CN115455571A - 一种零件参考设计模型筛选方法、装置、设备及存储介质 - Google Patents
一种零件参考设计模型筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115455571A CN115455571A CN202211242209.XA CN202211242209A CN115455571A CN 115455571 A CN115455571 A CN 115455571A CN 202211242209 A CN202211242209 A CN 202211242209A CN 115455571 A CN115455571 A CN 115455571A
- Authority
- CN
- China
- Prior art keywords
- line segment
- target line
- target
- determining
- shape distribution
- 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
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
- G06F30/15—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种零件参考设计模型筛选方法、装置、设备及存储介质,该方法包括:获取目标设计零件的三角片面,并确定各个样本点连接而成的若干目标线段;确定三角片面的两个法向量,并分别计算各目标线段和两个法向量的夹角信息;确定各目标线段的类型;基于各目标线段和两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵;获取各历史零件模型的第二形状分布矩阵,并计算第一形状分布矩阵和各第二形状分布矩阵的相似度;基于计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。通过本发明提供的零件参考设计模型筛选方法、装置、设备及存储介质,提高模型对比相似度精度,提高零件设计的效率。
Description
技术领域
本发明涉及轨航空发动机设计领域,具体涉及一种零件参考设计模型筛选方法、装置、设备及存储介质。
背景技术
目前,随着航空技术的快速发展,航空发动机设计的重要性也随之提高。在航空发动机的设计过程中,充分利用已有的设计资源设计航空发动机,可以有效提高设计效率,缩短设计周期。
在现有技术中,通过基于特征识别算法以及基于函数分析算法等算法对零件三维模型相似度进行分析,统计比较零件表面样本点的形状函数数值出现的次数,生成形状分布直方图,比较两个零件形状分布直方图的相似度,以实现模型的相似性评估。然而随着零件复杂程度提高、模型数量增多,现有的形状分布算法难以满足评估效率的要求。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中在零件复杂度高时,不易对模型相似度进行评估的问题,从而提供一种零件参考设计模型筛选方法、装置、设备及存储介质。
根据第一方面,本发明提供一种零件参考设计模型筛选方法,所述方法包括:
获取目标设计零件的三角片面,并从所述三角片面中确定各个样本点连接而成的若干目标线段;
确定所述三角片面的两个法向量,并分别计算各目标线段和所述两个法向量的夹角信息;
基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型;
基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵;
获取各历史零件模型的第二形状分布矩阵,并计算所述第一形状分布矩阵和各第二形状分布矩阵的相似度;
基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。
在一实施例中,所述从所述三角片面中确定各个样本点连接而成的若干目标线段,包括:
获取所述三角片面的顶点坐标,并基于所述三角片面的顶点坐标选择若干备选样本点;
判断各备选样本点是否处于所述三角片面边上;
将未处于三角片面边上的备选样本点确定为样本点;
将各样本点间的连接线段确定为目标线段。
在一实施例中,所述基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型,包括:
若当前目标线段和所述两个法向量的夹角中不存在锐角,则确定所述当前目标线段为凸类;
若当前目标线段和所述两个法向量的夹角中不存在钝角,则确定所述当前目标线段为凹类;
若当前目标线段和所述两个法向量的夹角分别为锐角和钝角,或均为直角,则确定所述当前目标线段为平行类。
在一实施例中,所在确定目标线段的类型为凸类或凹类之后,所述方法还包括:
判断目标线段与目标设计零件的相交情况;
