CN111222266A - 基于体积预测运动物品的物理性能 - Google Patents

Abstract

本发明涉及一种估计与运动物品的区域相关的物理性能的方法，包括以下步骤：(a.)确定所述区域内的多个结构特征；(b.)为每个结构特征确定特征值；(c.)将每个特征值映射到物理性能，其中所述映射基于来自有限多个样本的机器学习算法，以及其中每个样本将特征值与所述物理性能的值相关联；以及(d.)使用所述映射来估计所述区域的所述物理性能。

Description

基于体积预测运动物品的物理性能

技术领域

本发明涉及一种估计与运动物品的区域相关联的物理性能的方法以及涉及一种制造运动物品的至少一部分的方法。

背景技术

现代生产技术，例如增材制造(例如3D打印)和通过机器人组装(可能许多)部件，通常需要在实际执行制造过程之前对所述过程进行模拟。这种模拟的目的是验证所述制造过程实际上是可行的。例如，在3D打印中，主要问题是梁结构的印刷适性，所述梁结构可能由于重力引起的变形效应而受损。

用于这种模拟的可用工具包括例如有限元法(FEM)。在这种模拟中分析的物理性能通常反映了产品对施加一些力或扭矩的反应。实例包括弹性、刚度、剪切阻力、弯曲刚度和3D打印情况下的印刷适性。

然而，即使在现代计算机上，现代技术水平的模拟技术如FEM需要相当长的运行时间，通常大约为几个小时，这使得其非常昂贵。而且，由于在设计过程期间经常使用这种模拟的结果来验证当前设计，所以整个过程被延迟并且较少响应。由于长的模拟时间，设计者要尝试的设计的数量可能受到限制。

发明内容

因此，本发明的目的是提供一种显著加速现代制造技术的模拟过程的方法。

该目的通过一种估计与运动物品的区域相关联的物理性能的方法来实现，包括以下步骤：(a.)确定该区域内的多个结构特征；(b.)为每个结构特征确定与该区域相关联的值；(c.)提供将特征值映射到表示物理性能的值的映射，其中该映射基于多个样本，以及其中每个样本将特征值与物理性能的值相关联；以及(d.)使用该映射来估计物理性能。

根据本发明的方法通过估计运动物品的区域的物理性能而最小化了对确定该物理性能的昂贵且冗长的模拟的需要。通过该技术可以评估的一个方面是产品的可生产性。一个好的例子是在铣床上加工零件的可生产性。该零件的可生产性取决于其复杂性以及铣床是否提供所需的轴的数量和类型。在增材制造的情况下，可生产性有效地意味着印刷适性。3D几何形状是否可在某一打印机上打印取决于打印机用于创建几何形状的技术。3D打印中的一个关键问题是打印悬垂几何形状的能力。利用类似选择性激光烧结的技术，在几何形状的悬垂部分被印刷在粉末内的情况下，该部分没有挑战。使用其它打印技术，如熔融沉积成型或立体平版印刷，该部分在大气中固化或浸没在液体中。在两种情况下，仅可能悬垂到一定角度。此后，几何形状将变形或塌陷。对于超过该角度的部分，要么必须增加支撑结构，要么无法再进行打印。存在随着打印几何形状和打印机技术而变化的各种参数，这些参数都影响给定结构的可生产性/印刷适性。影响印刷适性的其它参数的实例包括结构的厚度、打印速度、分辨率/细节和(粉末、树脂等的)排水(drainage)。

为了根据本发明的方法表征该区域，确定该区域内的多个结构特征。这些特征对应于该区域中的材料结构，以及例如可以描述该区域中材料的分布。为该区域内的这些结构特征中的每一个确定一个值。因此，特征的值是特定区域的特性。由于不同的区域通常具有不同的材料分布，所以它们相应的结构特征值是不同的。

在下一步骤中，使用映射来估计物理性能的值。映射基于多个样本，这些样本例如通过之前进行的昂贵的模拟获得。例如，FEM模拟可已经用于产生样本。样本将特定特征值关联(即映射)到该FEM模拟的结果，例如在上述3D打印示例中的印刷适性。然后，首先使用样本，以使用例如机器学习算法来获得映射。然后少量的剩余样本可被用于测试映射。

在最后的步骤中，代替使用例如昂贵的FEM模拟，使用映射来估计物理性能。这显著地减少了计算时间。因此，FEM模拟对特定的运动物品运行一次，但是其结果可以重复用于具有不同结构的不同运动物品。

