CN108710733B - 一种基于规则的动态装配cad模型全局对称性识别方法 - Google Patents

一种基于规则的动态装配cad模型全局对称性识别方法 Download PDF

Info

Publication number
CN108710733B
CN108710733B CN201810418171.4A CN201810418171A CN108710733B CN 108710733 B CN108710733 B CN 108710733B CN 201810418171 A CN201810418171 A CN 201810418171A CN 108710733 B CN108710733 B CN 108710733B
Authority
CN
China
Prior art keywords
symmetry
rule
part set
model
parts
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.)
Active
Application number
CN201810418171.4A
Other languages
English (en)
Other versions
CN108710733A (zh
Inventor
蒋俊锋
陆洋
黄瑞
陈正鸣
何坤金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201810418171.4A priority Critical patent/CN108710733B/zh
Publication of CN108710733A publication Critical patent/CN108710733A/zh
Application granted granted Critical
Publication of CN108710733B publication Critical patent/CN108710733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/17Mechanical parametric or variational design

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于规则的动态装配CAD模型全局对称性识别方法,包括步骤1:将所有零件分类划分为若干一致零件集;步骤2:识别每个零件集对称性,并标记识别结果;步骤3:设定零件集排序规则并将零件集排序;步骤4:利用合并验证规则和运动副规则计算中间模型对称性;步骤5:递归调用步骤4,合并验证中间模型对称性,直至确定整个动态装配模型的全局对称性。本发明方法针对动态装配CAD模型全局对称性识别,设计了合并验证规则和运动副规则,这些规则是充分利用装配模型的静态信息和动态信息,并通过几何推理设计的。利用这些规则可以有效避免对运动周期进行密集采样,从而大幅提高动态对称性识别准确性与效率。

