CN115640758B - 一种基于知识构建的三维模型数模质检方法 - Google Patents

Abstract

本发明提供一种基于知识构建的三维模型数模质检方法，包括以下步骤：S1：创建零部件类库；S2：创建零部件属性库；S3：创建零部件关系库；S4：制作训练样本；S5：训练生成模型；S6：创建函数库；S7：获取查检条目；S8：分析查检条目；S9：实现查检条目；本发明方法将产品三维模型的几何结构、建模规范、设计标准转变成各种数据，然后对各种数据知识通过各种组合关系构建出不同产品在不同业务场景下的各种设计标准检查，不再拘泥于某一条查检规则的编程，而是注重分析查检规则的内部逻辑，根据内部逻辑实现软件的编程，降低软件研发成本，更好满足市场要求，更加符合企业产品在设计检查方面的个性化需求。

Description

一种基于知识构建的三维模型数模质检方法

技术领域

本发明涉及计算机科学领域，尤其涉及一种基于知识构建的三维模型数模质检方法。

背景技术

产品研发过程中，对产品进行三维模型设计，包括几何建模、参数设置、模型标注、工程制图等，每个设计环节都需要满足相应的建模规范和设计标准。如果出现不满足模型规范和设计标准的情况，可能会导致产品的质量问题。为了避免这类问题的发生，出现了很多帮助研发人员对设计的三维模型设计进行检查的方法。

现有的设计检查方法对三维模型设计进行检查时，存在以下弊端：

1、目前的设计检查工具都是针对具体产品下具体零部件的具体一条建模规范或设计标准逐条进行开发，再将所有条目累加在一起组成的一个可以检查所有条目的完整检查工具，针对性强、定制化程度高，如果出现新的规范、标准，或旧的规范、标准有调整，必须重新开发一条查检项或调整旧查检项的代码才能生效；

2、软件开发工作量很大，对开发人员的技术能力要求也高，导致了开发成本升高，开发周期加长。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于知识构建的三维模型数模质检方法。

为实现上述目的，本发明采用了如下技术方案：一种基于知识构建的三维模型数模质检方法，包括以下步骤：

S1：创建零部件类库；

所述零部件类是对产品中同一类零部件的统称；

将产品设计过程中所有被企业内部的建模规范、设计标准约束的零部件分类整理出来，并将这些零部件分类名称存入数据库中，形成零部件类库；

所述零部件类库中包括序号和零部件分类名称。

S2：创建零部件属性库；

所述属性是指同一类零部件共同具备的某种特性；

将每一类零部件共同具备的所有属性整理归纳，并将零部件分类名称、各零部件分类具备的属性名称存入数据库中，形成零部件属性库；

所述零部件属性库中包括序号、零部件分类名称和属性名称。

S3：创建零部件关系库；

所述关系是指两类零部件之间具备的某种相互关系；

整理产品中存在相互关系的零部件的分类两两为一对，得到零部件分类对，并整理出零部件分类对之间的关系；

将零部件分类对包含的零部件分类名称、每一个零部件分类对之间的关系存入数据库中，得到零部件关系库；

所述零部件分类对包含的零部件分类名称记为零部件分类名称1和零部件分类名称2；

所述每一个零部件分类对之间的关系记为关系；

所述零部件关系库中包括序号、零部件分类名称1、零部件分类名称2、关系。

S4：制作训练样本；

从网络上、企业内部的各类文档中、产品研发设计专家自身的知识积累等途径，收集大量包含了零部件信息的非结构化的自然语言句子，按照机器学习算法要求的标准格式对这些句子做好词性标注，标注完成之后存入文本文档中，生成训练样本；

包括如下子步骤：

S41：根据机器学习中的NER（命名实体识别）技术的标注要求，标注出所有句子中包含的零部件名称和零部件分类名称，将标注完的句子及零部件名称、零部件分类名称存入一个文本文档中，将此文本文档记为样本A；

S42：根据机器学习中的AE（属性提取）技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类名称、属性名称、属性值；

