CN113553667A - 一种基于深度学习的飞机结构件设计方法 - Google Patents
一种基于深度学习的飞机结构件设计方法 Download PDFInfo
- Publication number
- CN113553667A CN113553667A CN202110926879.2A CN202110926879A CN113553667A CN 113553667 A CN113553667 A CN 113553667A CN 202110926879 A CN202110926879 A CN 202110926879A CN 113553667 A CN113553667 A CN 113553667A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- characteristic
- aircraft structural
- structural part
- catia
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013461 design Methods 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000012827 research and development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000003351 stiffener Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明公开了一种基于深度学习的飞机结构件设计方法，该方法包括使用CATIA函数库CAA进行特征提取阶段、利用OpenCv辅助的特征的分类剥离阶段、特征数据深度学习阶段、使计算机可以自主识别飞机结构件特征并根据用户提出的请求自主设计及改良飞机结构件。具体步骤为：构建CATIA特征提取平台构建、特征载体及调试控制系统；将CATIA函数库CAA作用于飞机结构件二维模型上并将其特征以矩阵、图像等方式呈现出来，在OpenCv软件的作用下将得到的若干特征通过图像识别的方式进行剥离；将剥离出来的特征作为训练数据进行深度学习训练，从而使计算机可以自主识别飞机结构件的特征。该方法增强了飞机结构件自主设计的过程可控性、提高了飞机结构件设计的质量和效率。
Description
技术领域
本发明涉及飞机结构件设计技术领域，特别是涉及一种基于深度学习的飞机结构件设计方法。
背景技术
当前的飞机研发和制造，飞机结构件人机交互系统广泛应用于航空领域中飞机结构件的设计，但随着飞机结构件自主设计系统既要提高飞机的设计质量和设计效率，又要降低飞机的制造和研发成本的更高要求，对飞机结构件人机交互系统的低成本和高重复利用率提出了更高的要求，而飞机结构件人机交互系统的智能化、高效化、自动化直接影响了系统的使用性能。为了提高飞机结构件设计知识的重用度以及飞机结构件的设计效率，满足我国对于飞机结构件的高质量的需求，研制基于深度学习的飞机结构件方法具有重要的现实意义。
一种基于参数构件的参数化飞机结构设计方法(CN103310032A)用参数化构建表述飞机结构中的典型零件，构建中包含结构的几何信息和非几何信息，所述参数化构件是对飞机设计中常用的部件进行归纳整理而形成的、包含几何及非几何属性数据信息的三位数字模型；该方法将造成飞机结构件设计过程过于复杂，每设计一个飞机结构件就会改变一次参数，而且往往结果很难达到很高的精度。飞机结构件复杂型腔三轴加工区域自动构建方法(CN105739439A)飞机结构件复杂型型腔方法，是在型腔特征几何参数基础上，首先将约束底面与型腔侧壁面集求交生成交元，其次经环域识别剔除无效环域，再经过环域扩展法构建型腔初始边界环，实现任意复杂型三轴加工区域边界的自动构建；该方法不能准确的描绘出飞机结构件中的细节部分，造成飞机结构件设计不完整的现象。一种基于飞机结构件的人机混合增强智能设计方法(CN112347698A)运用人机混合增强智能设计方案提高生产效率。该方法精度较低、误差大，应变能力较差，对于系统中没有收录的飞机结构件，没有自动生成的能力。
综上，现有的发明在飞机结构件设计中，在一定程度上可以实现飞机结构件设计要求，但存在发明只能通过现有编程完成设计要求、准备时间长、识别率低、错误率高、精度低等诸多问题，而在飞机制造中，很多时候需要计算机的自主判断，实施效果未能满足飞机结构件制造的复杂化、高质量、高效率的发展要求。
发明内容
本文针对复杂飞机结构件设计，提出基于深度学习的飞机结构件智能设计技术，辅助设计人员高效率、高质量设计；目的是提高飞机结构件设计效率，提高飞机结构件设计质量、减少设计反复，提升飞机结构件设计能力，积累设计经验与知识、重用设计知识，提升飞机研发能力，缩短飞机研制周期。本文成果可推广应用到其它复杂装备产品设计，有利于提高其设计质量和设计效率，提升研发能力，积累重用设计知识。
本发明通过以下技术方案来实现上述目的：