基于所述目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类。
在一实施例中,所述基于所述目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类,包括:
若当前目标线段为凹类线段,且完全未处于目标设计零件内部,则确定当前目标线段为凹外部类;
若当前目标线段为凹类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凹混合类;
若当前目标线段为凸类线段,且完全处于目标设计零件内部,则确定当前目标线段为凸内部类;
若当前目标线段为凸类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凸混合类。
在一实施例中,所述基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵,包括:
基于各目标线段的属性信息,分布计算各所述目标线段的长度值,并将所述长度值进行归一化处理;
计算各所述目标线段和任意一法向量的夹角对应的余弦值;
基于归一化处理后的长度值及所述余弦值,确定各目标线段所处的矩阵区域;
基于各目标线段所处的矩阵区域,生成与各目标线段的类型一致的形状分布矩阵。
在一实施例中,所述基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型,包括:
将各历史零件模型中相似度最大的历史零件模型确定为参考设计模型。
根据第二方面,本发明提供一种零件参考设计模型筛选装置装置,所述装置包括:
第一确定模块,用于获取目标设计零件的三角片面,并从所述三角片面中确定各个样本点连接而成的若干目标线段;
第一计算模块,用于确定所述三角片面的两个法向量,并分别计算各目标线段和所述两个法向量的夹角信息;
第二确定模块,用于基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型;
生成模块,用于基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵;
第二计算模块,用于获取各历史零件模型的第二形状分布矩阵,并计算所述第一形状分布矩阵和各第二形状分布矩阵的相似度;
筛选模块,用于基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。
根据第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面及其可选实施方式中任一项所述的零件参考设计模型筛选方法。
根据第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面及其可选实施方式中任一项的零件参考设计模型筛选方法。
本发明技术方案,具有如下优点:
本发明实施例提供了一种零件参考设计模型筛选方法,通过从目标设计零件的三角片面中取样本点,确定目标线段,并对目标线段进行分类,以减小计算运算量,通过计算与目标线段类型一致的第一形状分布矩阵和各历史零件模型的第二形状分布矩阵的相似度,提高了模型对比相似度精度,按照相似度计算结果筛选出参考设计模型,供设计人员参考,使得工作人员能够利用已经设计好的模型资源,进而提高目标零件设计的效率,且能够尽可能规避设计过程中不必要的错误。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本发明实施例提出的一种零件参考设计模型筛选方法的流程图;
图2是本发明实施例提出的线段端点处于三角片面边上的一种情况示意图;
图3是本发明实施例提出的线段端点处于三角片面边上的另一种情况示意图;
图4是本发明实施例提出的线段初步分类示意图;
图5是本发明实施例提出的线段再分类示意图;
图6是本发明实施例提出的形状分布矩阵区域示意图;
图7是本发明实施例提出的不同类型模型与基准模型相似性评估结果图;
图8是本发明实施例提出的一种零件参考设计模型筛选装置的结构框图;
图9是本发明实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
航空发动机被称为“工业皇冠上的明珠”,设计航空发动机具有高投入、长周期、高风险的特征。在航空发动机设计过程中,必然注重已有设计资源的重用。在创新的同时,充分利用已有的设计资源来设计航空发动机,可以有效的提高设计效率,缩短开发周期,保证产品质量,降低全寿命周期成本。CAD技术的日趋成熟及在航空发动机设计活动中的广泛使用,产生了大量的航空发动机三维CAD模型(简称三维模型)及与之对应的设计文档、制造、成本、故障情况、交货期等信息。随着市场竞争压力的增加,航空发动机设计活动周期受到压缩,对三维模型进行相似性评估要求具有较高的效率,避免相似性评估周期过长影响方案迭代。同时,为避免相似性评估精度偏低导致的设计资源无法重用,要求相似性评估具有较高精度。