该区域可以被分成子区域。这些子区域可以对应于某些结构特征的邻域。例如，在中底中，结构特征可以是梁，以及对于鞋面，它们可以是补片。

该区域可以由六面体界定。六面体是任何多面体，即任何具有六个面的三维几何形状。它可以在三维情况下用于以规则或不规则的方式细分区域。

该区域可以由四边形界定。四边形是具有四个边的多边形，即二维几何形状。它可以在二维情况下用于以规则或不规则方式细分区域。

结构特征可以与子区域相关联。特征可以与每个子区域相关联。这样，获得了适于被馈送到例如神经网络中的特征向量。因此，与子区域相关联的特征值产生特定区域的“指纹”。

子区域可以是细分该区域的体素或像素。体素指的是三维体积，而像素指的是二维面积。例如，在要3D打印的中底的情况下，体素可用于细分中底的区域。在鞋面上要放置补片的情况下，可以使用像素来细分鞋面的区域，在这种情况下，鞋面被认为是二维流形。

每个子区域可以与该子区域内的结构特征的特征值相关联。与子区域相关联的值可以取决于子区域中存在的材料的数量。在一个示例中，如果该子区域存在材料，则该特定子区域的特征值可以是二进制“1”，否则，它可以是二进制“0”。在部分填充的情况下可以使用阈值。例如，如果在子区域中存在50％或更多的材料，则特征值可以是“1”，否则为“0”。这样，获得对应于该区域的结构的特征向量。在以上示例中，具有不同结构的区域与不同的二进制向量相关联。

包含在每个子区域(例如，像素或体素)中的信息可以是如前所述的二进制的。然而，每个子区域中的信息也可以在灰度系统上，以表示例如不同数量的材料。另外，可以完全使用第三系统，其中更多的细节被编码到每个子区域中。这对于点阵以及点阵上的补片布置将是特别有用的，在所述点阵中梁可以由不同材料或具有不同性能(例如，由不同固化引起)的相同材料制成，以及在所述补片布置中的不同材料、不同方向和不同构造层都可以被编码到体素值中。因此，与子区域相关联的特征值可以取决于子区域中存在的材料的类型。或者，与子区域相关联的特征值可以取决于子区域中存在的材料的性能。

灰度系统和第三系统都将给编码的信息提供更多的细节，但是这些编码系统的运行时间可能更长。当选择什么系统是最合适时，必须平衡运行时间和所需的信息数量。

映射可以基于使用样本训练的机器学习算法。机器学习包括广泛的不同算法，这些算法旨在识别和开发数据中的结构和模式以用于推理和预测。有利地，一些算法能够识别特征和目标之间的非线性关系。

映射可以基于使用样本训练的人工神经网络。人工神经网络包括通常以层组织的多个神经元。特定层中的每个神经元接收前一层的单元的输出的加权总和。该总和受制于通常为非线性函数的所谓的激活函数。该函数的结果是神经元的输出，以及被馈送到下一层。通过堆叠层，该网络能够学习可产生非常精确预测的输入数据的抽象。而且，由于非线性激活函数，神经网络能够识别特征和目标之间的非线性关系。

人工神经网络可以是卷积神经网络(CNN)。CNN中的卷积层通过对其的输入应用卷积或互相关运算来有利地减小特征(例如，像素或体素的数目)的大小。因此，自由参数的数量(即网络的权重)显著减少，从而导致减少处理时间。而且，这种网络不太易于过度拟合，即，学习数据中的“噪声”。

可以使用有限元法(FEM)为每个样本获得特征值与表示物理性能的值之间的关联。通常，FEM能够提供相当精确估计物理性能，是一种完善的方法。

运动物品可以是鞋，以及该区域可以位于鞋的中底中。根据本发明的方法有利地适于通过3D打印方法预测物理性能，例如中底的印刷适性。因此，代替使用昂贵的FEM模拟，根据本发明的方法能够在几秒内而不是几小时内预测特定的中底设计的印刷适性。这加速了设计过程，以及允许设计者尝试更多的设计选项。此外，他正在更快地获得关于他的设计的可行性的反馈。