本发明提供一种基于深度学习的飞机结构件设计方法，该方法包括使用CATIA函数库CAA进行特征提取阶段、利用OpenCv辅助的特征的分类剥离阶段、特征数据深度学习阶段、使计算机可以自主识别飞机结构件特征并根据用户提出的请求自主设计及改良飞机结构件。所述特征提取阶段是根据飞机结构件设计需要部署特征甄别系统、特征控制系统；所述分类剥离阶段是将OpenCv特征识别功能作用于飞机结构件上，使其将板筋、蒙皮、助板等特征剥离；所述深度学习阶段是将刚刚提取出来的飞机结构件特征作为训练集使用在学习中。其中系统包括特征提取系统、特征分离系统、特征表达形式数据化系统、特征深度学习优化系统、特征自动完善系统；所述特征提取装置包括CATIA的CAA函数库、OpenCv图像识别库、静态模型识别库，所述特征分离装置包括Matlab图像处理库、OpenCv特征分离函数库、Python特征校验函数库，所述特征表达形式数据化系统有所述CATIA内自动数据转换器及DELMIA辅助系统，所述深度学习优化系统包括Pytorch框架下的CNN神经网络特征特征学习系统，所述特征自动完善系统包括CATIA特征知识库、CATIA知识工程库、特征改进库。所述的飞机结构件特征识别方法具体包括以下步骤：(1)根据飞机结构件的材料特性、复杂结构要求特征提取装置、分类剥离、深度学习控制系统；(2)通过不同的飞机机翼组成部分的特征表现剥离特征，并为每个特征进行铭名；(3)将识别出来的特征作为深度学习的训练库，再次通过飞机结构的知识库验证深度学习训练出来的结果，如果训练结果基本符合要求，则将训练结果加入知识库，作为其中的一种识别方式；(4)将完成当前零件识别的深度学习知识体系转移至下一个飞机结构件的标准，然后循环(2)、(3)步骤，直至所有的飞机结构件特征识别工作工作保质保量完成。
进一步的，特征提取系统通过通过CATIA的函数库CAA以矩阵以及点数据的形式飞机结构件特征识别采用循环神经网络的方法(RNN)和基于机理的遗传算法对异常数据进行识别和处理，从飞机结构件的各个零部件中提取出来。
进一步的，特征分离系统通过Matlab图像处理、OpenCv特征分离函数、Python特征校验函数，将一个个特征精确的分离出来，通过深度学习系统控制飞机结构件的形状特征，根据所述飞机不见的材质、体积、结构以及装配精度和效率要求，自动调节飞机结构件中符合客户要求的结构特征。包括飞机结构件的梁、助、蒙皮等。
进一步的，特征表达形式数据化系统可以通过DELMIA系统将飞机机翼的各种特征值以一种特定的形式表现出来。同时将用于信息转化的模型按照模型的建模信息、建模结果进行模型库的建立，并保存在深度学习模型库中。
进一步的，特征深度学习优化系统可以将点数据或者矩阵数据使用CNN神经网络进行训练，可使用深度学习功能实现建模后的飞机结构件参数自主优化。
进一步的，特征自动完善系统可以根据深度学习的训练结果通过CATIA特征库自动更新数据库中的数据。根据飞机结构件的建模尺寸参数变成参数化建模的过程中进行驱动的特征参数和利用特征之间的约束关系完成的尺寸参数自动对飞机结构件的特征进行优化并重新建模。
进一步的，CATIA内自动数据转换系统可以将CATIA的特征转化成矩阵数据，该数据记录CATIA特征位置和特征值。
进一步的，DELMIA辅助系统可以在虚拟的装配系统中模拟出装配过程中是否会造成干涉，将产生干涉的特征从系统中剔除掉。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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它的附图。
图1是本发明提供的一种基于深度学习的飞机结构件设计方法的执行流程图；
图2是本发明提供的一种基于深度学习的飞机结构件设计方法的技术架构图；
图3是本发明提供的一种基于深度学习的飞机结构件设计方法的特征识别图；
图4是本发明提供的一种基于深度学习的飞机结构件设计方法的变形过程示意图；
具体实施方式
下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本申请的一部分，用来对本发明作进一步解释，但并不构成对本发明的限定。
如图1-图4所示，一种基于深度学习的飞机结构件方法，包括以下步骤：
(1)使用CATIA函数库CAA进行特征提取功能特使计算机可以自主识别飞机结构件特征并根据用户提出的请求自主设计及改良飞机结构件。提取出来的飞机结构件的特征是相互关联的，同时特征之间的关系必须是完全约束关系。
(2)将OpenCv特征识别功能作用于飞机结构件上，进行特征的初步识别。可以识别和分析包括平面类、孔类(通孔、盲孔、螺纹孔等)、槽类(凹槽、键槽、退刀槽、越程槽等)、轴肩类等常见的结构特征，可以根据制定的深度学习规则对零部件的结构特征进行分析，通过可视化交互界面的方式将未通过的深度学习规则分析并显示出来。
(3)将刚刚提取出来的飞机结构件特征作为训练集使用在深度学习中。通过CATIA的函数库CAA以矩阵以及点数据的形式飞机结构件特征识别采用循环神经网络的方法(RNN)和基于机理的遗传算法对异常数据进行识别和处理，从飞机结构件的各个零部件中提取出来。通过深度学习模型库可以进行模型信息如飞机结构件类型、几何基准、分类名称、模板信息等特征的查询，同时通过深度学习界面能够看到待设计的飞机结构件的模型，根据飞机结构件设计要求进行参数化设计，将设计出的飞机结构件模型保存到模型库中。通过CAA程序开发的包含模型几何信息、存储信息和预览信息作为深度学习的反馈信息，辅助深度学习数据库进行更新。
(4)通过Matlab图像处理、OpenCv特征分离函数、Python特征校验函数，将一个个特征精确的分离出来，通过深度学习系统控制飞机结构件的形状特征，根据飞机不见的材质、体积、结构以及装配精度和效率要求，自动调节飞机结构件中符合客户要求的结构特征。包括飞机结构件的梁、助、蒙皮、剖面高度、开孔尺寸、承载能力、裂纹扩展能力、制造成本以及装配工艺性等多个设计时需要考虑的特征，得到各个类型的飞机结构件的深度学习特征设计要求。
