CN114186359B - 一种机械产品可制造性智能分析方法及系统 - Google Patents
一种机械产品可制造性智能分析方法及系统 Download PDFInfo
- Publication number
- CN114186359B CN114186359B CN202111387513.9A CN202111387513A CN114186359B CN 114186359 B CN114186359 B CN 114186359B CN 202111387513 A CN202111387513 A CN 202111387513A CN 114186359 B CN114186359 B CN 114186359B
- Authority
- CN
- China
- Prior art keywords
- manufacturability
- product
- processing
- condition
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种机械产品可制造性智能分析方法及系统,方法包括:获取产品的图纸数据和加工样本,分析图纸数据得到产品的一种或多种加工流程,筛选出加工流程中涉及到的全部加工设备,并获取各加工设备的加工参数及限制;基于图纸数据、加工参数及限制,以预设可制造性条件分析产品的可制造性;若满足可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理。本发明利用DFM分析模块和图像化DFM模块相结合,实现产品可制造性设计分析智能化。根据系统预设的可制造性条件分析产品的可制造性,分析速度快,且准确度高,大大降低了人工分析的错误率。
Description
技术领域
本发明涉及机械制造领域,特别涉及一种机械产品可制造性智能分析方法及系统。
背景技术
DFM(Design for manufacturability),意思是面向制造的设计,即从提高零件的可制造性入手,使得零件和各种工艺容易制造,制造成本低,效率高。DFM是指产品设计需要满足产品制造的要求,具有良好的可制造性,使得产品以最低的成本、最短的时间、最高的质量制造出来。
当今的DFM是并行工程的核心技术,因为设计与制造是产品生命周期中最重要的两个环节,并行工程就是在开始设计时就要考虑产品的可制造性和可装配性等因素。所以DFM又是并行工程中最重要的支持工具。它的关键是设计信息的工艺性分析、制造合理性评价和改进设计的建议。
传统的机械加工产品成本计算需依靠企业技术人员进行图纸评估、可制造性设计分析、加工流程建立、成本计算等繁琐复杂手续。依靠人工进行加工评估和成本计算,很容易出现计算错误的问题,导致评估错误率高、评估效率低等问题。此外,每当有相关的技术人员离职时,企业往往需要花费大量时间和金钱重新培训新的技术人员进行评估。
现有技术中出现了一些自动报价软件,但这些自动报价软件只能在预设方案下协助企业解决成本计算部份。同时,此类软件还需要有丰富经验的技术人员事先作出可制造性设计分析等工作,未能完全解决前述问题。
因此,急需一种无需人工即可实现可制造性设计分析的方案来解决上述问题。
发明内容
有鉴于此,本发明提出了一种机械产品可制造性智能分析方法及系统,具体方案如下:
一种机械产品可制造性智能分析方法,包括如下:
获取产品的图纸数据和加工样本,分析所述图纸数据得到产品的一种或多种加工流程,筛选出所述加工流程中涉及到的全部加工设备,并获取各所述加工设备的加工参数及限制;所述加工流程包括加工精度和加工要求;
基于所述图纸数据、所述加工参数及限制,以预设可制造性条件分析产品的可制造性;
若满足所述可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足所述可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;
所述图像化DFM处理包括:所述图像化DFM模块基于所述可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在所述需改正处标注所述可制造性建议,得图像反馈结果。
在一个具体实施例中,所述可制造性条件包括:
条件1:利用所述加工设备是否能将所述加工样本加工制造为满足所述加工要求的产品;
条件2:所述加工精度是否满足预设精度条件;
条件3:所述图纸数据中尺寸信息是否完整;
若所述条件1、所述条件2和所述条件都为是,则满足所述可制造性条件;否则,则不满足所述可制造性条件。
在一个具体实施例中,所述条件1具体包括:
所述加工要求是否不超出所述加工设备的加工限制,且所述加工设备的加工参数是否符合所述加工要求;若都为是,则利用所述加工设备能所述加工样本加工制造为所述产品;
所述条件2具体包括:
所述预设精度条件为不高于通用精度要求、且不接近最高通用精度要求。
在一个具体实施例中,所述图像化DFM处理具体包括:
针对所述产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
从预设资料库中获取坐标数据和图纸影像,根据所述坐标数据查找所述需改正处在所述图纸影像上的具体坐标位置,并在所述坐标位置处标注所述可制造性建议;
输出标注后的图纸影像得到图像反馈结果。
在一个具体实施例中,若所述条件1为否,则所述可制造性建议包括可制造的尺寸或公差建议;
若所述条件2为否,且所述产品并非必须按照加工精度制造,则所述可制造性建议包括满足预设精度条件的精度建议。
