CN115268366A - 一种基于gpu并行运算五轴铣床仿真方法 - Google Patents

一种基于gpu并行运算五轴铣床仿真方法 Download PDF

Info

Publication number
CN115268366A
CN115268366A CN202210961510.XA CN202210961510A CN115268366A CN 115268366 A CN115268366 A CN 115268366A CN 202210961510 A CN202210961510 A CN 202210961510A CN 115268366 A CN115268366 A CN 115268366A
Authority
CN
China
Prior art keywords
gpu
information
sdf
workpiece
grid
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.)
Pending
Application number
CN202210961510.XA
Other languages
English (en)
Inventor
张乾
刘凯奇
汪宝生
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.)
Shinegraph Info&tech Co ltd
Original Assignee
Shinegraph Info&tech Co ltd
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 Shinegraph Info&tech Co ltd filed Critical Shinegraph Info&tech Co ltd
Priority to CN202210961510.XA priority Critical patent/CN115268366A/zh
Publication of CN115268366A publication Critical patent/CN115268366A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种基于GPU并行运算五轴铣床仿真方法，包括以下步骤：S1，通过体素密度，预设缓存，划分空间，计算工件SDF距离场，构建刀具sdf运算函数；S2，网格工件提取顶点、法线和三角面片信息，通过射线检测的方式计算三角网格的UDF和SDF；S3，GPU分配计算核心，进行工件和刀具的布尔运算，实时更新SDFBytes；S4，GPU通过SDF距离场和二值面信息进行MarchingCube运算生成网格信息。数控仿真加工过程可以视为材料减法制造，引入图形学中基于体素的概念来加速材料去除适合大规模并行，进一步提高了基于高空间精度的体积体素算法的计算性能，允许快速和准确的实时体积去除仿真和分析加工过程，极大的减少内存上消耗；结合了SDF距离场，让空间更简单，更易操作。