(5)然后，CATIA内自动数据转换系统可以将CATIA的特征转化成矩阵数据，通过DELMIA系统将飞机机翼的各种特征值以一种特定的形式表现出来。该数据记录CATIA特征位置和特征值配合DELMIA辅助系统可以在虚拟的装配系统中模拟出装配过程中是否会造成干涉，将产生干涉的特征从系统中剔除掉。
(6)之后，使用Pytorch框架下的CNN神经网络特征特征学习的深度学习优化系统将点数据或者矩阵数据使用CNN神经网络进行训练。可以将点数据或者矩阵数据使用CNN神经网络进行训练。通过人机交互界面将信息输入到相应的控件中，系统根据输入的信息进行深度学习的规则推理，若能够推理结果，则可以查看相应的推理的结果是否满足要求；若不能推出相应的结果，则系统将启动自学习功能，将输入的信息保存到深度学习知识库中，扩充并完善深度学习知识库。
(7)最后，具有CATIA特征知识库、CATIA知识工程库、特征改进库的特征自动完善系统可以根据深度学习的训练结果通过CATIA特征库自动更新数据库中的数据。根据飞机结构件的材料特性、复杂结构要求通过不同的飞机机翼组成部分的特征表现优化特征，并为每个优化后的特征进行重新铭名，将识别出来的特征作为深度学习的训练库，再次通过飞机结构的知识库验证深度学习训练出来的结果，如果训练结果基本符合要求，则将训练结果加入知识库，将完成当前零件识别的深度学习知识体系转移至下一个飞机结构件的标准。其中，使用的知识体系转移方法有两种：一种是将飞机结构件的尺寸参数根据结构的特征进行分类然后进行相应的编号保存到Excel数据表格中，然后运用CATIA二次开发程序调用表格中的数据，将深度学习优化后的尺寸参数载入到人机交互界面进行显示，从而实现飞机结构件特征的创建。如果载入的参数不同，生成的结构特征尺寸也是不同的；另一种实现尺寸驱动的方法就是利用CATIA软件中的知识工程模块将飞机结构件的建模过程设置成相应的公式，这个公式可以表示飞机结构件各个尺寸之间的关系，当公式建立完成之后，将深度学习优化后的尺寸参数输入到公式的变量中，就可以完成模型的建立，如果修改公式变量的值，飞机结构件的模型尺寸就会发生相应的变化，方便将从前一个飞机结构件上的优化特征自动匹配到下一个飞机结构件上，达到深度学习数据库自动更新优化的目的。
最后应说明的是：以上实施例仅用于说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换，而这些并未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种基于深度学习的飞机结构件设计方法，该方法包括使用CATIA函数库CAA进行特征提取阶段、利用OpenCv辅助的特征的分类剥离阶段、特征数据深度学习阶段、使计算机可以自主识别飞机结构件特征并根据用户提出的请求自主设计及改良飞机结构件，所述特征提取阶段是根据飞机结构件设计需要部署特征甄别系统、特征控制系统；所述分类剥离阶段是将OpenCv特征识别功能作用于飞机结构件上，使其将板筋、蒙皮、助板等特征剥离；所述深度学习阶段是将刚刚提取出来的飞机结构件特征作为训练集使用在学习中，其中使用的深度学习系统包括特征提取系统、特征分离系统、特征表达形式数据化系统、特征深度学习优化系统、特征自动完善系统；所述特征提取装置包括CATIA的CAA函数库、OpenCv图像识别库、静态模型识别库，所述特征分离装置包括Matlab图像处理库、OpenCv特征分离函数库、Python特征校验函数库，所述特征表达形式数据化系统有所述CATIA内自动数据转换系统及DELMIA辅助系统，所述深度学习优化系统包括Pytorch框架下的CNN神经网络特征特征学习系统，所述特征自动完善系统包括CATIA特征知识库、CATIA知识工程库、特征改进库，所述的飞机结构件特征识别方法具体包括以下步骤：(1)根据飞机结构件的材料特性、复杂结构要求特征提取装置、分类剥离、深度学习控制系统；(2)通过不同的飞机机翼组成部分的特征表现剥离特征，并为每个特征进行铭名；(3)将识别出来的特征作为深度学习的训练库，再次通过飞机结构的知识库验证深度学习训练出来的结果，如果训练结果基本符合要求，则将训练结果加入知识库，作为其中的一种识别方式；(4)将完成当前零件识别的深度学习知识体系转移至下一个飞机结构件的标准，然后循环(2)、(3)步骤，直至所有的飞机结构件特征识别工作工作保质保量完成。
2.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述特征提取系统通过CATIA的函数库CAA以矩阵以及点数据的形式飞机结构件特征识别采用循环神经网络的方法和基于机理的遗传算法对异常数据进行识别和处理，从飞机结构件的各个零部件中提取出来。
3.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述特征分离系统通过Matlab图像处理、OpenCv特征分离函数、Python特征校验函数，将一个个特征精确的分离出来，通过深度学习系统控制飞机结构件的形状特征，根据所述飞机不见的材质、体积、结构以及装配精度和效率要求，自动调节飞机结构件中符合客户要求的结构特征，包括飞机结构件的梁、助、蒙皮等。