在一个具体实施例中,“分析所述图纸数据得到产品的一种或多种加工流程”具体包括:
基于所述图纸数据构建产品的三维模型,获取产品的外形特征;
通过预训练的机器学习算法,在预设的样本资料库中查找与所述产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本;将所有的所述第一图纸样本的加工流程作为所述产品的加工流程;其中,所述样本资料库中存储有多个已排定加工流程、且按外形特征分类的图纸样本;
若查找不出与所述产品相比、在外形特征上满足预设条件的图纸样本,则通过所述机器学习算法根据所述产品上的外形特征自行排定一种或多种加工流程;所述机器学习算法的训练过程具体包括:
将已建立加工流程的图纸数据按照外形特征进行分类,得到图纸样本,存储到预设的样本资料库中;
基于所述训练样本,对初始机器学习算法进行有监督训练,得到所述机器学习算法。
在一个具体实施例中,“在预设的样本资料库中查找与所述产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本”具体包括:
查找所述样本资料库,判断是否存在与所述产品的图纸数据完全相同的图纸样本:若存在,则该图纸样本即为第一图纸样本;
若不存在,则查找出与所述产品相比、在外形特征的相似程度上满足预设比例关系的所有图纸样本,并从中筛选出相似程度较高的一个或多个图纸样本作为第一图纸样本。
一种机械产品可制造性智能分析系统,包括,
数据获取模块:用于获取产品的图纸数据和加工样本,分析所述图纸数据得到产品的加工流程,筛选出所述加工流程中涉及到的全部加工设备,并获取各所述加工设备的加工参数及限制;所述加工流程包括加工精度和加工要求;
DFM分析模块:基于所述图纸数据、所述加工参数及限制,以预设可制造性条件分析产品的可制造性;若满足所述可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足所述可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;
图像化DFM模块:用于进行图像化DFM处理,基于所述可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在所述需改正处标注所述可制造性建议,得到图像反馈结果。
在一个具体实施例中,所述可制造性条件包括:
条件1:利用所述加工设备是否能将所述加工样本加工制造为满足所述加工要求的产品;
条件2:所述加工精度是否满足预设精度条件;
条件3:基于所述图纸数据,分析所述产品图纸中的尺寸信息是否完整;
若所述条件1、所述条件2和所述条件3都为是,则满足所述可制造性条件;否则,则不满足所述可制造性条件。
在一个具体实施例中,所述图像化DFM模块具体包括:
建议获取单元:用于针对所述产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
建议标注单元:用于从预设资料库中获取坐标数据和图纸影像,根据所述坐标数据查找所述需改正处在所述图纸影像上的坐标位置,并在所述坐标位置处标注所述可制造性建议;
反馈单元:用于输出标注后的图纸影像得到图像反馈结果。
有益效果:
本发明提供了一种机械产品可制造性智能分析方法及系统,利用DFM分析模块和图像化DFM模块相结合,实现产品可制造性设计分析智能化。DFM分析模块根据系统预设的可制造性条件分析产品的可制造性,分析速度快,且准确度高,大大降低了人工分析的错误率。不建议制造的产品跳转至图像化DFM模块进行更正标注反馈,图像化DFM模块根据产品不符合的可制造性条件生成可制造性建议,有针对性的进行更改反馈。技术人员可直观的通过输出的图像反馈结果得到产品的问题和建议,大大缩短了产品的制造时间。
附图说明
图1是本发明实施例提出的可制造性智能分析方法流程示意图;
图2是本发明实施例提出的可制造性分析部分原理示意图;
图3是本发明实施例提出的图像化DFM处理原理示意图;
图4是本发明实施例提出的图像化DFM处理流程示意图;
图5是本发明实施例提出的示例图纸的示意图;
图6是本发明实施例提出的对示例图纸进行标注的图像反馈结果示意图;
图7是本发明实施例提出的可制造性智能分析系统结构示意图;
图8是本发明实施例提出的图像化DFM处理模块结构示意图。
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
附图标记:1-数据获取模块;2-DFM分析模块;3-图像化DFM模块;31-建议获取单元;32-建议标注单元;33-反馈单元。
具体实施方式
在下文中,将更全面地描述本发明公开的各种实施例。本发明公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本发明公开的各种实施例限于在此公开的特定实施例的意图,而是应将本发明公开理解为涵盖落入本发明公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本发明公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种机械产品可制造性智能分析方法,通过软件实现可制造性设计分析智能化,无需人工分析。方法的流程示意图如说明书附图1所示,具体方案如下:
一种机械产品可制造性智能分析方法,包括如下步骤:
101、获取产品的图纸数据和加工样本,分析图纸数据得到产品的加工流程,筛选出加工流程中涉及到的全部加工设备,并获取各加工设备的加工参数及限制;加工流程包括加工精度和加工要求;