在现有技术中,关于零件结构相似性评估,目前尚无完全统一的规范化标准。学术界也提出了多种相似性评估算法,主要有形状分布算法、基于特征识别的算法、基于函数分析算法等,其中一些算法在三维检索领域得到应用。通过对以上相似性评估算法进行分析,形状分布算法原理简单,并且其鲁棒性较好。利用形状函数作为形状算子,统计比较零件表面样本点的形状函数数值出现的次数,并生成形状分布直方图。通过比较两个零件的形状直方图,实现相似性评估。由于无需像其他相似性评估算法需对零件的模型进行旋转及平移归一化等预处理处理,因此相较于其他算法拥有更少的代码和更简单的设置,效率偏高,符合产品设计时相似性评估的效率需求。随着形状分布算法的发展,通过采用两点间连线的分类和点域法向量内积绝对值计算等方法,基本解决了一般复杂零件形状分布曲线趋向于钟形的问题,使得现有的形状分布算法较传统的形状分布算法相似性评估精度有了大幅的提高,但由于以上方法的加入,明显提高了计算工作量,计算时间偏长。随着零件复杂程度及模型数量的显著增加,现有的形状分布算法难以满足评估效率的要求。同时由于计算过程中利用蒙特卡罗方法随机选取样本点,存在样本点位于三角片面边缘的情况,造成计算程序对两点间连线的分类的误判,影响相似性评估精度。
为了提高零件参考设计模型的相似度评估精度和评估效率,本发明实施例中提供一种零件参考设计模型筛选方法,如图1所示,该方法包括如下步骤S101至步骤S106。
步骤S101:获取目标设计零件的三角片面,并从三角片面中确定各个样本点连接而成的若干目标线段。
在本发明实施例中,首先利用UG及CATIA等三维建模软件完成目标设计零件的三维模型构建,导出STL数据,得到目标设计零件的三维模型数据,三维模型数据包括三角网格坐标数据、法向单位向量数据、三角片面法向量数据及三角片面三个顶点坐标数据。
将目标设计零件模型进行三角片面化处理,得到三角片面,利用蒙特卡罗算法随机获取三角片面样本,再根据三角片面样本获得样本点,将任意两个样本点连接而成的线段确定为目标线段。
在获取样本点时,利用蒙特卡罗算法随机获取三角片面样本,首先计算三维模型数据中每个三角片面的面积,按照如下公式计算累计面积:
其中,Area_add为累计面积,A为三角片面的面积,n为三角片面个数。
生成范围为[0,Area_addn-1]的随机数r,根据r的大小确定所选取的三角片面,具体如下:
当r≤Area_add0,选取第0个三角片面作为样本;
当Area_addi-1<r≤Area_addi时,选取第i个三角片面作为样本。
利用以上方法可以使面积较大的三角片面具有较大概率被选取当做样本,以使得选取的样本更具有代表性。
步骤S102:确定三角片面的两个法向量,并分别计算各目标线段和两个法向量的夹角信息。
在本发明实施例中,当样本点分别为P1、P2时,目标线段为P1P2,n1、n2分别为P1、P2所在三角片面的法向量,目标线段P1、P2与法向量n1、n2的夹角分别为θ1、θ2。
按照如下公式分别计算θ1和θ2:
其中,θ1和θ2的取值范围为[0,π]。
步骤S103:基于各目标线段和两个法向量的夹角信息,确定各目标线段的类型。
在本发明实施例中,基于θ1和θ2的大小,将目标线段分为凸类、凹类及平行类,以实现对线段的初步分类,再根据目标线段与目标设计零件的相交情况,对线段进行再分类。对目标线段的分类越细化,形状分布算法的精度越高。
步骤S104:基于各目标线段和两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵。
在本发明实施例中,目标线段的属性信息包括目标线段的线段长度,夹角信息包括线段端点所在三角片面的法向量夹角的余弦值,所生成的第一形状分布矩阵的类型和目标线段的类型一致。
步骤S105:获取各历史零件模型的第二形状分布矩阵,并计算第一形状分布矩阵和各第二形状分布矩阵的相似度。
在本发明实施例中,数据库中存储有个若干种历史零件模型的第二形状分布矩阵,各历史零件模型的第二形状分布矩阵的确定方式与上述第一形状分布矩阵类似,在此不再进行赘述。
其中,第一形状分布矩阵和第二形状分布矩阵均包括五个形状分布矩阵,本申请实施例以一个第一形状分布矩阵一个第二形状分布矩阵为例,并不以此作为对形状分布矩阵数量的限制。
假设设目标设计零件模型为A,历史零件模型为B,第一形状分布矩阵为AIN=(ainij)s1*s2,AOUT=(aoutij)s1*s2,BIN=(binij)s1*s2,BOUT=(boutij)s1*s2。
按照如下公式计算模型A与模型B对应形状分布矩阵的欧拉距离:
按照如下公式计算模型A与模型B对应形状分布矩阵的相似度:
其中,Dmax为最大欧拉距离。此外,在实际应用中还可以利用余弦相似度、汉明距离及皮尔逊相关系数等其他参数评估两个模型形状分布矩阵的相似度,本发明并不以此为限。
步骤S106:基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。