Description

一种基于GPU并行运算五轴铣床仿真方法
技术领域
本发明涉及加工仿真技术领域，尤其涉及一种基于GPU并行运算五轴铣床仿真方法。
背景技术
随着计算机硬件和软件技术的飞速发展，，对制造业的发展提出了更高的要求和新的制约条件。
数控加工仿真是在虚拟加工环境中对真实数控加工过程建立数学模型，虚拟制造的核心部分。数控技术是指用数字信号对一台或者几台机械设备的运行及其加工过程进行控制的一门自动化技术。
虚拟数控技术是指数控机床在虚拟环境中的映射，虚拟数控技术有两个模块的核心内容：几何仿真和物理仿真。
而数控仿真加工过程可以视为材料减法制造，随着新一代的GPU硬件被挖掘，计算能力和算法能力飞速提升，复杂加工过程和大型工件的行为模拟已经触手可及，仿真需要快速的去除无关材料和分析与高空间分辨率的多轴操作，同时需要解决因为底层框架追求性能，内存上消耗极大的问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于GPU并行运算五轴铣床仿真方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于GPU并行运算五轴铣床仿真方法，包括以下步骤：
S1，通过体素密度，预设缓存，划分空间，计算工件SDF距离场，构建刀具sdf运算函数；
S2，网格工件提取顶点、法线和三角面片信息，通过射线检测的方式计算三角网格的UDF和SDF；
S3，GPU分配计算核心，进行工件和刀具的布尔运算，实时更新SDFBytes；
S4，GPU通过SDF距离场和二值面信息进行MarchingCube运算生成网格信息，其中，包括顶点，法线和三角面；
S5，渲染网格，完成仿真。
进一步地，所述步骤S1中，具体包括以下步骤：
S101，预设体素密度设置方法为：自定义空间体素的计算规模--工件包围盒尺寸固定，标记3d空间中x，y，z三个维度中体素的数量，使用L/dimensions表示，根据设置的内容，传入参数到仿真设备中，将对应参数初始化；
S102，预设缓存空间：基于光栅化的渲染，三角网格相关的信息需要通过CPU到GPU拷贝，直接在CPU发出指令在GPU中开辟一块内存用于直接存储GPU计算的结果，减少DrawCall来提升渲染的性能；
S103，计算工件的SDF距离场：每个像素记录自己于距离自己最近物体间的距离，其中，如果在物体内，则距离为负，正好在物体边界上则为零，在物体外，距离为正；
S104，刀具SDF运算函数，选取的刀具种类包括：平刀头、球形刀头、锥形刀头、波浪形刀头和面铣刀。
进一步地，所述步骤S2中，具体包括以下步骤：
S201，模型提取网格信息，其中，静态模型格式主要包括：ply、stl和obj；
S202，提取网格包围空间：导入资产的预估信息成为软件的资产，同时提取模型的包围盒信息，进行统一的归一化处理；
S203，空间体素划分：模型的包围盒空间属于体素空间，通过传入dimensions参数，设置x，y，z三个维度体素划分的信息，初始化体素的检测规模；
S204，GPU/CPU计算SDF：CPU分配多核心，GPU使用计算着色器并行架构，计算网格的sdf信息。
进一步地，在步骤S202中，提取模型的包围盒信息，进行统一的归一化处理的内容包含：平移、旋转、缩放，模型转换为标准空间下的子物体。
进一步地，S204的具体步骤为：
首先，计算空间体素的udf信息(无符号距离信息)(无符号距离信息)，建立数学模型，计算每一个体素距离三角面的最短距离，结果建立哈希表，动态管理这些基于体素的udf值，其中，封闭的网格存在内外的信息，等值面内和等值面外；
然后，每个体素发射足够多得射线进行检测，如果射线(超过一半及以上)的方向是由内发出的，SDF就等于-UDF，反之，则为UDF，计算结果进行整理并保存。
进一步地，所述步骤S3中，具体步骤如下：
S301，碰撞检测运算：实时检测刀具和工件的状态信息，同步刀具轨迹、铣台和工件的位置，通过数控虚拟仿真进行模拟数控机床运转；
S302，工件和刀具的布尔运算流程为：CPU预设工件位置、类型和状态信息，同时分配GPU核心，构造核函数；
根据工件的位置和状态，计算工件的初始sdf值并更新到VoxelBuffer缓存区。
进一步地，步骤S301的具体流程为：
首先，铣床运转，AC台旋转和刀具移动，记录AC台的旋转信息，刀具的transform信息，更新GPU工件和刀具的状态；
然后，GPU计算VoxelBuffer，当工件的VoxelSDF值发生符号的变化，则认为当前的对象间发生了碰撞。
进一步地，步骤S302中刀具的SDF函数构建的流程为：基图元间的并集运算，生成刀具的SDF组合函数；
通过工件和刀具间的SDF函数差集运算，逐帧更新VoxelBuffer运算结果并更新到CPU内存中。
进一步地，所述步骤S4中，具体包括以下步骤：
S401，进行缓存区预设：创建网格类型数据结构，构造GraphicsBuffer，GraphicsBuffer为GPU图形数据缓存区，用于处理顶点和索引缓存区数据；