102、基于图纸数据、加工参数及限制,以预设可制造性条件分析产品的可制造性;
103、若满足可制造性条件,则建议制造,并进行后续的加工流程排定;
104、若不满足可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;图像化DFM处理包括:图像化DFM模块基于可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在需改正处标注可制造性建议,得到并输出图像反馈结果。
本实施例提供的一种机械产品可制造性智能分析方法,主要包括数据获取、可制造性分析以及图像化DFM处理三部分。每部分都可通过系统预设的算法实现,无需人工分析。可制造性分析部分的流程图如说明书附图2所示,图像化DFM处理部分的流程图如说明书附图3所示。
具体地,步骤101、获取产品的图纸数据和加工样本,分析所述图纸数据得到产品的加工流程,筛选出加工流程中涉及到的全部加工设备,并获取各加工设备的加工参数及限制。其中,图纸数据包括字符数据和图像数据,可由预设的识别算法对图纸进行图文分离预处理获得。加工样本为已选定的、能够加工为产品的材料样本,在本实施例中,加工样本包括样本的相关数据。
在本实施例中,字符数据包括字符和字符在预设坐标系中的第一坐标数据,图像数据包括图像和图像在预设坐标系中的第二坐标数据。图像仅包括产品的产品线,产品线即为描述产品形状的线条。字符包括材料、产品尺寸、尺寸界线和尺寸线、几何特征符号、参考基准、价格特征、表面加工要求、形状和位置公差范围值等,除产品线以外的信息都可归为字符数据。字符表示产品的信息,图像表示产品的形状。
可将字符和第一坐标数据存储到预设的字符资料库,将图像和第二坐标数据存储到图像资料库,方便图纸分析模块对图纸信息的获取。示例性的,可将字符和第一坐标数据以txt格式存储到字符资料库,将图像和第二坐标数据以dwg格式存储到图像资料库。
在本实施例中,通过预训练的机器学习算法对图纸数据进行分析处理得到产品的加工流程。加工流程的获取过程如下:首先,基于图纸数据构建产品的三维模型,获取产品的外形特征。其次,通过预训练的机器学习算法,在预设的样本资料库中查找与产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本。最后,将所有的第一图纸样本的加工流程作为产品的加工流程。若查找不出与产品相比、在外形特征上满足预设条件的图纸样本,则通过机器学习算法根据产品上的外形特征自行排定一种或多种加工流程。
具体地,基于图纸数据构建产品的三维模型,获取产品的外形特征。可利用CAD软件将图纸中的二维图像转换为三维模型。建造3D模型,可直观获取产品的外形特征,也便于计算产品的体积,了解产品各部分的参数。
具体地,通过预训练的机器学习算法,在预设的样本资料库中查找与产品在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本。由于满足条件的图纸样本可能存在多个,因此,第一图纸样本的数量包括一个或多个。第一图纸样本的获取流程具体包括:查找样本资料库,判断是否存在与产品的图纸数据完全相同的图纸样本:若存在,则该图纸样本即为第一图纸样本;若不存在,则查找出与产品相比、在外形特征的相似程度上满足预设比例关系的所有图纸样本,并从中筛选出相似程度较高的一个或多个图纸样本作为第一图纸样本。
在实际应用中,样本资料库中存储了数十万的图纸样本,几乎囊括了各种零件结构的加工流程。当输入图纸数据时,算法会根据图纸数据得到产品的外形特征,从样本资料库中查找与该图纸数据描绘的产品一模一样的图纸样本,庞大的样本基数使得这一情况存在可能。当无法找到一模一样的图纸样本时,则退而求其次,查找与产品相似的图纸样本。例如,与产品相比,该图纸样本仅在某一尺寸上或某一角度上存在偏差、缺失或多了某一结构等,只需在后续加工时微调一下设备的参数即可得到产品,此时也可借鉴该图纸样本的加工流程。由于样本基数较大,可能会存在多个与产品相比、在外形特征的相似程度上满足预设比例关系的图纸样本,此时需要筛选出最相似的一个或多个。其中,预设比例关系用于描述图纸样本与产品的相似程度的合格范围。在本实施例中,可根据实际的加工情况自行设定预设比例关系,加工精度不同、预设比例关系可酌情进行调整。
示例性的,可以百分比的形式描述图纸样本与产品的相似程度。当图纸样本与产品一模一样,在尺寸、结构等方面完全相同时,相似程度为100%。图纸样本A与产品相比,在结构上基本相同,仅在某一尺寸上不一致,相似程度为95%-99%。图纸样本B与产品相比,在结构上多了一个小孔,其它部分都一致,相似程度可定义在90%左右。例如,将预设比例关系定义在70%以上,当相似程度低于70%时,则资料库中的图纸样本与产品都不匹配,即查找不出与产品相比、在外形特征上满足预设条件的图纸样本。
具体地,样本资料库中存储有大量已排定加工流程、且按外形特征分类的图纸样本。机器学习算法的训练过程具体包括:将已建立加工流程的图纸数据按照外形特征进行分类,得到图纸样本,存储到预设的样本资料库中;基于训练样本,对初始机器学习算法进行有监督训练,得到机器学习算法。在本实施例中,机器学习算法经过了数以万计的图纸样本的有监督训练,事实上已经具备了根据外形特征构建加工流程的能力。因此,当找不到合适图纸样本进行借鉴时,即查找不出与产品相比、在外形特征上满足预设条件的图纸样本,机器学习算法可自行排定出一种或多种加工流程。在实际应用中,机器学习算法自行排定出的加工流程,还需人工进行确认。