在本发明实施例中,基于相似度的大小,对各历史零件模型进行排序,对各历史零件模型进行筛选,筛选出的参考设计模型为与目标设计零件最为接近的模型。
通过上述实施例,通过从目标设计零件的三角片面中取样本点,确定目标线段,并对目标线段进行分类,以减小计算运算量,通过计算与目标线段类型一致的第一形状分布矩阵和各历史零件模型的第二形状分布矩阵的相似度,提高了模型对比相似度精度,按照相似度计算结果筛选出参考设计模型,供设计人员参考,使得工作人员能够利用已经设计好的模型资源,进而提高目标零件设计的效率,且能够尽可能规避设计过程中不必要的错误。
具体地,在一实施例中,上述步骤S101中从三角片面中确定各个样本点连接而成的若干目标线段,具体包括如下步骤:
步骤S1011:获取三角片面的顶点坐标,并基于三角片面的顶点坐标选择若干备选样本点。
步骤S1012:判断各备选样本点是否处于三角片面边上。
步骤S1013:将未处于三角片面边上的备选样本点确定为样本点。
步骤S1014:将各样本点间的连接线段确定为目标线段。
在本发明实施例中,设三角片面的顶点坐标为A、B、C,首先生成两个从0到1的随机数r1、r2,按照如下计算该三角片面内部随机取到的点P的坐标:
其中,将顶点坐标A、B、C的横坐标代入上式,得到点P的横坐标,顶点坐标A、B、C的纵坐标代入上式,得到点P的纵坐标,即完成备选样本点的取样。
获得P点坐标后,判断P点是否同时满足下式要求:
若P点同时满足上式要求,则P点不在三角片面边AB、AC、BC上;若P点不同时满足上式要求,则需要重新在三角片面内取点。
如图2和图3所示,当目标线段的端点H、F位于三角片面边上时,端点H、F所在的三角片面法向量n1、n2分别属于图2和图3的情况,线段HF则会属于不同的分类,造成相似度评估精度降低。
另外,还有可能出现处于三角片面边上样本点的法向量和该点所在三角片面的法向量相同的情况,对位于三角片面边上样本点连接而成的线段进行分类时会出现误判的情况,因此将处于三角片面边上的样本点进行删除,只连接剩余的样本点形成目标线段,以便于对目标线段进行分类,提高线段分类结果的准确性。
具体地,在一实施例中,上述步骤S103中基于各目标线段和两个法向量的夹角信息,确定各目标线段的类型,具体包括如下步骤:
步骤S1031:若当前目标线段和两个法向量的夹角中不存在锐角,则确定当前目标线段为凸类。
步骤S1032:若当前目标线段和两个法向量的夹角中不存在钝角,则确定当前目标线段为凹类。
步骤S1033:若当前目标线段和两个法向量的夹角分别为锐角和钝角,或均为直角,则确定当前目标线段为平行类。
在本发明实施例中,如表1所示,按照表1中夹角信息和线段类型的对应关系,对目标线段进行分类。
表1
其中,a表示锐角,b表示钝角,*表示θ1、θ2的取值进行互换的情况,例如,θ1为钝角,θ2为直角时,目标线段为凹类线段。
示例性地,如图4所示,将线段1、6确定为凸类线段,将线段2、5确定为凹类线段,将线段3、4确定为平行类线段。
具体地,在一实施例中,在确定目标线段的类型为凸类或凹类之后,本方明实施例提供的零件参考设计模型筛选方法还包括如下步骤:
步骤S1034:判断目标线段与目标设计零件的相交情况。
步骤S1035:基于目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类。
在本发明实施例中,凹类线段和凸类线段存在全部处于目标设计零件内部、全部处于目标设计零件外部、部分处于目标设计零件内部,且部分处于目标设计零件外部的情况。
将全部处于目标设计零件内部的确定为内部类(IN类),将全部处于目标设计零件外部的确定为外部类(OUT类),将部分处于目标设计零件内部,且部分处于目标设计零件外部的确定为混合类类(MIXED类)。
根据目标线段与目标设计零件的相交情况,将凹类线段分为凹外部类和凹混合类,将凸类线段分为凸内部类和凸混合类。需要说明的是,平行类线段可直接分为MIXED类。
具体地,在一实施例中,上述步骤S1035中基于目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类,具体包括如下步骤:
步骤S10351:若当前目标线段为凹类线段,且完全未处于目标设计零件内部,则确定当前目标线段为凹外部类。
步骤S10352:若当前目标线段为凹类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凹混合类。
步骤S10353:若当前目标线段为凸类线段,且完全处于目标设计零件内部,则确定当前目标线段为凸内部类。
步骤S10354:若当前目标线段为凸类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凸混合类。
在本发明实施例中,如图5所示,线段AB为完全处于目标设计零件内部,即线段AB为IN类;线段CD为完全处于目标设计零件外部,即线段CD为OUT类;线段EF为分处于目标设计零件内部,部分处于目标设计零件外部,即线段EF为MIXED类。
