CN108470094B - 一种桁架结构三维模型智能生成方法 - Google Patents
一种桁架结构三维模型智能生成方法 Download PDFInfo
- Publication number
- CN108470094B CN108470094B CN201810180513.3A CN201810180513A CN108470094B CN 108470094 B CN108470094 B CN 108470094B CN 201810180513 A CN201810180513 A CN 201810180513A CN 108470094 B CN108470094 B CN 108470094B
- Authority
- CN
- China
- Prior art keywords
- label
- probability
- parts
- lap joint
- relation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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vb代表的零件搭接到节点va代表的零件;标签2表示节点va代表的零件搭接到节点vb代表的零件;标签3表示节点va和vb各自代表的零件没有接触;标签4表示节点va和节点vb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va和节点vb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vb代表的零件搭接到节点va代表的零件;标签2表示节点va代表的零件搭接到节点vb代表的零件;标签3表示节点va和vb各自代表的零件没有接触;标签4表示节点va和节点vb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va和节点vb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vb代表的零件搭接到节点va代表的零件;标签2表示节点va代表的零件搭接到节点vb代表的零件;标签3表示节点va和vb各自代表的零件没有接触;标签4表示节点va和节点vb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va和节点vb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某一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:获取对应所述某一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:遍历所述某一连接点处的所有零件对,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零件对搭接关系的初步判断标签;建立所述某一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边的判据值;取所有边中判据值最小的边,将所述判据值最小的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,将所述所有差值中最小的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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180513.3A CN108470094B (zh) | 2018-03-05 | 2018-03-05 | 一种桁架结构三维模型智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180513.3A CN108470094B (zh) | 2018-03-05 | 2018-03-05 | 一种桁架结构三维模型智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470094A CN108470094A (zh) | 2018-08-31 |
CN108470094B true CN108470094B (zh) | 2021-04-20 |
Family
ID=63264167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810180513.3A Expired - Fee Related CN108470094B (zh) | 2018-03-05 | 2018-03-05 | 一种桁架结构三维模型智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470094B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255196A (zh) * | 2018-09-05 | 2019-01-22 | 重庆创速工业有限公司 | 一种加强筋模块的设计实现方法 |
CN109388875A (zh) * | 2018-09-05 | 2019-02-26 | 重庆创速工业有限公司 | 一种弹性元件模块的设计实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914590A (zh) * | 2014-03-12 | 2014-07-09 | 国家电网公司 | 一种电力铁塔三维实体模型生成方法 |
CN106649981A (zh) * | 2016-11-03 | 2017-05-10 | 上海卫星工程研究所 | 针对卫星桁架结构三维模型自适应创建和更新的方法 |
CN106815393A (zh) * | 2015-11-30 | 2017-06-09 | 空中客车运营有限公司 | 空间框架构造套件和空间框架 |
-
2018
- 2018-03-05 CN CN201810180513.3A patent/CN108470094B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914590A (zh) * | 2014-03-12 | 2014-07-09 | 国家电网公司 | 一种电力铁塔三维实体模型生成方法 |
CN106815393A (zh) * | 2015-11-30 | 2017-06-09 | 空中客车运营有限公司 | 空间框架构造套件和空间框架 |
CN106649981A (zh) * | 2016-11-03 | 2017-05-10 | 上海卫星工程研究所 | 针对卫星桁架结构三维模型自适应创建和更新的方法 |
Non-Patent Citations (2)
Title |
---|
基于数据分析和优化的曲面薄壳注塑件翘曲变形研究;符宇;《中国硕士学位论文全文数据库》;20151231;第1-84页 * |
航空发动机水平脉动总装生产线规划研究;魏小红 等;《航空制造技术》;20151231;第8-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470094A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113210911B (zh) | 基于图卷积网络的白车身点焊变形预测模型构建方法 | |
CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
CN108470094B (zh) | 一种桁架结构三维模型智能生成方法 | |
CN109992848B (zh) | 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 | |
CN109683552B (zh) | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | |
Liao et al. | Adaptive configuration for heterogeneous participants in decentralized federated learning | |
CN101697174B (zh) | 面向稳态热分析的零件模型自动简化及评价方法 | |
CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
CN104952065A (zh) | 一种建立服装图像多层次细节骨架模型的方法 | |
CN109344448B (zh) | 基于模糊-fqd的螺旋锥齿轮形性协同制造优化方法 | |
CN109359360B (zh) | 一种基于局部特征的结构应力处理方法 | |
CN109636077B (zh) | 基于双重局部位姿变换的变节点装配路径规划方法 | |
Wu et al. | Distributed filter design for cooperative ho-type estimation | |
Zirngibl et al. | APPROACH FOR THE AUTOMATED AND DATA-BASED DESIGN OF MECHANICAL JOINTS. | |
CN111079208A (zh) | 基于粒子群优化算法的cad模型之间面对应关系识别方法 | |
CN103793597B (zh) | 基于完备主干子系统的模型相似度度量方法 | |
CN112131665B (zh) | 一种基于网格分类的火箭流固载荷混合转换方法 | |
CN109684471B (zh) | 一种ai智能文本处理系统在新零售领域的应用方法 | |
CN109977572B (zh) | 一种产品零件知识单元关系网络构建方法 | |
CN109711040B (zh) | 一种基于搜索方向学习的智能工业设计强化学习算法 | |
CN109086492B (zh) | 一种车身结构三维模型的线框表示及变形方法及系统 | |
CN104268945A (zh) | 一种基于等位面的聚变反应堆中子输运计算中的样条面处理方法 | |
CN117495932B (zh) | 一种电力设备异源点云配准方法及系统 | |
CN114169500B (zh) | 一种基于小规模电磁数据的神经网络模型处理方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210420 |
|
CF01 | Termination of patent right due to non-payment of annual fee |