加工流程包括加工工序、加工要求、加工精度等。其中,加工工序需要特定的加工设备来完成。获取加工流程后,可筛选出加工流程中涉及的全部加工设备,从预设的设备资料库获取加工设备的加工参数和加工限制,设备资料库中存储有各种加工设备的相关参数。加工参数包括该加工设备所能加工的材质、所能实现的效果、需要注意的事项等等,凡是涉及到加工设备的相关参数,都可从设备资料库中获取。不同加工设备的加工能力不同,通常情况下,企业的生产线是固定的,加工设备也是固定的,当加工设备无法加工某一产品时,可修改产品的参数要求。在本实施例中,若当前的加工设备无法完成加工,则判定该产品不建议制造。
具体地,步骤102、基于加工参数及限制和图纸数据,以预设可制造性条件分析利用加工设备能否对产品进行加工制造。步骤102即为分析产品的可制造性。
其中,可制造性条件综合加工设备的加工能力、产品的精度要求以及图纸的完整性。可制造性条件具体包括:
条件1:利用当前加工设备是否能将加工样本加工制造为满足加工要求的产品,若否,则产品不建议制造。该条件针对产品的加工要求是否超出加工设备的加工能力。设备资料库中存储有多种加工设备,不同加工设备的加工范围和加工能力不同。若产品的加工超出了当前加工设备的加工能力,则该产品无法进行制造。在本实施例中,加工能力体现在加工设备的加工参数及限制方面。
条件2:加工精度是否满足预设精度条件,若否,则产品不建议制造。预设精度条件为不高于通用精度要求,且不接近最高通用精度要求。通用精度要求可能为一个具体的数据,也有可能为一个数值范围。在不同的制造领域,通用精度要求不同。在实际的机械产品制造中,产品的精度往往会直接影响产品的加工成本,因此,控制产品精度能大大缩短加工成本。在本实施例中,通用精度要求即为在该产品所属的领域中,常用的加工精度。在实际应用中,通用精度要求往往是一个概括的精度范围,若产品精度接近或超过最高的通用精度,且该产品并非一定要按照该精度要求进行加工,则该产品的精度要求较高,会极大增加产品的加工成本,需降低产品的精度要求才建议制造。产品的精度若高于通用精度要求,并不一定不能制造,只是生产成品会提高。因此不满足该条件的产品,后续会提供一个合适精度的DFM建议给客户选择。
条件3:基于图纸数据,分析产品图纸中的尺寸信息是否完整。产品的图纸缺少尺寸,则产品不建议制造。在制造领域,图纸上的每一个产品线都需要有尺寸标注,尺寸线位于产品线附近,并与产品线之间存在对应关系。从字符资料库中获取字符和第一坐标数据,从图像资料库中获取图像和第二坐标数据。分析字符和第一坐标数据、图像和第二坐标数据,判断每个所述产品线是否与某个尺寸线存在预设的对应关系以及尺寸线是否缺失寸尺标注,从而判断图纸影像中的尺寸是否完整。
只有条件1、条件2和条件3都为是,才满足所述可制造性条件;否则,则不满足所述可制造性条件。即只有在利用当前加工设备能将加工样本加工制造为满足加工要求的产品、加工精度满足预设精度条件且产品的图纸中的尺寸信息完整的情况下,才满足所述可制造性条件,产品才会建议制造。
具体地,步骤104、若不能制造,则跳转至预设的图像化DFM模块进行图像化DFM处理。图像化DFM处理的流程图如说明书附图4所示,具体包括:
10401、针对产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
10402、从预设资料库中获取坐标数据和图纸影像,根据坐标数据查找需改正处在图纸影像上的坐标位置,并在坐标位置处标注可制造性建议;
10403、输出标注后的图纸影像得到图像反馈结果。技术人员根据图像反馈结果,进行适应性的修改。
针对产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议。不符合条件1则给出可制造的尺寸或公差建议;不符合条件2则给出合适的精度要求;不符合条件3则反馈给技术人员进行补充。获取可制造性建议后,在图纸影像中的相应位置进行标注。由于在前述图文分离预处理处获取了坐标数据,根据坐标数据查找需改正处的具体位置,生成图像反馈结果。技术人员可直观的在图纸影像中找到存在问题的具体位置,并能根据可制造性建议及时进行改正。
例如,产品不符合条件1,即产品不能利用加工设备进行制造,则可制造性建议包括可制造的尺寸或公差建议。产品图纸要求超出了当前设备的加工能力和加工范围,只能提供可制造的尺寸或公差建议。
例如,产品不符合条件2,即产品的精度要求高于通用精度要求,或接近最高的通用精度要求,若产品并非必须按照精度要求制造,则可制造性建议包括满足预设精度条件的精度建议。例如,一件产品为500mm长,但其平面度要求为0.1mm,这已超出了该产品的通用精度要求的最大值0.5mm。即使可以利用当前拥有的高精度加工设备可以实现0.1mm的平面度要求,但相对加工成本会大大提高。若此产品并非被选定为必须按图纸要求制作,则图像化DFM模块可提供合适的平面度建议,并在图纸影像中的相应位置标注,输出给技术人员进行选择。
判别产品的尺寸/形位公差在设计时是否要求过高而反馈出合理的尺寸/形位公差。在实际生产中,因有些缺乏经验的产品设计工程师往往会把部份尺寸/形位公差标注得过紧,导致产品的加工成本不合理地提高。因此,除了判别产品是否适合当前设备加工外,亦需判别其精度要求是否过高,从而得出合理的加工成本,对客户亦多一重保障。当然,若DFM反馈后,客户考虑到零件在功能上的问题仍坚持维持原有设计的精度,则便可忽略此项判别。
