单一连通、根节点确定的概率连接图上，利用朱刘算法获得该连接点上各零件之间搭接关系判断的最大概率树形图，从而得到桁架结构拓扑模型中该连接点上各零件之间的最终搭接关系；

步骤4：依据步骤3得到的零件之间的最终搭接关系，结合几何计算构建桁架结构拓扑模型中该连接点处零件的三维模型；遍历拓扑模型所有连接点，最终完成完整的桁架结构三维装配模型。