4.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述特征表达形式数据化系统可以通过DELMIA系统将飞机机翼的各种特征值以一种特定的形式表现出来，同时将用于信息转化的模型按照模型的建模信息、建模结果进行模型库的建立，并保存在深度学习模型库中。
5.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述特征深度学习优化系统可以将点数据或者矩阵数据使用CNN神经网络进行训练，可使用深度学习功能实现建模后的飞机结构件参数自主优化。
6.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述特征自动完善系统可以根据深度学习的训练结果通过CATIA特征库自动更新数据库中的数据，根据飞机结构件的建模尺寸参数变成参数化建模的过程中进行驱动的特征参数和利用特征之间的约束关系完成的尺寸参数自动对飞机结构件的特征进行优化并重新建模。
7.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述CATIA内自动数据转换系统可以将CATIA的特征转化成矩阵数据，该数据记录CATIA特征位置和特征值。
8.根据权利要求1所述的一种基于深度学习的飞机结构件设计方法，其特征在于：所述DELMIA辅助系统可以在虚拟的装配系统中模拟出装配过程中是否会造成干涉，并将产生干涉的特征从系统中剔除掉。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110926879.2A CN113553667B (zh) | 2021-08-12 | 2021-08-12 | 一种基于深度学习的飞机结构件设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110926879.2A CN113553667B (zh) | 2021-08-12 | 2021-08-12 | 一种基于深度学习的飞机结构件设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553667A true CN113553667A (zh) | 2021-10-26 |
| CN113553667B CN113553667B (zh) | 2023-10-27 |
Family
ID=78105654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110926879.2A Active CN113553667B (zh) | 2021-08-12 | 2021-08-12 | 一种基于深度学习的飞机结构件设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553667B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096655A (zh) * | 2016-06-14 | 2016-11-09 | 厦门大学 | 一种基于卷积神经网络的光学遥感图像飞机检测方法 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
| CN109415122A (zh) * | 2016-06-06 | 2019-03-01 | 福特全球技术公司 | 用于自动化车辆和无人机递送的系统、方法和装置 |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| CN111340754A (zh) * | 2020-01-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种基于飞机蒙皮表面缺陷检测和分类的方法 |
| US20200271756A1 (en) * | 2019-02-14 | 2020-08-27 | Elta Systems Ltd. | System and method for identification of an airborne object |
| CN112327935A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机云端物体识别跟踪系统及方法 |
| CN112528896A (zh) * | 2020-12-17 | 2021-03-19 | 长沙理工大学 | 一种面向sar图像的飞机目标自动检测方法及系统 |
-
2021
- 2021-08-12 CN CN202110926879.2A patent/CN113553667B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109415122A (zh) * | 2016-06-06 | 2019-03-01 | 福特全球技术公司 | 用于自动化车辆和无人机递送的系统、方法和装置 |
| CN106096655A (zh) * | 2016-06-14 | 2016-11-09 | 厦门大学 | 一种基于卷积神经网络的光学遥感图像飞机检测方法 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| US20200271756A1 (en) * | 2019-02-14 | 2020-08-27 | Elta Systems Ltd. | System and method for identification of an airborne object |