示例性的,说明书附图5提供了示例图纸,该图纸有两个尺寸线,但只有一处尺寸标注,因此存在尺寸缺失。此外,尺寸标注“W+/-T”表示该处的宽度为W,公差为T。当前的加工设备无法加工宽度为W的产品,即图纸中标注的W过窄,且在该领域的通用公差为t,而T要小于t,即该图纸的通用精度要求过高。DFM分析模块综合可制造性条件,该产品不符合条件1、条件2和条件3,因此判定该图纸呈现的产品不建议制造,交由图像化DFM模块进行处理。图像化DFM模块根据可制造性条件一一获取可制造性建议,并根据资料库中的坐标数据查找存在问题的具体位置并标注。在具体位置附近标注可制造性建议。图像化DFM模块生成的图像反馈结果如说明书附图6所示,将尺寸标注“W+/-T”圈住,并在旁边用方框标注“DFM:W1+/-T1”,当前设备可制造出W1的加工尺寸,且T1大于t。在缺失尺寸标注的附近,用方框标注“DFM:尺寸缺失”。用户可通过图像反馈结果直观地得出产品图纸的问题,并获得建议。
若产品可制造,或得到图像反馈结果后,则可继续进行后续的加工流程排定。
本实施例提供了一种机械产品可制造性智能分析方法,利用DFM分析模块和图像化DFM模块相结合,实现产品可制造性设计分析智能化。DFM分析模块根据系统预设的可制造性条件分析产品的可制造性,分析速度快,且准确度高,大大降低了人工分析的错误率。不建议制造的产品跳转至图像化DFM模块进行更正标注反馈,图像化DFM模块根据产品不符合的可制造性条件生成可制造性建议,有针对性的进行更改反馈。技术人员可直观的通过输出的图像反馈结果得到产品的问题和建议,大大缩短了产品的制造时间。
实施例2
本发明实施例2公开了一种机械产品可制造性智能分析系统,采用实施例1所提供的一种机械产品可制造性智能分析方法。在实施例1的基础上,将实施例1的方法系统化,各模块结构示意图如说明书附图7所示,具体方案如下:
一种机械产品可制造性智能分析系统,包括数据获取模块1、DFM分析模块2和图像化DFM模块3。各模块的具体应用如下所述:
数据获取模块1:用于获取产品的图纸数据和加工样本,分析图纸数据得到产品的加工流程,筛选出加工流程中涉及到的全部加工设备,并获取各加工设备的加工参数及限制;加工流程包括加工精度和加工要求;
通过预训练的机器学习算法对图纸数据进行分析处理得到产品的加工流程。加工流程的获取过程如下:首先,基于图纸数据构建产品的三维模型,获取产品的外形特征。其次,通过预训练的机器学习算法,在预设的样本资料库中查找与产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本。最后,将所有的第一图纸样本的加工流程作为产品的加工流程。若查找不出与产品相比、在外形特征上满足预设条件的图纸样本,则通过机器学习算法根据产品上的外形特征自行排定一种或多种加工流程。
DFM分析模块2:基于图纸数据、加工参数及限制,以预设可制造性条件分析产品的可制造性;若满足可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;
图像化DFM模块3:用于进行图像化DFM处理,基于可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在需改正处标注可制造性建议,得到图像反馈结果。
其中,可制造性条件具体包括:
条件1:利用加工设备是否能将加工样本加工制造为满足加工要求的产品;
条件2:加工精度是否满足预设精度条件;
条件3:基于图纸数据,分析产品图纸中的尺寸信息是否完整;
只有在条件1、条件2和条件3都为是的情况下,才满足可制造性条件;否则,则不满足可制造性条件。
图像化DFM模块3的构成如说明书附图8所示,图像化DFM模块3具体包括:
建议获取单元31:用于针对产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
建议标注单元32:用于从预设资料库中获取坐标数据和图纸影像,根据坐标数据查找需改正处在图纸影像上的坐标位置,并在坐标位置处标注可制造性建议;
反馈单元33:用于输出标注后的图纸影像得到图像反馈结果。
本实施例提供了一种机械产品可制造性智能分析系统,采用实施例1所提供的一种机械产品可制造性智能分析方法。在实施例1的基础上,将实施例1的方法系统化,使其更具实际应用性。
本发明提供了一种机械产品可制造性智能分析方法及系统,利用DFM分析模块和图像化DFM模块相结合,实现产品可制造性设计分析智能化。DFM分析模块根据系统预设的可制造性条件分析产品的可制造性,分析速度快,且准确度高,大大降低了人工分析的错误率。不建议制造的产品跳转至图像化DFM模块进行更正标注反馈,图像化DFM模块根据产品不符合的可制造性条件生成可制造性建议,有针对性的进行更改反馈。技术人员可直观的通过输出的图像反馈结果得到产品的问题和建议,大大缩短了产品的制造时间。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。上述本发明序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种机械产品可制造性智能分析方法,其特征在于,包括如下:
获取产品的图纸数据和加工样本,基于所述图纸数据构建产品的三维模型,获取产品的外形特征;
通过预训练的机器学习算法,在预设的样本资料库中查找与所述产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本;将所有的所述第一图纸样本的加工流程作为所述产品的加工流程,以得到产品的一种或多种加工流程;其中,所述样本资料库中存储有多个已排定加工流程、且按外形特征分类的图纸样本;
筛选出所述加工流程中涉及到的全部加工设备,并获取各所述加工设备的加工参数及限制;所述加工流程包括加工精度和加工要求;