Description

一种基于规则的动态装配CAD模型全局对称性识别方法
技术领域
本发明涉及一种基于规则的动态装配CAD模型全局对称性识别方法,属于CAD/CAE集成领域技术领域。
背景技术
在现代化计算机集成制造研究领域中,工程人员对通过全局对称性识别降低装配模型CAE分析规模十分关心。装配模型通常结构复杂且数据量大,零件之间关系十分复杂,对称性识别十分困难。装配模型的全局对称性识别,对于降低CAE分析的运算规模,提高CAD/CAE的集成效率,乃至推动我国现代化数字集成制造技术的发展具有重要意义。
对称性识别研究已有较长历史并取得了丰硕成果。然而,对称性识别研究主要面向图像、点云以及网格等非CAD模型。近年来,部分学者开始研究CAD零件模型对称性识别,并取得了一定成果。目前,关于动态装配模型对称性识别的研究还很少。装配模型是在若干零件上定义装配关系装配而成,装配关系主要由共轴、共面、偏移等装配约束和镜像、阵列装配特征组成。动态装配CAD模型(简称动态装配模型)是由一系列零件模型构成,组成装配模型的零件规模庞大,几何形状复杂,并且在运动过程中状态不停变化,导致装配模型CAE分析计算量大。因此,降低装配模型CAE分析运算规模至关重要,而通过识别动态装配模型的全局对称性可以大幅降低分析规模。若CAD模型的几何形状及所受载荷都是对称的,则仅需对其中一个对称部分进行CAE分析就能得到整个CAD模型的工程分析结果。所以如何识别可动零件在运动过程中的对称性是关键技术问题。传统方法是对运动周期进行密集采样,然后识别装配模型在每个采样时刻静态对称性,最后统计所有采样时刻的静态对称性,确定整个运动周期装配模型的动态对称性。此方法存在两个问题,一是鲁棒性较低,当运动初始时刻或采样密度设置不当,可能会错过存在对称性的时刻;二是效率较低,识别某一时刻的装配体静态对称性本身较耗时耗力,而用密集采样方法识别动态对称性则更加费时,识别效率往往极低。
发明内容
本发明所要解决的技术问题是识别动态装配CAD模型的全局对称性,为解决上述技术问题,本发明提供一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,包括以下步骤:
步骤1:将所有零件分类划分为若干一致零件集;
步骤2:识别每个零件集对称性,并标记识别结果;
步骤3:零件集排序;
步骤4:利用合并验证规则和运动副规则计算中间模型对称性;
步骤5:递归调用步骤4,合并验证中间模型对称性,直至确定整个动态装配模型的全局对称性。
进一步地,步骤1所述将所有零件划分为若干一致零件集,具体包括以下步骤:
步骤1.1、获取动态装配模型完整的零件装配关系、运动副的类型以及运动接合下的零件组成;
步骤1.2、利用预设的过滤规则过滤非一致零件集;若仍不能判断,则转到下一步。
步骤1.3、提取每个零件的特征点,用四元数法验证每个点集之间的映射关系;根据点集间映射关系判断零件是否一致。
进一步地,以一致零件集为对称性识别单元,利用装配关系、已有的特征零件CAD模型与B-Rep零件模型对称性识别方法识别一致零件集对称性并标记检测结果,步骤具体包括:
Step1:如果只包含一个零件p1,则跳往Step2,否则跳往step3;
Step2:检测p1对称性,包括:
Step2.1:如果p1是装配体,则递归使用检测p1对称性的方法检测装配部分对称性;否则,跳往Step2.2;
Step2.2:如果p1不是装配体,则用零件对称性检测方法去检测p1对称性。
Step2.3:标记对称性检测结果“全部已知”。
Step3:检测零件集{p1,p2,...,pn}其中n>2的对称性:
Step3.1:使用步骤2.1和步骤2.2去计算零件集中每个零件的对称性;
Step3.2:合并验证零件集对称性;
Step3.3:如果零件集中有复制特征信息,则根据获取到的复制特征信息得到零件集间的对称性;
Step3.4:步骤3.2和3.3对称性的检测结果都表示为S({p1,p2,...,pn});
Step3.5:标记对称性检测结果“部分已知”。
进一步地,步骤3中所述零件集排序规则包括:
规则1:固定零件集优先于可动零件集;
规则2:与固定零件直连的零件集放在非直连零件集前面;
规则3:对称性全部已知的零件集放在未全部已知的零件集前面;
规则4:在对称性全部已知的零件集中,对称性数量少的零件集排在数量多零件集之前。
进一步地,用于合并验证中间模型对称性的合并验证规则,具体包括:
(1)对称性合并:在两个零件对称性已知的前提下,利用对称性合并规则确定这两个零件组成的零件集的整体对称性;
(2)对称性验证:两个零件对称性一个完全已知,一个部分已知,利用对称性验证规则确定这两个零件组成的零件集的整体对称性。
进一步地,构建运动副规则识别邻接中间模型动态对称性Sdyn(NIM),其中Sdyn(NIMn)是整个模型的最终全局对称性的检测结果。
更进一步地,运动副规则有三个输入:
(1)当前中间模型动态对称性Sdyn(CIM),其中Sdyn(CIM)为当前中间模型对称性;
(2)当前零件集初始时刻静态对称性Sd(CPS),其中Sd(CPS)为当前零件集对称性;
(3)定义当前零件集和当前中间模型间的运动副。