当目标设计零件的三维模型较为复杂时,其三角片面数量可达数十万。当对目标线段进行分类时,遍历三维模型表面的计算运算律非常大,耗时较长。根据航空发动机结构特征,在实际情况下,目标线段与大多数三角片面是不相交的。因此,为了降低计算运算量,在判断目标线段和目标设计零件的相交情况时,可先判断目标线段是否与三角片面所在的片面相交。若相交,则判断交点是否处于三角片面内部;若不相交,则将目标线段归为IN类或OUT类。
假设三维模型三角化后任意一个三角片面的顶点为V1、V2、V3,三角片面的法向量为n,具体判定条件如下:
线段P1P2可表示为:
S(t)=P1+t(P2-P1) 0<t<1 (8)
三角片面内任意一点Q可表示为:
将方程(1)代入方程(2),可得:
P1+t(P2-P1)=(1-(u+v))V1+uV2+vV3
整理方程可得:
求上述方程中的u、v。
根据u、v的值的大小,以u,v∈[0,1]、u+v∈[0,1]同时满足为条件,评判线段P1P2所属类别,具体见表2所示。
表2
对目标线段进行分类,将同一位置的不同线段划分成不同的类别,以便于根据线段类别进行对比相似度,有利于提高相似度评估的精度。
具体地,在一实施例中,上述步骤S104中基于各目标线段和两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵,具体包括如下步骤:
步骤S1041:基于各目标线段的属性信息,分布计算各目标线段的长度值,并将长度值进行归一化处理。
步骤S1042:计算各目标线段和任意一法向量的夹角对应的余弦值。
步骤S1043:基于归一化处理后的长度值及余弦值,确定各目标线段所处的矩阵区域。
步骤S1044:基于各目标线段所处的矩阵区域,生成与各目标线段的类型一致的形状分布矩阵。
在本发明实施例中,将目标线段的长度值进行归一化处理,使得归一化处理后的长度介于0到1之间。
根据目标线段的类型,将形成五种形状分布矩阵,分别为IN-MIXED(凸混合类)矩阵、IN(凸内部类)矩阵、OUT-MIXED(凹混合类)矩阵、OUT(凹外部类)矩阵及MIXED(平行类)矩阵。
根据形状分布矩阵的行数和列数,将形状分布矩阵划分区域,例如,在矩阵大小为2*2,如图6所示,图中的横坐标为目标线段归一化处理后的长度,纵坐标为线段端点所在三角片面的法向量夹角的余弦值,将矩阵划分为4个区域,分别为1#、2#、3#、4#。其中,1#、2#、3#、4#区域的取值范围如表3所示。
表3
区域编号 | 横坐标范围 | 纵坐标范围 |
1# | [0,0.5) | [0,0.5) |
2# | [0,0.5) | [0.5,1] |
3# | [0.5,1] | [0,0.5) |
4# | [0.5,1] | [0.5,1] |
假设有10条线段,其归一化长度值及夹角余弦值如下表4所示。
表4
根据表4,并结合4个区域的取值范围,如表5所示,对符合各个区域的线段个数进行统计。
表5
区域编号 | 符合的个数 |
1# | 1 |
2# | 3 |
3# | 3 |
4# | 3 |
根据表4,线段1属于1#区域,则将形状分布矩阵中1#区域的数字加一;线段2属于3#区域,则将形状分布矩阵中3#区域的数字加一;以此类推,直至将所有目标线段判断区域结束。或者直接根据表5中符合各个区域的线段个数,对矩阵中的四个区域进行填数。
利用线段符合形状分布矩阵的个数生成形状分布矩阵,使得生成的形状分布矩阵更能体现该目标设计零件模型的特点,且通过计算第一形状分布矩阵和第二形状分布矩阵的相似性,以确定出目标设计零件和各历史零件模型的相似度,以便于对历史零件进行筛选。
具体地,在一实施例中,上述步骤S106中基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型,具体包括如下步骤:
步骤S1061:将各历史零件模型中相似度最大的历史零件模型确定为参考设计模型。
在本发明实施例中,按照相似度的排序结果筛选历史零件模型,可以将相似度最大的历史零件模型确定为参考设计模型,也可以设置相似度阈值,将大于相似度阈值的历史零件模型确定为参考设计模型,还可以按照筛选比例设置相似度阈值对历史零件模型进行筛选,在此不做限定。
按照相似度对各历史零件模型进行筛选,能够使得筛选出参考设计模型和目标设计零件更为接近,以便于设计人员根据参考设计模型进行设计目标设计零件,节约了大量的时间,且提高了设计效率。
通过采用上述零件参考设计模型筛选方法,为此选用航空发动机的盘类、轴类、机匣类、叶轮类等零件与自身进行相似性评估,得出表6所示的结果。
表6
根据表6的计算结果,通过不同类型的模型与基准模型进行相似性评估,如图7所示,可以有效的找出与基准模型相似度最高的模型,因此本发明的形状分布算法相似性评估结果精确度较高。
基于相同发明构思,本发明还提供一种零件参考设计模型筛选装置。