将标注完的句子及句子中包含的零部件名称、零部件分类名称、属性名称、属性值存入一个文本文档中，将此文本文档记为样本B；

S43：根据机器学习中的RE（关系提取）技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系；

将标注完的句子以及句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间要求的关系存入一个文本文档中，将此文本文档记为样本C。

S5：训练生成模型；

根据机器学习算法，以样本文件进行学习，将样本文件中的内容全部学习完成后，生成能够从任意句子中提取出句子中包含的零部件信息的数学模型；

包括如下子步骤：

S51：根据机器学习中的NER（命名实体识别）技术，以样本A为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称和零部件分类名称的数学模型，将该数学模型记为数学模型A；

S52：根据机器学习中的AE（属性提取）技术，以样本B为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类名称、属性名称、属性值数学模型，将该数学模型记为数学模型B；

S53：根据机器学习中的RE（关系提取）技术，以样本C为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系的数学模型，将该数学模型记为数学模型C；

通过对步骤S4生成的样本进行学习，将样本训练成能够从任意句子中提取出句子中包含的零部件信息的数学模型，不需要人工提取，节约人力的同时提取的内容也更精准。

S6：创建函数库；

编写能够获取零部件信息的函数，编写完成后，将对应的函数名称填入零部件类库、零部件属性库、零部件关系库中，形成对应的零部件类函数库、零部件属性函数库、零部件关系函数库；

所述函数通过三维设计软件开放的功能接口为基础实现函数功能，包括三类：

S61：编写从三维模型图纸中获取指定类别的零部件模型对象的函数，将函数名填到零部件类库中对应的函数名称中，形成零部件类函数库；

所述零部件类函数库中包括序号、零部件分类名称、函数名称；

S62：编写从三维模型图纸中获取指定模型对象的指定属性值并和规定的属性值进行比较的函数，将函数名填到零部件属性库对应的函数名称中，形成零部件属性函数库；

所述零部件属性函数库中包括序号、零部件分类名称、属性名称、函数名称；

S63：编写从三维模型图纸中获取指定的两个模型对象之间的指定关系并和规定的关系进行比较的函数，将函数名填到关系库对应的函数名称中，形成零部件关系函数库；

所述零部件关系函数库中包括序号、零部件分类名称1、零部件分类名称2、关系、函数名称；

通过编写获取零部件信息的查检函数，查检函数收集零部件模型对象、对象的属性、对象间的关系，通过依次调用这些查检函数，检查产品三维图纸中是否存在不符合建模规范或设计标准的内容，即使出现新的规范、标准，或旧的规范、标准有调整，只需要对规范、标准文档的文字内容做出调整，再将调整后的规范、标准文档作为查检条目的数据源重新分析一遍即可，不需要调整代码，重用度高。

S7：获取查检条目；

收集企业内部的产品建模规范文档、设计标准文档等相关文档中的文字内容，以句号、感叹号等常用的句子结尾标点符号为分割符，将收集到的文字内容分割成一个个的句子，将分割出的所有句子作为分析查检条目的数据来源。

S8：分析查检条目；

根据步骤S5中生成的数学模型，提取步骤S7中收集到的句子中包含的零部件信息，并存入查检条目列表中；

具体提取方法包括如下子步骤：

S81：根据机器学习中的NER（命名实体识别）技术，以数学模型A为求解模型，从文档句子中提取零部件分类名称；

如果没有提取到任何零部件分类名称，则跳过当前句子，继续提取下一个句子；

如果提取到零部件分类名称，进入步骤S82；

S82：提取到零部件分类名称，根据机器学习中的AE（属性提取）技术，以数学模型B为求解模型，从句子中提取每个零部件分类在当前句子中具备的属性名称以及属性值，提取成功后，将零部件分类名称、属性名称、属性值存入查检条目列表A中；

S83：如果提取出的零部件分类不止一个，根据机器学习的RE（关系提取）技术，以数学模型C为求解模型，从当前句子中两两提取所有零部件分类之间的关系。如果成功提取到了要求的关系，则将零部件分类名称1、零部件分类名称2、关系存入查检条目列表B中；