进一步地,当CPS满足使用运动副规则的前提条件,首先使用运动副规则去计算邻接中间模型的动态对称性,其中CPS表示当前零件集。
本发明的有益技术效果:本发明方法提出的基于规则的动态装配模型全局对称性识别方法的四个优点如下:
1、鲁棒性:本方法具有较强鲁棒性,原因有二:一是本方法与初始时刻无关并且对运动周期采样密集度不敏感;二是一致零件集的对称性包含整个模型全局对称性。因此,可以通过逐步合并验证一致零件集对称性,最终确定整个模型全局对称性。
2、有效性:本方法有效性包含如下四个方面:(1)合并验证策略能提供较好初始对称性,能够较好缩小搜索范围。(2)无需检测所有零部件局部对称性,进而能够快速确定全局对称性。(3)对零件集进行排序,有利于中间模型对称性快速逼近整个模型全局对称性。(4)利用运动副规则与合并验证策略,能够避免对运动周期进行密集采样,进而能够快速确定中间模型的对称性。
3、灵活性:本方法不仅能检测静态装配体静态对称性,还能识别动态装配体动态对称性。在没有识别到运动仿真树的前提下,可以用来检测静态对称性。同时,本方法还可用于B-Rep零件模型、特征零件模型、规则零件模型、以及包含自由曲面零件CAD模型等。
4、可扩展性:第一,可以进一步扩展运动副类型,例如圆柱副、平面副、球面副、齿轮接合等;第二,可以进一步扩展对称性类型,例如平移对称性、螺旋对称性,进而扩展本发明对称性类型识别范围。
附图说明
图1是本发明方法总体框架图;
图2是本发明方法一个实施例旋转副确定的动态对称性;
图3是本发明方法一个实施例棱柱副确定的动态对称性;
图4是本发明方法一个实施例六个动态装配模型对称性识别结果;
图5是本发明方法一个实施例四缸发动机的分层树和运动图;
图6是本发明方法一个实施例检测固定零件对称性;
图7是本发明方法一个实施例检测可动零件对称性;
图8是本发明方法一个实施例四缸发动机对称性识别结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
步骤1:将所有零件分类划分为若干一致零件集;
步骤2:识别每个零件集对称性,并标记识别结果;
步骤3:设定零件集排序规则并将零件集排序;
步骤4:利用合并验证规则和运动副规则计算中间模型;
步骤5:递归调用步骤4的方法合并验证中间模型对称性,直至确定整个动态装配模型的全局对称性。
进一步地,步骤1所述将所有零件划分为若干一致零件集,具体包括以下步骤:
步骤1.1、获取动态装配模型完整的零件装配关系、运动副的类型以及运动接合下的零件组成;
步骤1.2、利用预设的过滤规则过滤非一致零件集;若仍不能判断,则转到下一步。在一个实施例中预设的过滤规则,指利用零件间的装配复制关系或存在相同种类相同数目的拓扑元素过滤非一致零件集。
步骤1.3、提取每个零件的特征点,用四元数法验证每个点集之间的映射关系;根据点集间映射关系判断零件是否一致。所述四元数法是国际通用的方法,为现有技术,这里不做赘述。
进一步地,以一致零件集为对称性识别单元,利用装配关系、已有的特征零件CAD模型与B-Rep零件模型对称性识别方法识别一致零件集对称性并标记检测结果,步骤具体包括:
Step1:如果只包含一个零件p1,则跳往Step2,否则跳往step3;
Step2:检测p1对称性,包括:
Step2.1:如果p1是装配体,则递归使用检测p1对称性的方法检测装配部分对称性;否则,跳往Step2.2;
Step2.2:如果p1不是装配体,则用零件对称性检测方法检测p1对称性。
Step2.3:标记对称性检测结果“全部已知”。
Step3:检测零件集{p1,p2,...,pn}对称性,其中n>2:
Step3.1:使用步骤2.1和步骤2.2去计算零件集中每个零件的对称性;
Step3.2:合并验证零件集对称性;
Step3.3:如果零件集中有复制特征信息,则根据获取到的复制特征信息得到零件集间的对称性;所述的复制特征信息例如:
镜像、圆形阵列、矩形阵列等。
Step3.4:步骤3.2和3.3对称性的检测结果都表示为S({p1,p2,...,pn});
Step3.5:标记对称性检测结果“部分已知”。
进一步地,步骤3中所述零件集排序规则包括:
规则1:固定零件集优先于可动零件集;
规则2:与固定零件直连的零件集放在非直连零件集前面;
规则3:对称性全部已知的零件集放在部分已知的零件集前面;
规则4:在对称性全部已知的零件集中,对称性数量少的零件集排在数量多零件集之前。
进一步地,用于合并验证中间模型对称性的合并验证规则,具体包括:
(1)对称性合并:在两个零件对称性已知的前提下,利用对称性合并规则确定这两个零件组成的零件集的整体对称性;
(2)对称性验证:两个零件对称性一个完全已知,一个部分已知,利用对称性验证规则确定这两个零件组成的零件集的整体对称性。
为下文叙述方便,假定零件集排序为PS1,PS2,...,PSi,PSi+1,...,PSm,按顺序检测S({PS1,PS2,...,PSi}),PSi为当前零件集,第i个零件集{PS1,PS2,...,PSi}表示为当前中间模型,{PS1,PS2,...,PSi,PSi+1}为邻接中间模型;当PS表示为可动的零件集,则Sd(PS)表示可动零件在运动初始时刻的对称性;第i个当前零件集表示为CPSi,第i个当前中间模型表示为CIMi,第i个邻接中间模型表示为NIMi