该方法可以进一步包括将该区域细分为体素的步骤，其中至少一个结构特征与每个体素相关联。通常，体素表示三维空间中的网格上的值。该值是结构特征的特性。

物理性能可以是该区域内的结构特征的印刷适性、弹性、刚度和剪切阻力中的一种。如上所述，通常进行基于FEM的完整的有限元分析(FEA)以探究期望的设计是否是3D可打印或以估计弹性、刚度或剪切阻力。本发明通过基于一个或多个过去FEA的样本估计印刷适性和/或其它物理性能，提供了该耗时且昂贵的方法的捷径。

该结构可以是连接节点的梁。例如，以及如将在本文中更详细地描述的，运动鞋的中底可以由3D打印的单元的网格制成。每个单元可以包括连接节点的梁。节点通常位于单元的表面。

运动物品可以是鞋，以及该区域可以位于鞋的鞋面中。根据本发明的方法也可以在二维情况下使用，例如来预测其上放置补片的鞋面的物理性能。示例性的物理性能包括弯曲刚度和弹性。优选地，物理性能是弯曲刚度。

该方法可进一步包括将该区域细分成像素的步骤，其中至少一个结构特征与每个像素相关联。每个结构特征的值可以取决于在像素中是否存在补片。这样，所得到的特征向量表示特定区域中的补片的存在。由于补片影响鞋面的局部性能，如弯曲刚度和弹性，所以在特征向量和要估计的物理性能之间存在紧密的对应。

该结构特征可以是待连接到鞋的鞋面的材料的补片。补片允许在某些区域为鞋面提供特定的功能。根据本发明的方法允许估计这样的函数而不需要耗时的FEA。在一个示例中，可以快速估计取决于补片的数量、它们的形状和位置的提供给鞋面的刚度。

本发明还涉及一种制造运动物品的至少一部分的方法，包括以下步骤：(a.)估计与本文所述的运动物品的该部分的多个区域相关联的物理性能；(b.)使用该估计和考虑运动物品的该部分的至少一个结构约束来优化物理性能；以及(c.)制造运动物品的该部分。

结构约束例如可以由设计者设置，以及例如可以涉及设计的美学方面。在另一个示例中，约束更具有技术性质，并且可以例如涉及最小弯曲刚度。该方法可以用于非常快速地获得关于约束的最优设计，因为在优化循环中可以避免耗时且昂贵的模拟。相反，要优化的物理性能是通过使用本发明的方法的样本来估计的。

制造步骤可以包括增材制造。如上所述，本发明的方法可以有利地应用于模拟增材制造过程，例如3D打印过程，以及与传统的完整的FEM模拟相比，产生显著的加速。

制造步骤可以包括：提供坯料；以及将至少一个补片放置在所述坯料上。这种补片放置过程可用于制造鞋面。同样，本发明的方法允许在这种二维情况下也加速整个过程。

本发明的另一方面涉及一种运动物品的一部分，该部分根据上述制造方法制造。本发明的另一方面涉及包括这一部分的运动物品。

附图说明

下面，参考附图描述本发明的示例性实施方式。附图示出：

图1：根据本发明的示例性方法的流程图；

图2A：点阵结构的单元的示例性梁；以及

图2B：图2A的梁的体素化区域。

具体实施方式

下面，仅详细描述本发明的一些可能的实施方式。应当理解，这些示例性实施方式可以以多种方式修改，以及只要兼容就可以彼此组合，某些特征可以省略，只要它们看起来不是必需的即可。

图1示出了根据本发明的示例性方法100的流程图，该方法100涉及通过3D打印过程设计和/或制造运动鞋的中底。应该理解，本发明既不限于鞋的制造，也不限于使用特定制造过程。

根据本发明的方法基于查看结构单元周围的体积邻域的思想。在示例性实施方式的情况下，这些结构单元是点阵结构内的梁。发明人认识到，这些体积邻域与该单元的印刷适性具有直接关系，因为它覆盖单元本身以及与周围的网络效应。这种将局部邻域与物理性能联系起来的基于体积的方法可以用于许多物理参数，例如弯曲刚度、剪切刚度等。基本上，所有物理或生产参数都可以用本文所述的方法来估计。

通常，图1的左侧示出了学习过程，即，在示例性实施方式中建立鞋底的结构和物理性能-印刷适性之间的关系。图1的右侧示出了如何使用所学习的关系来基于所学习的关系进行预测或推断。