通过机器学习中的NER、AE、RE技术对收集的查检条目进行分析，不再需要业务人员从建模规范、设计标准中人工、手动归纳、提炼查检条目，节省了查检条目的制定时间。

S9：实现查检条目；

将步骤S8分析查检条目的结果，组织、转换成程序需要执行的函数顺序，到零部件类函数库、零部件属性函数库、零部件关系函数库中，依次调用并执行这些查检函数，检查产品三维图纸中是否存在不符合建模规范或设计标准的内容，最终将检查结果反馈到程序界面中；

进一步地，本发明自动提取出的查检条目也是精炼化的、数据结构化的建模规范和设计标准，可以存入数据库中，在研发人员设计产品模型时，主动为研发人员推送正在设计的产品的相关规范、标准，也可以在研发人员遇到设计问题时作为参考资料进行查询，为研发人员提供更多帮助。

与现有技术相比，本发明的有益效果为：

本方法将产品三维模型的几何结构、建模规范、设计标准转变成各种数据，然后对各种数据知识通过各种组合关系构建出不同产品在不同业务场景下的各种设计标准检查，因此软件的编码模式将发生转变，不再拘泥于某一条查检规则的编程，而是注重分析查检规则的内部逻辑，根据内部逻辑实现软件的编程。

采用这种开发方法以后，可以大大提高软件的适配性，缩短软件研发周期，通用化、智能化程度更高，降低软件研发成本，更好满足市场要求，更加符合企业产品在设计检查方面的个性化需求。

附图说明

图1为本发明一种基于知识构建的三维模型数模质检方法的步骤流程图。

具体实施方式

为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。

如图1所示，一种基于知识构建的三维模型数模质检方法，包括以下步骤：

S1：创建零部件类库；

所述零部件类是对产品中同一类零部件的统称；

比如某类零部件称为“螺栓”，某类零部件称为“螺母”；

将产品设计过程中所有被企业内部的建模规范、设计标准约束的零部件分类整理出来，并将这些零部件分类名称存入数据库中，形成零部件类库；

所述零部件类库中包括序号和零部件分类名称。

S2：创建零部件属性库；

所述属性是指同一类零部件共同具备的某种特性；

将每一类零部件共同具备的所有属性整理归纳，并将零部件分类名称、各零部件分类具备的属性名称存入数据库中，形成零部件属性库；

所述零部件属性库中包括序号、零部件分类名称和属性名称；

比如“螺栓”的属性包括允许使用的材料、螺杆处允许的最小直径等。

S3：创建零部件关系库；

所述关系是指两类零部件之间具备的某种相互关系；

整理产品中存在相互关系的零部件的分类两两为一对，得到零部件分类对，并整理出零部件分类对之间的关系；将零部件分类对包含的零部件分类名称、每一个零部件分类对之间的关系存入数据库中，得到零部件关系库；

所述零部件分类对包含的零部件分类名称记为零部件分类名称1和零部件分类名称2；

所述每一个零部件分类对之间的关系记为关系；

所述零部件关系库中包括序号、零部件分类名称1、零部件分类名称2、关系；

比如零部件分类名称1为“螺栓”、零部件分类名称2为“螺母”、关系为“配对使用时同轴”。

S4：制作训练样本；

从网络上、企业内部的各类文档中、产品研发设计专家自身的知识积累等途径，收集大量包含了零部件信息的非结构化的自然语言句子，按照机器学习算法要求的标准格式对这些句子做好词性标注，标注完成之后存入文本文档中，生成训练样本；

包括如下子步骤：

S41：根据机器学习中的NER（命名实体识别）技术的标注要求，标注出所有句子中包含的零部件名称和零部件分类名称，将标注完的句子及零部件名称、零部件分类名称存入一个文本文档中，将此文本文档记为样本A；

S42：根据机器学习中的AE（属性提取）技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类名称、属性名称、属性值；