以图5所示的四缸发动机对称性识别为例,详细说明本发明的步骤:
(1)将所有零件划分为一致零件集,结果如图5(a)所示,一致集用虚线框高亮表示,通过程序识别运动机构仿真,将模型划分为固定零件集和可动零件集,结果如图5(b)所示;
(2)识别每个零件集对称性,并标记识别结果。如图6和图7所示,分别检测固定零件集对称性和可动零件集对称性;
(3)零件集排序。如图5所示,可动零件被排在固定零件的后面;PS1、PS2排在最前面。然后在固定零件排序中,因为PS1的对称性全部已知,PS2部分已知,所以PS2在PS1之后。可动零件排序中,PS5的对称性是全部已知,而PS3是部分已知,所以PS5在PS3之后。同时与机架直连部分PS5和PS3放到与机架非直连部分PS4前面。由上可知,最终顺序为PS1→PS2→PS5→PS3→PS4
(4)利用合并验证规则和运动副规则计算中间模型。合并验证规则为:对于已知的对称性进行对称性合并,对于未知的对称性进行对称性验证。
根据CPS是固定零件还是可动零件,合并中间模型对称性过程可以分为以下两类:
(i)处理固定零件集:按照顺序计算固定零件对称性。根据当前中间对称性识别结果,再结合当前零件集的对称性检测结果,计算下一个邻接中间模型的对称性,最后合并固定零件集对称性,固定零件集在机械装置中一般被称为机架,用S(F)表示。
(ii)处理可动零件集:将S(F)转化为Sdyn(F),按顺序计算Sdyn(NIMm+1),Sdyn(NIMm+2),...,Sdyn(NIMn),其中Sdyn(NIMn)是整个模型的最终全局对称性的检测结果。当计算Sdyn(NIMi)时候,若满足使用运动副规则的前提条件,应首先使用运动副规则来计算Sdyn(NIMi),i=m+1,m+2,...,n。此时使用运动副规则就比使用合并验证规则的效率高。
以图5所示,四缸发动机对称性识别为例说明“对称性合并规则”和“对称性验证规则。例如零件集PS1和PS2为固定零件集,S(PS1)={Za,Zb,Cc,2},S(PS2)={Za,Zb,Cc,2},对称性合并:S(PS1∪PS2)={Za,Zb,Cc,2}。例如PS5是可动零件集:其动态对称性需考虑时刻或时间间隔,Sdyn(PS1∪PS2∪PS5)={(Za,t3),(Zb,tall),(Cc,2,t3)},Sdyn(PS3)={Za,t3},此时需验证S(PS3)={(Za,t3),(Zb,tall),(Cc,2,t3)}是否成立,验证结果如图8所示。
构建运动副规则识别邻接中间模型动态对称性Sdyn(NIM),运动副规则有三个输入:
(1)当前中间模型的动态对称性Sdyn(CIM);
(2)当前零件集初始时刻静态对称性Sd(CPS);
(3)定义当前零件集和当前中间模型间的运动副。
以下以最常用的棱柱副和旋转副为例,说明运动副规则:
与机架直连并用旋转副关联的零件,只有一个自由度,其只能围绕旋转轴作旋转运动。假定当前零件CPS是一个用旋转副与机架直连的零件。表1是旋转副规则,图2是具体实例。
与机架直连并用棱柱副关联的零件,只有一个自由度,其只能沿给定轨道作滑动运动。假定当前零件CPS是一个用棱柱副与机架直连的零件,表2是棱柱副规则,图3是具体实例。
Za表示物体具有反射对称性,反射对称面为a。若物体关于轴a,b阶旋转对称的,该旋转对称记作Ca,b。当b→∞,Ca,b表示为Ca,∞,表示该物体绕旋转轴a旋转任意角度都能与自身重合,gcd表示最大公约数。Tm为时刻或时间间隔。
如图4(a)所示轴承机构,轴的对称性是CC,∞,轴底座对称性是(Zb,tm),满足R.3规则,对称性识别结果为(Zb,tm)。如图4(b)所示凸轮机构,机架对称性(Zb,tm),凸轮对称性ZC,满足R.2规则,(Zb,tm∩tn),tn包含两个时刻。如图4(d)所示液压冲床机构,机架对称性(Zb,tm),转轮对称性CC,∞,满足R.3规则,对称性识别结果为(Zb,tm)。如图5所示,p13和p14之间存在旋转副,p13和p14的两个反射对称面共面且p13的旋转轴与反射对称面垂直,根据旋转副规则R.1,对称性为反射对称性。
表1旋转副确定的动态对称性
Figure BDA0001649959330000111
表2棱柱副确定的动态对称性
Figure BDA0001649959330000112
在对称性验证示意图中的字母t表示时刻,其他英文字母均表示对称性。如图4(b)(c)所示,分别在t=90和t=270,凸轮模型存在反射对称性a。图8所示的四缸发动机模型,反射对称性b存在于整个运动过程中;反射对称性a仅在t=0、180、360三个时刻存在;旋转对称性c,仅在t=0、180、360三个时刻存在;分别如图8(a)(b)(c)(d)所示。图4和图8中的结果显示,本方法能够正确识别这些模型的动态对称性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,包括以下步骤:
步骤1:将所有零件分类划分为若干一致零件集;
步骤2:识别每个零件集对称性,并标记识别结果;
步骤3:设定零件集排序规则并将零件集排序;