在涉及3D打印运动鞋的中底的示例性实施方式中，要估计的目标性能是中底的印刷适性。因此，在第一步骤110中，提供中底的几何形状。这种几何形状可以由设计者提供。或者，几何形状可以是自动化设计过程的结果或中间结果，该自动化设计过程旨在优化某些目标函数，例如给定多个约束的弯曲刚度，这些目标函数例如可以由设计者提供。在任何情况下，在步骤110中识别具有由结构特征构成的几何形状的区域。

对于中底，结构特征可以是梁，对于鞋面，结构特征可以是补片。

点阵结构的印刷适性是3D打印的中底的生产能力和生产速度的重要方面。实际的边界条件和速度非常地依赖于打印机和打印技术。这种边界条件的例子包括不允许比0.7mm窄的支柱、没有支撑的悬垂结构以及相对于打印平台的不应低于45度的角度。这些约束通常取决于局部邻域和打印速度。作为经验法则，印刷过程越快，必须满足的那些约束越严格，否则打印可能失败。

在示例性方法100的步骤120中，将区域分解为邻域，其中每个邻域以结构特征为中心-可以选择邻域的窗口尺寸，以窄聚焦在结构特征上，或者更宽地合并更多的邻域。然后将邻域细分为体素单元。通常，体素表示三维空间中的网格上的值。对于中底的每个梁，在其中心周围或不同的关注点周围创建体素体积(也表示为“窗口”或边界区域)。这一步骤需要一些预先固定的参数，例如体素的尺寸(窗口尺寸)、分辨率以及是使用有向距离场还是使用二元(binary)体积。例如，取决于物理性能的整体性，必须选择不同的窗口尺寸。窗口尺寸和分辨率决定体素尺寸(或二维情况下的像素尺寸)。

此外，在步骤120中，从结构特征(例如，在示例性实施方式中的中底的单元的梁)的标记获得特征值。更准确地说，从体素(或二维情况下的像素)对结构特征的表示中获得特征值的向量。

图2A示出了点阵结构的单元的示例性梁，其可以是待3D打印的中底的一部分。在图2B中，示出了梁的相应体素化区域，其中如果在相应体素中存在材料，则体素是黑色的，即二进制“1”，否则，是白色的，即二进制“0”。在该示例中，获得梁的16×16×16的二进制签名，然后可以将其线性化为尺寸为4096的二进制特征向量。

在示例性方法100的步骤130中，运行用于整个中底的基于高保真度FEA的印刷适性分析。该分析的结果是在打印期间发生的变形信息。这种变形直接与印刷适性有关，因为大的变形在打印过程中会导致问题。通过将该信息链接回到为其计算的梁，可获得用于后续印刷适性估计所需的训练数据。更准确地说，FEA模拟为每个结构特征提供分数。分数是表示所研究的物理性能的值，例如撕裂强度、印刷适性等。因此，在步骤130中建立了FEA的结果(即分数)与对应单元之间的关系。

在步骤140中，学习每个单元的特征向量与该单元的相关联的物理性能(即，通过FEA模拟获得的分数)之间的关系。因此，体素化单元形成机器学习算法的有限多个样本。在该示例中，使用标准机器学习算法，即卷积神经网络(CNN)。训练该网络以学习基于体素的邻域和相应的物理性能(即，印刷适性)之间的关系。该步骤的结果是直接将特征向量(这里是体素体积)转换为物理性能(这里是印刷适性)而无需绕行昂贵的FEA系统的映射。

至此，示例性方法100的步骤110-140涉及该方法的学习方面。这些步骤的结果是具有与网络的神经元之间的连接的“强度”相对应的一组权重的经训练的神经网络。该方法的进一步步骤涉及将所学习的梁结构/梁邻域和印刷适性的关系应用到在类似于学习阶段的步骤110的步骤150中获得的先前未知的中底结构中。图1的右侧示出的阶段也被称为预测阶段，以及对应于权利要求1的方法步骤。

在这个阶段，需要快速获得每个梁的印刷适性分数。为了实现这一点，在步骤150中获得的几何形状的梁周围建立邻域。此外，在步骤160中，邻域按照在训练期间，即在步骤120中使用的相同规则体素化。在相同的步骤中，如关于学习阶段所描述的，为每个梁获得特征向量。在步骤170中，将特征向量馈送到在训练阶段中训练的神经网络中，以最终获得与相应梁相关联的印刷适性分数。最后，在步骤180中，中底的区域中所有结构特征的所有分数用于获得整个区域的物理性能的值，例如印刷适性。