将标注完的句子及句子中包含的零部件名称、零部件分类名称、属性名称、属性值存入一个文本文档中，将此文本文档记为样本B；

S43：根据机器学习中的RE（关系提取）技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系；

将标注完的句子以及句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系存入一个文本文档中，将此文本文档记为样本C。

S5：训练生成模型；

根据机器学习算法，以样本文件进行学习，将样本文件中的内容全部学习完成后，生成能够从任意句子中提取出句子中包含的零部件信息的数学模型；

包括如下子步骤：

S51：根据机器学习中的NER（命名实体识别）技术，以样本A为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称和零部件分类名称的数学模型，将该数学模型记为数学模型A；

S52：根据机器学习中的AE（属性提取）技术，以样本B为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类名称、属性名称、属性值数学模型，将该数学模型记为数学模型B；

S53：根据机器学习中的RE（关系提取）技术，以样本C为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系的数学模型，将该数学模型记为数学模型C。

S6：创建函数库；

编写能够获取零部件信息的函数，编写完成后，将对应的函数名称填入零部件类库、零部件属性库、零部件关系库中，形成对应的零部件类函数库、零部件属性函数库、零部件关系函数库；

所述函数通过三维设计软件开放的功能接口为基础实现函数功能，包括三类：

S61：编写从三维模型图纸中获取指定类别的零部件模型对象的函数，将函数名填到零部件类库中对应的函数名称中，形成零部件类函数库；

所述零部件类库中的每一类零部件都需要一个对应的函数去获取对应的模型对象；比如零部件类库中有一类零部件叫做“螺栓”，就需要定义一个获取三维图纸中所有类别属于“螺栓”的模型对象的函数；

所述零部件类函数库中包括序号、零部件分类名称、函数名称；

S62：编写从三维模型图纸中获取指定模型对象的指定属性值并和规定的属性值进行比较的函数，将函数名填到零部件属性库对应的函数名称中，形成零部件属性函数库；

所述属性库中每一类零部件的每一个属性都需要一个对应的函数去获取指定的零部件对象的某个指定的属性值，并将获取的属性值和规定的值进行比较；比如获取某个指定的“螺栓”对象的“螺杆直径”的值，并判断获取到的“螺杆直径”的值是否小于“螺杆处允许的最小直径”对应的值的函数；

所述零部件属性函数库中宝库序号、零部件分类名称、属性名称、函数名称；

S63：编写从三维模型图纸中获取指定的两个模型对象之间的指定关系并和规定的关系进行比较的函数，将函数名填到关系库对应的函数名称中，形成零部件关系函数库；

所述关系库中每一个零部件类对的每一个关系都需要一个对应的函数去获取指定的两个零部件间的关系，并比较获取到的关系和要求的关系是否一致；比如获取指定的“螺栓”对象和“螺母”对象的配对、同轴关系，并判断该“螺栓”对象和“螺母”对象的配对、同轴关系是否与“在配对使用的情况下同轴”一致的函数；

所述零部件关系函数库中包括序号、零部件分类名称1、零部件分类名称2、关系、函数名称。

S7：获取查检条目；

收集企业内部的产品建模规范文档、设计标准文档等相关文档中的文字内容，以句号、感叹号等常用的句子结尾标点符号为分割符，将收集到的文字内容分割成一个个的句子，将分割出的所有句子作为分析查检条目的数据来源。

S8：分析查检条目；

根据步骤S5中生成的数学模型，提取步骤S7中收集到的句子中包含的零部件信息，并存入查检条目列表中；

具体提取方法包括如下子步骤：

S81：根据机器学习中的NER（命名实体识别）技术，以数学模型A为求解模型，从句子中提取零部件分类名称；

如果没有提取到任何零部件分类名称，则跳过当前句子，继续提取下一个句子；

如果提取到零部件分类名称，进入步骤S82；

S82：提取到零部件分类名称，根据机器学习中的AE（属性提取）技术，以数学模型B为求解模型，从句子中提取每个零部件分类在当前句子中具备的属性名称以及属性值，提取成功后，将零部件分类名称、属性名称、属性值存入查检条目列表A中；