在GPU上分配固定缓存区，将这块内存区域分配给Mesh对象，方便GPU的运算结果直接映射到这块内存；
S402，在GPU上进行MarchingCube运算：创建MeshBuilder类，初始化体素Grids，CPU申请内存用于存储三角网格查询表(拓扑关系表)并upload到GPU(计算着色器常量缓存区)；
使用计算着色器，传入三角面信息，缩放信息、等值面、VoxelBuffer、拓扑关系表、顶点缓存、索引缓存并分配GPU核心，重建网格(MarchingCube)；
S403，渲染数控仿真网格：通过grids和scale信息计算Mesh包围盒子相关的信息，更新网格包围盒；
递交顶点缓存区和索引缓存区到Mesh结构；
构造渲染流水线，渲染Mesh。
进一步地，S402具体流程如下：
1)剔除Dims.xyz区域外的体素点；
2)并行计算当前体素小立方块的八个采样顶点，存储采样点；
3)过滤立方体单元为空的情况，将当前六面体8个顶点的函数值与给定等值面值C进行比较,得到该六面体的状态表；
4)根据当前六面体的状态表索引,找出与等值面相交的六面体棱边,并采用线性插值的方法,计算出各个交点的位置坐标；
5)利用中心差分法,求出当前六面体8个顶点的法向量,在采用线性插值的方法,得到三角面片各个顶点的法向；
6)更新顶点和索引信息到对应的缓存区中。
相比于现有技术，本发明的有益效果在于：数控仿真加工过程可以视为材料减法制造，引入图形学中基于体素的概念来加速材料去除适合大规模并行，利用GPU并行设计在虚拟仿真领域性能和精细度上都有质的飞跃；
通过图形硬件提供的计算能力，进一步提高了基于高空间精度的体积体素算法的计算性能，允许快速和准确的实时体积去除仿真和分析加工过程，极大的减少内存上消耗；
此外，结合了SDF距离场，其中SDF距离场属于数字资产，将3D资产数字化(精确性和安全性)，一定程度上降低了3D空间的复杂度，SDF数字资产设计，让空间更简单，更易操作。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的基于GPU并行运算五轴铣床仿真方法的流程逻辑图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例一
参照图1，基于GPU并行运算五轴铣床仿真方法，包括以下步骤：
S1，通过体素密度，预设缓存，划分空间，计算工件SDF距离场，构建刀具sdf运算函数；
S2，网格工件提取顶点、法线和三角面片信息，通过射线检测的方式计算三角网格的UDF和SDF；
S3，GPU分配计算核心，进行工件和刀具的布尔运算，实时更新SDFBytes；
S4，GPU通过SDF距离场和二值面信息进行MarchingCube运算生成网格信息，其中，包括顶点，法线和三角面；
S5，渲染网格，完成仿真。
实施例二
参照图1，在实施例一的基础上，所述步骤S1中，具体包括以下步骤：
S101，预设体素密度设置方法为：体素的密度关联着数控仿真的精细程度，自定义空间体素的计算规模--工件包围盒尺寸固定，标记3d空间中x，y，z三个维度中体素的数量，使用L/dimensions表示，根据设置的内容，传入参数到仿真设备中，将对应参数初始化；
具体的，设备面板上能看到参数被修改成功。
S102，预设缓存空间：基于光栅化的渲染，三角网格相关的信息需要通过CPU到GPU拷贝，直接在CPU发出指令在GPU中开辟一块内存用于直接存储GPU计算的结果，减少DrawCall来提升渲染的性能；
需要说明的是三角网格相关的信息需要通过CPU到GPU拷贝、预设缓存空间。
S103，计算工件的SDF距离场：每个像素记录自己于距离自己最近物体间的距离，其中，如果在物体内，则距离为负，正好在物体边界上则为零，在物体外，距离为正；
S104，刀具SDF运算函数，铣床加工中，选取的刀具种类包括：平刀头、球形刀头、锥形刀头、波浪形刀头和面铣刀；
需要说明的是，结构从简单到复杂，设计上需要考虑到数学运算(布尔运算：交、差、并混合运算)。
所述步骤S2中，具体包括以下步骤：
S201，模型提取网格信息，其中，静态模型格式主要包括：ply、stl和obj；
需要说明的是，静态模型数据不能直接作为虚拟仿真软件(设备)的资产，我们需要解析相关数据转化为软件的私有资产，软件设计Load模块用于解析模型数据，提取模型的顶点，法线，三角面片等信息，然后通过转化将信息转化为软件的资产，提供给软件使用及维护，访问上软件设置一定的级别，提高私有资产的安全性。
S202，提取网格包围空间：导入资产的预估信息成为软件的资产，同时提取模型的包围盒信息，进行统一的归一化处理；
S203，空间体素划分：模型的包围盒空间属于体素空间，通过传入dimensions参数，设置x，y，z三个维度体素划分的信息，初始化体素的检测规模；
S204，GPU/CPU计算SDF：CPU分配多核心，GPU使用计算着色器并行架构，计算网格的sdf信息。
在步骤S202中，提取模型的包围盒信息，进行统一的归一化处理的内容包含：平移、旋转、缩放，模型转换为标准空间下的子物体；