| CN112327935A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机云端物体识别跟踪系统及方法 |
| CN111340754A (zh) * | 2020-01-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种基于飞机蒙皮表面缺陷检测和分类的方法 |
| CN112528896A (zh) * | 2020-12-17 | 2021-03-19 | 长沙理工大学 | 一种面向sar图像的飞机目标自动检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| YADAN LI 等: "YOLOv3-Lite: A Lightweight Crack Detection Network for Aircraft Structure Based on DepthwisSeparable Convolutions", 《APPLIED SCIENCES》, pages 1 - 13 * |
| 张刚;: "基于CATIA的飞机钣金结构特征参数化设计系统", 机械工程师, no. 11, pages 208 - 210 * |
| 陆凯 等: "数据驱动的飞机结构件加工特征识别方法", 《航空制造技术》, vol. 64, no. 8, pages 32 - 40 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553667B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reddy et al. | Knowledge based engineering: notion, approaches and future trends | |
| CN107066676A (zh) | 一种基于卫星板壳结构的有限元自动化建模方法 | |
| WO2015096511A1 (zh) | 飞机结构件智能数控加工编程系统及方法 | |
| CN104951590B (zh) | 模具设计与制造的知识服务系统及方法 | |
| Jong et al. | Automatic process planning of mold components with integration of feature recognition and group technology | |
| CN110244657B (zh) | 一种基于知识表达模型的复杂曲面数字化制造方法 | |
| CN106295074B (zh) | 一种运载火箭舱段振动响应特性快速分析及优化方法 | |
| CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
| Kumar et al. | A low cost knowledge base system framework for progressive die design | |
| CN102609800B (zh) | 快速修正分析系统 | |
| CN115809567A (zh) | 一种车间数字孪生模型的构建方法、装置及设备 | |
| CN107862133A (zh) | 一种批量生成桥墩bim模型的方法 | |
| CN113553667B (zh) | 一种基于深度学习的飞机结构件设计方法 | |
| CN112347698A (zh) | 一种基于飞机结构件的人机混合增强智能设计方法 | |
| CN110321596B (zh) | 一种基于有限元分析的机车车辆结构仿真方法 | |
| CN112231966A (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
| CN109063272B (zh) | 一种柔性钻孔模板的设计方法 | |
| CN109766641A (zh) | 基于知识重用的多物理场cae建模方法 | |
| CN115359184A (zh) | 一种包含机械仿真和虚拟维修属性的综合建模方法 | |
| CN113642147B (zh) | 一种支持复杂系统设计和仿真的统一建模方法 | |
| Jong et al. | Application of knowledge-based engineering for automated slide design | |
| Ge et al. | A descriptive semantics of modelling process catering for whole product parametric | |
| Jong et al. | Algorithm for automatic undercut recognition and lifter design | |
| Malik | Framework to model virtual factories: A digital twin view | |
| CN116738572B (zh) | 飞行器构型模块化装配方法及系统 |
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 |