因此，新的中底设计的印刷适性可以在不使用完全FEA模拟的情况下获得。神经网络的预测阶段以与几个小时的FEA运行时间相比的大约几秒完成。

本发明的方法不仅可以用于3D打印的环境中用于基于局部邻域预测印刷适性；而且，使用该方法可以快速估计任意的物理性能。

本发明的另一示例性实施方式涉及将加强补片放置在鞋面上。即使使用少量的补片和材料，进行大量的配置是可能的。通常，每个组合必须经历昂贵的FEA模拟。对于每个目标参数，例如翻转刚度、均匀压力等，需要单独的FEA运行。考虑到客户特定的按需生产，这是不可行的，因为仅仅模拟将运行几个小时。另外，这种传统方法在FEA软件和计算能力方面都是高成本的。

为了克服这些缺点，可以使用与上述相同的方法。唯一的区别在于，该方法是在2D而不是3D中执行的。看鞋面的平面图，每个像素应该代表在该位置的组合材料刚度。利用该输入，卷积神经网络(CNN)可以用于将该信息与来自FEA的结果链接。对于每个目标，例如翻转刚度、均匀压力等，可以训练单独的CNN。

Claims (24)

1.一种估计与运动物品的区域相关联的物理性能的方法，包括以下步骤：

a.确定所述区域内的多个结构特征；

b.为每个结构特征确定特征值；

c.将每个特征值映射到物理性能，其中所述映射基于来自有限多个样本的机器学习算法，以及其中每个样本将特征值与所述物理性能的值相关联；以及

d.使用所述映射来估计所述区域的所述物理性能。

2.根据权利要求1所述的方法，其中所述区域被分成子区域。

3.根据权利要求1或2所述的方法，其中所述区域由六面体界定。

4.根据权利要求1至3中任一项所述的方法，其中所述区域由四边形界定。

5.根据权利要求2至4中任一项所述的方法，其中所述结构特征与所述子区域相关联。

6.根据权利要求2至5中任一项所述的方法，其中所述子区域是细分所述区域的体素或像素。

7.根据权利要求2至6中任一项所述的方法，其中每个子区域与所述子区域内的结构特征的特征值相关联。

8.根据权利要求7所述的方法，其中与所述子区域相关联的所述特征值取决于所述子区域中存在的材料的数量。

9.根据权利要求1至8中任一项所述的方法，其中所述映射基于使用所述样本训练的机器学习算法。

10.根据权利要求1至9中任一项所述的方法，其中所述映射基于使用所述样本训练的人工神经网络。

11.根据权利要求1至10中任一项所述的方法，其中所述人工神经网络是卷积神经网络-CNN。

12.根据权利要求1至11中任一项所述的方法，其中使用有限元法-FEM为每个样本获得特征值与表示所述物理性能的值之间的关联。

13.根据权利要求1至11中任一项所述的方法，其中所述运动物品是鞋，以及所述区域位于所述鞋的所述中底。

14.根据权利要求13所述的方法，所述方法还包括将所述区域细分为体素的步骤，其中至少一个结构特征与每个体素相关联。

15.根据权利要求1至14中任一项所述的方法，其中所述物理性能是所述区域内结构特征的印刷适性、弹性、刚度和剪切阻力中的任何一种。

16.根据权利要求15所述的方法，其中所述结构特征是连接节点的梁。

17.根据权利要求1至11中任一项所述的方法，其中所述运动物品是鞋，以及所述区域位于所述鞋的所述鞋面。

18.根据权利要求17所述的方法，所述方法还包括将所述区域细分为像素的步骤，其中至少一个结构特征与每个像素相关联。

19.根据权利要求17或18所述的方法，其中所述结构特征是待连接到所述鞋的所述鞋面的材料的补片。

20.一种制造运动物品的至少一部分的方法，包括以下步骤：

a.根据权利要求1至19中任一项所述的方法估计与所述运动物品的所述部分的多个区域相关的物理性能；

b.使用所述估计和考虑所述运动物品的所述部分的至少一个结构约束来优化所述物理性能；以及

c.制造所述运动物品的所述部分。

21.根据权利要求20所述的方法，其中制造步骤包括增材制造。

22.根据权利要求20所述的方法，其中制造步骤包括：

提供坯料；

在所述坯料上放置至少一个补片。

23.一种运动物品的一部分，其根据权利要求20至22中任一项所述的方法制造。

24.一种运动物品，其包括根据权利要求23所述的部分。

Images