基于所述图纸数据、所述加工参数及限制,以预设可制造性条件分析产品的可制造性;
若满足所述可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足所述可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;
所述图像化DFM处理包括:所述图像化DFM模块基于所述可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在所述需改正处标注所述可制造性建议,得图像反馈结果。
2.根据权利要求1所述的机械产品可制造性智能分析方法,其特征在于,所述可制造性条件包括:
条件1:利用所述加工设备是否能将所述加工样本加工制造为满足所述加工要求的产品;
条件2:所述加工精度是否满足预设精度条件;
条件3:所述图纸数据中尺寸信息是否完整;
只有在所述条件1、所述条件2和所述条件都为是的情况下,才满足所述可制造性条件;否则,则不满足所述可制造性条件。
3.根据权利要求2所述的机械产品可制造性智能分析方法,其特征在于,所述条件1具体包括:
所述加工要求是否不超出所述加工设备的加工限制,且所述加工设备的加工参数是否符合所述加工要求;若都为是,则利用所述加工设备能所述加工样本加工制造为所述产品;
所述条件2具体包括:
所述预设精度条件为不高于通用精度要求、且不接近最高通用精度要求。
4.根据权利要求2所述的机械产品可制造性智能分析方法,其特征在于,所述图像化DFM处理具体包括:
针对所述产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
从预设资料库中获取坐标数据和图纸影像,根据所述坐标数据查找所述需改正处在所述图纸影像上的具体坐标位置,并在所述坐标位置处标注所述可制造性建议;
输出标注后的图纸影像得到图像反馈结果。
5.根据权利要求4所述的机械产品可制造性智能分析方法,其特征在于,若所述条件1为否,则所述可制造性建议包括可制造的尺寸或公差建议;
若所述条件2为否,且所述产品并非必须按照加工精度制造,则所述可制造性建议包括满足预设精度条件的精度建议。
6.根据权利要求1所述的机械产品可制造性智能分析方法,其特征在于,若查找不出与所述产品相比、在外形特征上满足预设条件的图纸样本,则通过所述机器学习算法根据所述产品上的外形特征自行排定出一种或多种加工流程;
所述机器学习算法的训练过程具体包括:
将已建立加工流程的图纸数据按照外形特征进行分类,得到图纸样本,存储到预设的样本资料库中;
基于所述图纸样本,对初始机器学习算法进行有监督训练,得到所述机器学习算法。
7.根据权利要求6所述的机械产品可制造性智能分析方法,其特征在于,“在预设的样本资料库中查找与所述产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本”具体包括:
查找所述样本资料库,判断是否存在与所述产品的图纸数据完全相同的图纸样本:若存在,则该图纸样本即为第一图纸样本;
若不存在,则查找出与所述产品相比、在外形特征的相似程度上满足预设比例关系的所有图纸样本,并从中筛选出相似程度较高的一个或多个图纸样本作为第一图纸样本。
8.一种机械产品可制造性智能分析系统,其特征在于,包括,
数据获取模块:用于获取产品的图纸数据和加工样本,基于所述图纸数据构建产品的三维模型,获取产品的外形特征;通过预训练的机器学习算法,在预设的样本资料库中查找与所述产品相比、在外形特征上满足预设条件的一个或多个图纸样本,并将其作为第一图纸样本;将所有的所述第一图纸样本的加工流程作为所述产品的加工流程,以得到产品的一种或多种加工流程;其中,所述样本资料库中存储有多个已排定加工流程、且按外形特征分类的图纸样本;筛选出所述加工流程中涉及到的全部加工设备,并获取各所述加工设备的加工参数及限制;所述加工流程包括加工精度和加工要求;
DFM分析模块:基于所述图纸数据、所述加工参数及限制,以预设可制造性条件分析产品的可制造性;若满足所述可制造性条件,则建议制造,并进行后续的加工流程排定;若不满足所述可制造性条件,则不建议制造,并跳转至预设的图像化DFM模块进行图像化DFM处理;
图像化DFM模块:用于进行图像化DFM处理,基于所述可制造性条件分析产品图纸的需改正处,生成可制造性建议,并在所述需改正处标注所述可制造性建议,得到图像反馈结果。
9.根据权利要求8所述的机械产品可制造性智能分析系统,其特征在于,所述可制造性条件包括:
条件1:利用所述加工设备是否能将所述加工样本加工制造为满足所述加工要求的产品;
条件2:所述加工精度是否满足预设精度条件;
条件3:基于所述图纸数据,分析所述产品图纸中的尺寸信息是否完整;
只有所述条件1、所述条件2和所述条件3都为是的情况下,才满足所述可制造性条件;否则,则不满足所述可制造性条件。
10.根据权利要求8所述的机械产品可制造性智能分析系统,其特征在于,所述图像化DFM模块具体包括:
建议获取单元:用于针对所述产品不符合的可制造性条件,查找产品图纸的需改正处,得到可制造性建议;
建议标注单元:用于从预设资料库中获取坐标数据和图纸影像,根据所述坐标数据查找所述需改正处在所述图纸影像上的坐标位置,并在所述坐标位置处标注所述可制造性建议;