S204的具体步骤为：
首先，计算空间体素的udf信息(无符号距离信息)(无符号距离信息)，建立数学模型，计算每一个体素距离三角面的最短距离，结果建立哈希表，动态管理这些基于体素的udf值，其中，封闭的网格存在内外的信息，等值面内和等值面外；
然后，每个体素发射足够多得射线进行检测，如果射线(超过一半及以上)的方向是由内发出的，SDF就等于-UDF，反之，则为UDF，计算结果进行整理并保存。
所述步骤S3中，具体步骤如下：
S301，碰撞检测运算：实时检测刀具和工件的状态信息，同步刀具轨迹、铣台和工件的位置，通过数控虚拟仿真进行模拟数控机床运转；
S302，工件和刀具的布尔运算流程为：CPU预设工件位置、类型和状态信息，同时分配GPU核心，构造核函数；
根据工件的位置和状态，计算工件的初始sdf值并更新到VoxelBuffer缓存区。
步骤S301的具体流程为：
首先，铣床运转，AC台旋转和刀具移动，记录AC台的旋转信息，刀具的transform信息，更新GPU工件和刀具的状态；
然后，GPU计算VoxelBuffer，当工件的VoxelSDF值发生符号的变化，则认为当前的对象间发生了碰撞。
步骤S302中刀具的SDF函数构建的流程为：基图元间的并集运算，生成刀具的SDF组合函数；
通过工件和刀具间的SDF函数差集运算，逐帧更新VoxelBuffer运算结果并更新到CPU内存中。
所述步骤S4中，具体包括以下步骤：
S401，进行缓存区预设：创建网格类型数据结构，构造GraphicsBuffer，GraphicsBuffer为GPU图形数据缓存区，用于处理顶点和索引缓存区数据；
在GPU上分配固定缓存区，将这块内存区域分配给Mesh对象，方便GPU的运算结果直接映射到这块内存；
S402，在GPU上进行MarchingCube运算：创建MeshBuilder类，初始化体素Grids，CPU申请内存用于存储三角网格查询表(拓扑关系表)并upload到GPU(计算着色器常量缓存区)；
使用计算着色器，传入三角面信息，缩放信息、等值面、VoxelBuffer、拓扑关系表、顶点缓存、索引缓存并分配GPU核心，重建网格(MarchingCube)；
S403，渲染数控仿真网格：通过grids和scale信息计算Mesh包围盒子相关的信息，更新网格包围盒；
递交顶点缓存区和索引缓存区到Mesh结构；
构造渲染流水线，渲染Mesh。
S402具体流程如下：
1)剔除Dims.xyz区域外的体素点；
2)并行计算当前体素小立方块的八个采样顶点，存储采样点；
3)过滤立方体单元为空的情况，将当前六面体8个顶点的函数值与给定等值面值C进行比较,得到该六面体的状态表；
4)根据当前六面体的状态表索引,找出与等值面相交的六面体棱边,并采用线性插值的方法,计算出各个交点的位置坐标；
5)利用中心差分法,求出当前六面体8个顶点的法向量,在采用线性插值的方法,得到三角面片各个顶点的法向；
6)更新顶点和索引信息到对应的缓存区中。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于GPU并行运算五轴铣床仿真方法，其特征在于，包括以下步骤：
S1，通过体素密度，预设缓存，划分空间，计算工件SDF距离场，构建刀具sdf运算函数；
S2，网格工件提取顶点、法线和三角面片信息，通过射线检测的方式计算三角网格的UDF和SDF；
S3，GPU分配计算核心，进行工件和刀具的布尔运算，实时更新SDFBytes；
S4，GPU通过SDF距离场和二值面信息进行MarchingCube运算生成网格信息；
S5，渲染网格，完成仿真。
2.根据权利要求1所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，所述步骤S1中，具体包括以下步骤：
S101，预设体素密度设置方法为：自定义空间体素的计算规模--工件包围盒尺寸固定，标记3d空间中x，y，z三个维度中体素的数量，使用L/dimensions表示，根据设置的内容，传入参数到仿真设备中，将对应参数初始化；
S102，预设缓存空间：基于光栅化的渲染，三角网格相关的信息需要通过CPU到GPU拷贝，直接在CPU发出指令在GPU中开辟一块内存用于直接存储GPU计算的结果，减少DrawCall来提升渲染的性能；
S103，计算工件的SDF距离场：每个像素记录自己于距离自己最近物体间的距离，其中，如果在物体内，则距离为负，正好在物体边界上则为零，在物体外，距离为正；
S104，刀具SDF运算函数，选取的刀具种类包括：平刀头、球形刀头、锥形刀头、波浪形刀头和面铣刀。
3.根据权利要求1所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，所述步骤S2中，具体包括以下步骤：
S201，模型提取网格信息，其中，静态模型格式主要包括：ply、stl和obj；
S202，提取网格包围空间：导入资产的预估信息成为软件的资产，同时提取模型的包围盒信息，进行统一的归一化处理；