图8是根据一示例性实施例提出的一种零件参考设计模型筛选装置的结构框图。如图8所示,该装置包括:
第一确定模块101,用于获取目标设计零件的三角片面,并从三角片面中确定各个样本点连接而成的若干目标线段。具体内容参见上述步骤S101的相关描述,在此不再进行赘述。
第一计算模块102,用于确定三角片面的两个法向量,并分别计算各目标线段和两个法向量的夹角信息。具体内容参见上述步骤S102的相关描述,在此不再进行赘述。
第二确定模块103,用于基于各目标线段和两个法向量的夹角信息,确定各目标线段的类型。具体内容参见上述步骤S103的相关描述,在此不再进行赘述。
生成模块104,用于基于各目标线段和两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵。具体内容参见上述步骤S104的相关描述,在此不再进行赘述。
第二计算模块105,用于获取各历史零件模型的第二形状分布矩阵,并计算第一形状分布矩阵和各第二形状分布矩阵的相似度。具体内容参见上述步骤S105的相关描述,在此不再进行赘述。
筛选模块106,用于基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。具体内容参见上述步骤S106的相关描述,在此不再进行赘述。
本发明实施例提供的零件参考设计模型筛选装置,通过从目标设计零件的三角片面中取样本点,确定目标线段,并对目标线段进行分类,以减小计算运算量,通过计算与目标线段类型一致的第一形状分布矩阵和各历史零件模型的第二形状分布矩阵的相似度,提高了模型对比相似度精度,按照相似度计算结果筛选出参考设计模型,供设计人员参考,使得工作人员能够利用已经设计好的模型资源,进而提高目标零件设计的效率,且能够尽可能规避设计过程中不必要的错误。
上述基于零件参考设计模型筛选装置的具体限定以及有益效果可以参见上文中对于零件参考设计模型筛选方法的限定,在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图9是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图9所示,该设备包括一个或多个处理器1310以及存储器1320,存储器1320包括持久内存、易失内存和硬盘,图9中以一个处理器1310为例。该设备还可以包括:输入装置1330和输出装置1340。
处理器1310、存储器1320、输入装置1330和输出装置1340可以通过总线或者其他方式连接,图9中以通过总线连接为例。
处理器1310可以为中央处理器(Central Processing Unit,CPU)。处理器1310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1320作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的业务管理方法对应的程序指令/模块。处理器1310通过运行存储在存储器1320中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种零件参考设计模型筛选方法。
存储器1320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器1320可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器1320可选包括相对于处理器1310远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1330可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键信号输入。输出装置1340可包括显示屏等显示设备。
一个或者多个模块存储在存储器1320中,当被一个或者多个处理器1310执行时,执行如图1所示的零件参考设计模型筛选方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种零件参考设计模型筛选方法,其特征在于,所述方法包括:
获取目标设计零件的三角片面,并从所述三角片面中确定各个样本点连接而成的若干目标线段;
确定所述三角片面的两个法向量,并分别计算各目标线段和所述两个法向量的夹角信息;
基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型;
基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵;
获取各历史零件模型的第二形状分布矩阵,并计算所述第一形状分布矩阵和各第二形状分布矩阵的相似度;
基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。
2.根据权利要求1所述的方法,其特征在于,所述从所述三角片面中确定各个样本点连接而成的若干目标线段,包括:
获取所述三角片面的顶点坐标,并基于所述三角片面的顶点坐标选择若干备选样本点;
判断各备选样本点是否处于所述三角片面边上;
将未处于三角片面边上的备选样本点确定为样本点;
将各样本点间的连接线段确定为目标线段。
3.根据权利要求1所述的方法,其特征在于,所述基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型,包括:
若当前目标线段和所述两个法向量的夹角中不存在锐角,则确定所述当前目标线段为凸类;
若当前目标线段和所述两个法向量的夹角中不存在钝角,则确定所述当前目标线段为凹类;
若当前目标线段和所述两个法向量的夹角分别为锐角和钝角,或均为直角,则确定所述当前目标线段为平行类。
4.根据权利要求3所述的方法,其特征在于,在确定目标线段的类型为凸类或凹类之后,所述方法还包括:
判断目标线段与目标设计零件的相交情况;
基于所述目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标线段与目标设计零件的相交情况,将凹类线段或凸类线段进行再分类,包括:
若当前目标线段为凹类线段,且完全未处于目标设计零件内部,则确定当前目标线段为凹外部类;
若当前目标线段为凹类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凹混合类;
若当前目标线段为凸类线段,且完全处于目标设计零件内部,则确定当前目标线段为凸内部类;
若当前目标线段为凸类线段,且部分处于目标设计零件内部,部分处于目标设计零件外部,则确定当前目标线段为凸混合类。
6.根据权利要求1所述的方法,其特征在于,所述基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵,包括:
基于各目标线段的属性信息,分布计算各所述目标线段的长度值,并将所述长度值进行归一化处理;
计算各所述目标线段和任意一法向量的夹角对应的余弦值;
基于归一化处理后的长度值及所述余弦值,确定各目标线段所处的矩阵区域;
基于各目标线段所处的矩阵区域,生成与各目标线段的类型一致的形状分布矩阵。
7.根据权利要求1所述的方法,其特征在于,所述基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型,包括:
将各历史零件模型中相似度最大的历史零件模型确定为参考设计模型。
8.一种零件参考设计模型筛选装置,其特征在于,所述装置包括:
第一确定模块,用于获取目标设计零件的三角片面,并从所述三角片面中确定各个样本点连接而成的若干目标线段;
第一计算模块,用于确定所述三角片面的两个法向量,并分别计算各目标线段和所述两个法向量的夹角信息;
第二确定模块,用于基于各目标线段和所述两个法向量的夹角信息,确定各目标线段的类型;
生成模块,用于基于各目标线段和所述两个法向量的夹角信息及各目标线段的属性信息生成与各目标线段的类型对应的第一形状分布矩阵;
第二计算模块,用于获取各历史零件模型的第二形状分布矩阵,并计算所述第一形状分布矩阵和各第二形状分布矩阵的相似度;
筛选模块,用于基于相似度计算结果从各历史零件模型中筛选目标设计零件的参考设计模型。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的零件参考设计模型筛选方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的零件参考设计模型筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242209.XA CN115455571A (zh) | 2022-10-11 | 2022-10-11 | 一种零件参考设计模型筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242209.XA CN115455571A (zh) | 2022-10-11 | 2022-10-11 | 一种零件参考设计模型筛选方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115455571A true CN115455571A (zh) | 2022-12-09 |
Family
ID=84309554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242209.XA Pending CN115455571A (zh) | 2022-10-11 | 2022-10-11 | 一种零件参考设计模型筛选方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390812A (zh) * | 2023-12-11 | 2024-01-12 | 江西少科智能建造科技有限公司 | 一种cad图纸暖通风管结构化信息提取方法及系统 |