反馈单元:用于输出标注后的图纸影像得到图像反馈结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387513.9A CN114186359B (zh) | 2021-11-22 | 2021-11-22 | 一种机械产品可制造性智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387513.9A CN114186359B (zh) | 2021-11-22 | 2021-11-22 | 一种机械产品可制造性智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114186359A CN114186359A (zh) | 2022-03-15 |
CN114186359B true CN114186359B (zh) | 2022-09-27 |
Family
ID=80541177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387513.9A Active CN114186359B (zh) | 2021-11-22 | 2021-11-22 | 一种机械产品可制造性智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186359B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717598A (en) * | 1990-02-14 | 1998-02-10 | Hitachi, Ltd. | Automatic manufacturability evaluation method and system |
CN102542116A (zh) * | 2012-01-06 | 2012-07-04 | 深圳市汉普电子技术开发有限公司 | Dfm分析自动化的方法及装置 |
CN111136495A (zh) * | 2019-12-25 | 2020-05-12 | 广东宏远新科自动化技术开发有限公司 | 多品种小批量加工件的智能无人cnc加工方法及系统 |
CN111226217A (zh) * | 2017-08-30 | 2020-06-02 | 雷普利奥利公司 | 制造设计修改系统 |
CN112487717A (zh) * | 2020-11-27 | 2021-03-12 | 江苏科技大学 | 一种船用柴油机关键件的可制造性智能评价方法 |
CN112712303A (zh) * | 2021-03-26 | 2021-04-27 | 上海交大智邦科技有限公司 | 加工工艺数字化规划方法及软件平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180330018A1 (en) * | 2017-05-12 | 2018-11-15 | The Boeing Company | Methods and systems for part geometry extraction |
WO2021104608A1 (de) * | 2019-11-26 | 2021-06-03 | Siemens Aktiengesellschaft | Verfahren zum erzeugen eines engineering-vorschlags für eine vorrichtung oder anlage |
-
2021
- 2021-11-22 CN CN202111387513.9A patent/CN114186359B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717598A (en) * | 1990-02-14 | 1998-02-10 | Hitachi, Ltd. | Automatic manufacturability evaluation method and system |
CN102542116A (zh) * | 2012-01-06 | 2012-07-04 | 深圳市汉普电子技术开发有限公司 | Dfm分析自动化的方法及装置 |
CN111226217A (zh) * | 2017-08-30 | 2020-06-02 | 雷普利奥利公司 | 制造设计修改系统 |
CN111136495A (zh) * | 2019-12-25 | 2020-05-12 | 广东宏远新科自动化技术开发有限公司 | 多品种小批量加工件的智能无人cnc加工方法及系统 |
CN112487717A (zh) * | 2020-11-27 | 2021-03-12 | 江苏科技大学 | 一种船用柴油机关键件的可制造性智能评价方法 |
CN112712303A (zh) * | 2021-03-26 | 2021-04-27 | 上海交大智邦科技有限公司 | 加工工艺数字化规划方法及软件平台 |
Non-Patent Citations (4)
Title |
---|
A Deep 3D Convolutional Neural Network Based Design for Manufacturability Framework;Aditya Balu 等;《http://arxiv.org/abs/1612.02141v1》;20161207;第1-9页 * |