步骤4:利用合并验证规则和运动副规则计算中间模型对称性;
步骤5:递归调用步骤4的方法合并验证中间模型对称性,直至确定整个动态装配模型的全局对称性,
步骤2包括:以一致零件集为对称性识别单元,利用装配关系、已有的特征零件CAD模型与B-Rep零件模型对称性识别方法识别一致零件集对称性并标记检测结果,步骤具体包括:
Step1:如果只包含一个零件p1,则跳往Step2,否则跳往Step3;
Step2:检测p1对称性,包括:
Step2.1:如果p1是装配体,则递归使用检测p1对称性的方法检测装配部分对称性;否则,跳往Step2.2;
Step2.2:如果p1不是装配体,则用零件对称性检测方法检测p1对称性;
Step2.3:标记对称性检测结果“全部已知”;
Step3:检测零件集{p1,p2,...,pn},n>2的对称性:
Step3.1:使用步骤2.1和步骤2.2去计算零件集中每个零件的对称性;
Step3.2:合并零件集对称性;
Step3.3:如果零件集中有复制特征信息,则根据获取到的复制特征信息得到零件集间的对称性;
Step3.4:步骤3.2和3.3对称性的检测结果都表示为S({p1,p2,...,pn});
Step3.5:标记对称性检测结果“部分已知”。
2.根据权利要求1所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,步骤1所述将所有零件划分为若干一致零件集,具体包括以下步骤:
步骤1.1、获取动态装配模型完整的零件装配关系、运动副类型以及运动接合下的零件组成;
步骤1.2、利用预设的过滤规则过滤非一致零件集;若仍不能判断,则转到下一步;
步骤1.3、提取每个零件的特征点,用四元数法验证每个点集之间的映射关系;根据点集间映射关系判断零件是否一致。
3.根据权利要求1所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,步骤3中所述零件集排序规则包括:
规则1:固定零件集优先于可动零件集;
规则2:与固定零件直连的零件集放在非直连零件集前面;
规则3:对称性全部已知的零件集放在部分已知的零件集前面;
规则4:在对称性全部已知的零件集中,对称性数量少的零件集排在数量多零件集之前。
4.根据权利要求1所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,用于合并验证中间模型对称性的合并验证规则包括:
(1)对称性合并:在两个零件对称性已知的前提下,利用对称性合并规则确定这两个零件组成的零件集的整体对称性;
(2)对称性验证:两个零件对称性一个完全已知,一个部分已知,利用对称性验证规则确定这两个零件组成的零件集的整体对称性;
由于可动零件出现对称性与时刻或时间间隔有关,动态合并验证规则是在静态验证规则的基础上考虑可动零件的对称性制定的。
5.根据权利要求4所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,合并验证规则具体包括以下步骤:
(1)判断当前零件集是固定零件集还是可动零件集;
(2)若为固定零件集,按照顺序计算固定零件对称性;根据当前中间模型对称性识别结果,再结合当前零件集的对称性检测结果,计算下一个邻接中间模型的对称性,最后合并固定零件集对称性S(F);
(3)若为可动零件集:将S(F)转化为Sdyn(F),按顺序计算Sdyn(NIMm+1),Sdyn(NIMm+2),...,Sdyn(NIMn),其中Sdyn(NIMn)是整个模型的最终全局对称性的检测结果。
6.根据权利要求1所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,包括构建运动副规则识别邻接中间模型动态对称性Sdyn(NIM)。
7.根据权利要求6所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,运动副规则有三个输入:
(1)当前中间模型的动态对称性Sdyn(CIM);
(2)当前零件集初始时刻静态对称性Sd(CPS);
(3)定义当前零件集和当前中间模型间的运动副。
8.根据权利要求7所述的一种基于规则的动态装配CAD模型全局对称性识别方法,其特征在于,当CPS满足使用运动副规则的前提条件,首先使用运动副规则去计算邻接中间的动态对称性,其中CPS表示当前零件集。
CN201810418171.4A 2018-05-04 2018-05-04 一种基于规则的动态装配cad模型全局对称性识别方法 Active CN108710733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418171.4A CN108710733B (zh) 2018-05-04 2018-05-04 一种基于规则的动态装配cad模型全局对称性识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418171.4A CN108710733B (zh) 2018-05-04 2018-05-04 一种基于规则的动态装配cad模型全局对称性识别方法