S83：如果提取出的零部件分类不止一个，根据机器学习的RE（关系提取）技术，以数学模型C为求解模型，从当前句子中两两提取所有零部件分类之间的关系。如果成功提取到了要求的关系，则将零部件分类名称1、零部件分类名称2、关系存入查检条目列表B中。

S9：实现查检条目；

将步骤S8分析查检条目的结果，组织、转换成程序需要执行的函数顺序，到零部件类函数库、零部件属性函数库、零部件关系函数库中，依次调用并执行这些查检函数，检查产品三维图纸中是否存在不符合建模规范或设计标准的内容，最终将检查结果反馈到程序界面中；

具体的实现过程包括如下子步骤：

S91：循环查检条目列表A，获取当前循环中零部件分类名称、属性名称、属性值，将零部件分类名称记为PartName，将属性名称记为ParamName，将属性值记为ParamValue；

包括如下子步骤：

S911：获取零部件类库中零部件分类名称等于PartName的零部件分类对应的函数名称，执行该函数名称对应的函数；

获取被检查的产品三维图纸中包含的所有属于该分类的零部件模型对象，将获取到的零部件模型对象存入零部件模型对象列表C；

S912：获取属性库中零部件分类名称等于PartName且属性名称等于ParamName的属性对应的函数名称，执行该函数名称对应的函数，循环零部件模型对象列表C，获取零部件模型对象列表C中每一个零部件模型对象中属性名称为ParamName的属性值，并判断获取到的属性值是否符合ParamValue的要求，如果不符合，则报出错误，向用户指明当前产品三维图纸中当前的零部件模型对象中名称为ParamName的属性的值不符合要求，需要更改；

S92：循环查检条目列表B，获取当前循环中零部件分类名称1、零部件分类名称2、要求的关系，将零部件分类名称1记为PartName1，将零部件分类名称2记为PartName2，将要求的关系记为RelationName；

包括如下子步骤：

S921：获取零部件类库中零部件分类名称等于PartName1的零部件分类对应的函数名称，执行该函数名称对应的函数，获取被检查的产品三维图纸中包含的所有属于该分类的零部件模型对象，将获取到的零部件模型对象存入零部件模型对象列表D。获取零部件类库中零部件分类名称等于PartName2的零部件分类对应的函数名称，执行该函数名称对应的函数，获取被检查的产品三维图纸中包含的所有属于该分类的零部件模型对象，将获取到的零部件模型对象存入零部件模型对象列表E；

S922：获取关系库中零部件分类名称1等于PartName1且零部件分类名称2等于PartName2且关系为RelationName的关系对应的函数名称，循环零部件模型对象列表D和零部件模型对象列表E，将D和E中的模型对象两两组成一对，调用该函数名称对应的函数，获取模型对之间的关系为RelationName的关系，并判断获取到的关系是否符合RelationName的要求，如果不符合，则报出错误，向用户指明当前产品三维图纸中当前的两个零部件模型对象间名称为RelationName的关系不符合要求，需要更改。

本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (5)