S203，空间体素划分：模型的包围盒空间属于体素空间，通过传入dimensions参数，设置x，y，z三个维度体素划分的信息，初始化体素的检测规模；
S204，GPU/CPU计算SDF：CPU分配多核心，GPU使用计算着色器并行架构，计算网格的sdf信息。
4.根据权利要求3所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，在步骤S202中，提取模型的包围盒信息，进行统一的归一化处理的内容包含：平移、旋转、缩放，模型转换为标准空间下的子物体。
5.根据权利要求4所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，S204的具体步骤为：
首先，计算空间体素的udf信息，建立数学模型，计算每一个体素距离三角面的最短距离，结果建立哈希表，动态管理这些基于体素的udf值，其中，封闭的网格存在内外的信息，等值面内和等值面外；
然后，每个体素发射足够多得射线进行检测，如果射线的方向是由内发出的，SDF就等于-UDF，反之，则为UDF，计算结果进行整理并保存。
6.根据权利要求1所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，所述步骤S3中，具体步骤如下：
S301，碰撞检测运算：实时检测刀具和工件的状态信息，同步刀具轨迹、铣台和工件的位置，通过数控虚拟仿真进行模拟数控机床运转；
S302，工件和刀具的布尔运算流程为：CPU预设工件位置、类型和状态信息，同时分配GPU核心，构造核函数；
根据工件的位置和状态，计算工件的初始sdf值并更新到VoxelBuffer缓存区。
7.根据权利要求6所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，步骤S301的具体流程为：
首先，铣床运转，AC台旋转和刀具移动，记录AC台的旋转信息，刀具的transform信息，更新GPU工件和刀具的状态；
然后，GPU计算VoxelBuffer，当工件的VoxelSDF值发生符号的变化，则认为当前的对象间发生了碰撞。
8.根据权利要求7所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，步骤S302中刀具的SDF函数构建的流程为：基图元间的并集运算，生成刀具的SDF组合函数；
通过工件和刀具间的SDF函数差集运算，逐帧更新VoxelBuffer运算结果并更新到CPU内存中。
9.根据权利要求1所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，所述步骤S4中，具体包括以下步骤：
S401，进行缓存区预设：创建网格类型数据结构，构造GraphicsBuffer，GraphicsBuffer为GPU图形数据缓存区，用于处理顶点和索引缓存区数据；
在GPU上分配固定缓存区，将这块内存区域分配给Mesh对象，方便GPU的运算结果直接映射到这块内存；
S402，在GPU上进行MarchingCube运算：创建MeshBuilder类，初始化体素Grids，CPU申请内存用于存储三角网格查询表并upload到GPU；
使用计算着色器，传入三角面信息，缩放信息、等值面、VoxelBuffer、拓扑关系表、顶点缓存、索引缓存并分配GPU核心，重建网格；
S403，渲染数控仿真网格：通过grids和scale信息计算Mesh包围盒子相关的信息，更新网格包围盒；
递交顶点缓存区和索引缓存区到Mesh结构；
构造渲染流水线，渲染Mesh。
10.根据权利要求9所述的基于GPU并行运算五轴铣床仿真方法，其特征在于，S402具体流程如下：
1)剔除Dims.xyz区域外的体素点；
2)并行计算当前体素小立方块的八个采样顶点，存储采样点；
3)过滤立方体单元为空的情况，将当前六面体8个顶点的函数值与给定等值面值C进行比较,得到该六面体的状态表；
4)根据当前六面体的状态表索引,找出与等值面相交的六面体棱边,并采用线性插值的方法,计算出各个交点的位置坐标；
5)利用中心差分法,求出当前六面体8个顶点的法向量,在采用线性插值的方法,得到三角面片各个顶点的法向；
6)更新顶点和索引信息到对应的缓存区中。
CN202210961510.XA 2022-08-11 2022-08-11 一种基于gpu并行运算五轴铣床仿真方法 Pending CN115268366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210961510.XA CN115268366A (zh) 2022-08-11 2022-08-11 一种基于gpu并行运算五轴铣床仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210961510.XA CN115268366A (zh) 2022-08-11 2022-08-11 一种基于gpu并行运算五轴铣床仿真方法