Publications (2)

Publication Number Publication Date
CN108710733A CN108710733A (zh) 2018-10-26
CN108710733B true CN108710733B (zh) 2022-03-01

Family

ID=63867805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418171.4A Active CN108710733B (zh) 2018-05-04 2018-05-04 一种基于规则的动态装配cad模型全局对称性识别方法

Country Status (1)

Country Link
CN (1) CN108710733B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573194A (zh) * 2014-12-20 2015-04-29 西安工业大学 一种装配序列规划中子装配体的识别方法
CN104598683A (zh) * 2015-01-15 2015-05-06 东北大学 一种自动生成层次化爆炸图的方法
CN105243434A (zh) * 2015-09-16 2016-01-13 西安工业大学 一种装配序列规划的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213480A1 (en) * 2010-03-01 2011-09-01 Genexis Design Inc. Parametric product configuration system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573194A (zh) * 2014-12-20 2015-04-29 西安工业大学 一种装配序列规划中子装配体的识别方法
CN104598683A (zh) * 2015-01-15 2015-05-06 东北大学 一种自动生成层次化爆炸图的方法
CN105243434A (zh) * 2015-09-16 2016-01-13 西安工业大学 一种装配序列规划的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A feature-based method of rapidly detecting global exact symmetries in CAD models;Junfeng Jiang等;《Computer Aided Design》;20131231;第45卷(第8-9期);第1081-1094页 *
基于特征的静态装配CAD模型全局对称性识别方法;蒋俊锋等;《计算机辅助设计与图形学学报》;20170531;第29卷(第5期);第950-957页 *
蒋俊锋等.面向CAE分析的装配CAD模型全局对称性识别研究.《国家自然科学基金委员会:国家自然科学基金资助项目结题/成果报告》.2017,摘要、正文第1部分第2节. *
面向CAE分析的装配CAD模型全局对称性识别研究;蒋俊锋等;《国家自然科学基金委员会:国家自然科学基金资助项目结题/成果报告》;20171231;摘要、正文第1部分第2节 *
面向装配的设计评价的零件对称性自动识别方法;邵俊鹏等;《计算机集成制造系统》;20001231;第6卷(第6期);第66-69页 *

Also Published As

Publication number Publication date
CN108710733A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
Liu et al. Efficient global 2d-3d matching for camera localization in a large-scale 3d map
CN106408609B (zh) 一种基于双目视觉的并联机构末端运动位姿检测方法
Shen et al. Vehicle detection in aerial images based on lightweight deep convolutional network and generative adversarial network
US20080008021A1 (en) Method for recognizing and verifying fifo structures in integrated circuit designs
Werner et al. Reverse engineering of cryptographic cores by structural interpretation through graph analysis
CN103823887B (zh) 基于低秩全局几何一致性检验的错误匹配检测方法
CN113051969A (zh) 物件识别模型训练方法及车载装置
CN112184679A (zh) 一种基于YOLOv3的酒瓶瑕疵自动检测方法
CN102506812B (zh) 一种变形监测基准点稳定性判断的vt检验方法
CN102298703B (zh) 一种基于投影残差的分类方法
Li et al. Small Object Detection Algorithm Based on Feature Pyramid‐Enhanced Fusion SSD
CN110059292B (zh) 一种空间目标姿态识别方法
CN108710733B (zh) 一种基于规则的动态装配cad模型全局对称性识别方法
Taranco et al. A low-power hardware accelerator for ORB feature extraction in self-driving cars
Fu et al. Region‐based fully convolutional networks with deformable convolution and attention fusion for steel surface defect detection in industrial Internet of Things
CN106610879A (zh) 提高芯片cpu噪声测试效率的方法
Meribout et al. A parallel algorithm for real-time object recognition
CN109740598A (zh) 结构化场景下的目标定位方法及装置
CN110008938B (zh) 一种空间目标形状识别方法
CN103823889B (zh) 基于l1范数全局几何一致性检验的错误匹配检测方法
CN106154980A (zh) 考虑工艺凸台与零件体干涉的检测路径的检测方法及系统
CN115523871A (zh) 一种航空器表面波纹度的检测方法、装置、设备及介质
US20120124440A1 (en) Lbist diagnostic scheme
Gao et al. An enhanced percolation method for automatic detection of cracks in concrete bridges
JP2006277718A (ja) 高速画像探索方法

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