-
2022
- 2022-10-11 CN CN202211242209.XA patent/CN115455571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390812A (zh) * | 2023-12-11 | 2024-01-12 | 江西少科智能建造科技有限公司 | 一种cad图纸暖通风管结构化信息提取方法及系统 |
CN117390812B (zh) * | 2023-12-11 | 2024-03-08 | 江西少科智能建造科技有限公司 | 一种cad图纸暖通风管结构化信息提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163863B (zh) | 三维物体分割方法、设备和介质 | |
CN106991325B (zh) | 一种软件漏洞的防护方法和装置 | |
Zhang et al. | Generic face adjacency graph for automatic common design structure discovery in assembly models | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN111338972A (zh) | 基于机器学习的软件缺陷与复杂度关联关系分析方法 | |
US11373022B2 (en) | Designing a structural product | |
WO2024036709A1 (zh) | 一种异常数据检测方法及装置 | |
CN115455571A (zh) | 一种零件参考设计模型筛选方法、装置、设备及存储介质 | |
Soundararajan et al. | An in-depth study of graph partitioning measures for perceptual organization | |
CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
CN111353529A (zh) | 一种自动确定聚类中心的混合属性数据集聚类方法 | |
US20170017741A1 (en) | Computational modelling for engineering analysis | |
Malik et al. | A comprehensive approach towards data preprocessing techniques & association rules | |
Song et al. | Automatic recognition and suppression of holes on mold bases for finite element applications | |
CN114881913A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN112927012A (zh) | 营销数据的处理方法及装置、营销模型的训练方法及装置 | |
Wang et al. | Novel SKU classification approach for autonomous inventory planning | |
JP2008533614A (ja) | 整合輪郭プロファイルを生成するシステム及び方法 | |
CN113722824B (zh) | 适用于有限元分析的船舶板结构简化方法及装置 | |
CN117076573B (zh) | 一种基于大数据技术的数据处理分析系统 | |
Yıldırım et al. | Use of Fpga for Real-Time K-Means Clustering Algorithm | |
CN116501770B (zh) | 一种基于模糊算法的用户数据采集方法及系统 | |
CN117574212B (zh) | 一种基于数据中台的数据分类方法 | |
US20220309220A1 (en) | Duplicate circuit section identification and processing for optical proximity correction (opc) processes in electronic design automation (eda) applications | |
Renu et al. | Similarity of Tessellated Solid Models for Engineering Applications |
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 |