IDENTIFICATION OF MANUFACTURABILITY CONSTRAINTS THROUGH PROCESS SIMULATION AND DATA MINING;Yuqing Zhou 等;《Proceedings of the ASME 2014 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference》;20150113;第1-10页 * |
基于数字技术的模具制造半自动化;袁根华;《机械研究与应用》;20161109;第29卷(第05期);第176-178页 * |
航空发动机产品可制造性评估的应用研究;孙岩峰 等;《航空发动机》;20171215;第43卷(第06期);第53-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114186359A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Manufacturability analysis for additive manufacturing using a novel feature recognition technique | |
CN112712303B (zh) | 加工工艺数字化规划方法及软件平台 | |
CN108021683B (zh) | 一种基于三维标注的相似模型检索实现方法 | |
CN112053430B (zh) | 一种采用移动终端结合增强现实技术的文创产品设计方案评价系统 | |
KR101527608B1 (ko) | 입력 프로덕트를 정의하기 위한 컴퓨터 구현 방법 | |
CN112651378B (zh) | 紧固件二维图纸的标注信息识别方法、设备及介质 | |
JP5266488B2 (ja) | 知識管理装置及び知識管理装置の端末機と知識管理装置のプログラム | |
CN108334805A (zh) | 检测文档阅读顺序的方法和装置 | |
CN114186298B (zh) | 智能机械零件制造营运方法及系统 | |
CN112001047B (zh) | 一种基于pmi信息的雷达关键零部件工艺设计方法 | |
CN117235929A (zh) | 基于知识图谱和机器学习的三维cad生成式设计方法 | |
CN110795835A (zh) | 一种基于自动同步建模的三维工序模型逆向生成方法 | |
CN113096147A (zh) | 一种基于matlab的激光标记阴影的自动生成方法 | |
CN115470690A (zh) | 用于基于机器学习的产品设计自动化和优化的系统和方法 | |
CN114186359B (zh) | 一种机械产品可制造性智能分析方法及系统 | |
CN116976034A (zh) | 一种基于cad软件的零件库系统 | |
TW201317815A (zh) | 尺寸號資訊處理系統及方法 | |
Cheung et al. | A framework of a virtual machining and inspection system for diamond turning of precision optics | |
CN113989808B (zh) | 基于图纸信息处理的机械制造材料规格选择方法及系统 | |
CN103177064A (zh) | 一种自动取录电子文档中指定内容的方法 | |
Rao et al. | Automated generation of NC part programs for turned parts based on 2-D drawing image files | |
CN112016589A (zh) | 一种多特征复杂零件模型到机床装备的端到端推荐方法 | |
JP7395954B2 (ja) | Ncデータ良否判定装置及び加工装置 | |
Mohammadi et al. | Development of a deep learning machining feature recognition network for recognition of four pilot machining features | |
Xie et al. | STEP-compliant process planning system for compound sheet metal machining |
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 | ||
CP03 | Change of name, title or address |
Address after: 523078 Building 3, No. 2, Xinke Road, Nancheng Street, Dongguan City, Guangdong Province Patentee after: Guangdong Saide Automation Technology Co.,Ltd. Address before: 523087 d2E, Xinke factory area, Hongyuan Industrial Zone, Xinke Road, Nancheng street, Dongguan City, Guangdong Province Patentee before: GUANGDONG HONGYUAN XINKE AUTOMATION TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
CP03 | Change of name, title or address |