Publications (1)

Publication Number Publication Date
CN115268366A true CN115268366A (zh) 2022-11-01

Family

ID=83750424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210961510.XA Pending CN115268366A (zh) 2022-08-11 2022-08-11 一种基于gpu并行运算五轴铣床仿真方法

Country Status (1)

Country Link
CN (1) CN115268366A (zh)

Similar Documents

Publication Publication Date Title
Benouamer et al. Bridging the gap between CSG and Brep via a triple ray representation
Sullivan et al. High accuracy NC milling simulation using composite adaptively sampled distance fields
Fujishiro et al. Volumetric data exploration using interval volume
Greß et al. GPU‐based collision detection for deformable parameterized surfaces
Ogayar et al. Point in solid strategies
CN109344459B (zh) 一种蒙特卡罗程序的可视建模与转换方法及系统
US11551412B2 (en) Systems and methods for traversing implied subdivision hierarchical level of detail content
Gribble et al. A coherent grid traversal approach to visualizing particle-based simulation data
Shareef et al. Rapid previewing via volume-based solid modeling
Agarwal et al. Lower bounds for kinetic planar subdivisions
Yu et al. Scalable parallel distance field construction for large-scale applications
Hong et al. Fast projection-based ray-casting algorithm for rendering curvilinear volumes
Sewell et al. The SDAV software frameworks for visualization and analysis on next-generation multi-core and many-core architectures
Wilhelms Pursuing interactive visualization of irregular grids
CN101609565A (zh) 基于L-Rep模型的三维实体布尔运算方法
Yau et al. Efficient NC simulation for multi-axis solid machining with a universal APT cutter
Stolte et al. Novel techniques for robust voxelization and visualization of implicit surfaces
CN115268366A (zh) 一种基于gpu并行运算五轴铣床仿真方法
Li et al. Efficient ray casting polygonized isosurface of binary volumes
Dunstan et al. Spatial indexing of geological models using linear octrees
Liu et al. Computing global visibility maps for regions on the boundaries of polyhedra using Minkowski sums
Grosch et al. Generating smooth high-quality isosurfaces for interactive modeling and visualization of complex terrains
Inui et al. Fast computation of accessibility cones for assisting 3+ 2 axis milling
Ma et al. A software tool for visualization of molecular face (VMF) by improving marching cubes algorithm
Chen et al. FoldedGI: A highly parallel algorithm for interference detection by folding a geometry image into a 1D buffer

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