1.一种基于知识构建的三维模型数模质检方法，其特征在于：包括以下步骤：

S1：创建零部件类库；

所述零部件类是对产品中同一类零部件的统称；

将产品设计过程中所有被企业内部的建模规范、设计标准约束的零部件分类整理出来，并将这些零部件分类名称存入数据库中，形成零部件类库；

所述零部件类库中包括序号和零部件分类名称；

S2：创建零部件属性库；

所述属性是指同一类零部件共同具备的某种特性；

将每一类零部件共同具备的所有属性整理归纳，并将零部件分类名称、各零部件分类具备的属性名称存入数据库中，形成零部件属性库；

所述零部件属性库中包括序号、零部件分类名称和属性名称；

S3：创建零部件关系库；

所述关系是指两类零部件之间具备的某种相互关系；

整理产品中存在相互关系的零部件的分类两两为一对，得到零部件分类对，并整理出零部件分类对之间的关系；

将零部件分类对包含的零部件分类名称、每一个零部件分类对之间的关系存入数据库中，得到零部件关系库；

S4：制作训练样本；

收集大量包含了零部件信息的非结构化的自然语言句子，按照机器学习算法要求的标准格式对这些句子做好词性标注，标注完成之后存入文本文档中，生成样本文件；

所述样本文件为训练样本；

S5：训练生成模型；

根据机器学习算法，对样本文件进行学习，将样本文件中的内容全部学习完成后，生成能够从任意句子中提取出句子中包含的零部件信息的数学模型；

S6：创建函数库；

编写能够获取零部件信息的函数，编写完成后，将对应的函数名称填入零部件类库、零部件属性库、零部件关系库中，形成对应的零部件类函数库、零部件属性函数库、零部件关系函数库；

所述函数通过三维设计软件开放的功能接口为基础实现函数功能；

S7：获取查检条目；

收集企业内部的产品建模规范文档、设计标准文档相关文档中的文字内容，以句号、感叹号及常用的句子结尾标点符号为分割符，将收集到的文字内容分割成一个个的句子，将分割出的所有句子作为分析查检条目的数据来源；

S8：分析查检条目；

遍历分割出的句子，利用机器学习算法对句子进行分析，根据步骤S5中生成的数学模型，提取步骤S7中收集到的句子中包含的零部件信息，存入查检条目列表中；

S9：实现查检条目；

将步骤S8分析查检条目的结果，组织、转换成程序需要执行的函数顺序，到零部件类函数库、零部件属性函数库、零部件关系函数库中，依次调用并执行这些查检函数，检查产品三维图纸中是否存在不符合建模规范或设计标准的内容，最终将检查结果反馈到程序界面中；

循环查检条目列表，获取查检条目列表中零部件信息，获取零部件函数库中对应的函数名称，执行函数名称对应的函数，通过函数判断获取到的零部件信息是否符合要求，如果不符合，则报出错误，向用户指明当前产品三维图纸中不符合要求并需要整改的部分。

2.如权利要求1所述的一种基于知识构建的三维模型数模质检方法，其特征在于：

步骤S4中，包括如下子步骤：

S41：根据机器学习中的NER技术的标注要求，标注出所有句子中包含的零部件名称和零部件分类名称，将标注完的句子及零部件名称、零部件分类名称存入一个文本文档中；

S42：根据机器学习中的AE技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类名称、属性名称、属性值；将标注完的句子及句子中包含的零部件名称、零部件分类名称、属性名称、属性值存入一个文本文档中；

S43：根据机器学习中的RE技术的标注要求，标注出所有句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系；将标注完的句子以及句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系存入一个文本文档中。

3.如权利要求1所述的一种基于知识构建的三维模型数模质检方法，其特征在于：

步骤S5中，包括如下子步骤：

S51：根据机器学习中的NER技术，以对应样本为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称和零部件分类名称的数学模型；

S52：根据机器学习中的AE技术，以对应样本为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类名称、属性名称、属性值数学模型，将该数学模型记为数学模型B；

S53：根据机器学习中的RE技术，以对应样本为学习样本进行训练，训练完成后，生成能够从任意句子中提取出句子中包含的零部件名称、零部件分类对包含的零部件分类名称、零部件分类对之间的关系的数学模型。

4.如权利要求1所述的一种基于知识构建的三维模型数模质检方法，其特征在于：

步骤S6中，所述函数包括：从三维模型图纸中获取指定类别的零部件模型对象的函数、从三维模型图纸中获取指定模型对象的指定属性值并和规定的属性值进行比较的函数、从三维模型图纸中获取指定的两个模型对象之间的指定关系并和规定的关系进行比较的函数。

5.如权利要求1所述的一种基于知识构建的三维模型数模质检方法，其特征在于：

步骤S8中，具体提取方法包括如下子步骤：

S81：根据机器学习中的NER技术，以对应的数学模型为求解模型，从句子中提取零部件分类名称；

如果没有提取到任何零部件分类名称，则跳过当前句子，继续提取下一个句子；

如果提取到零部件分类名称，进入步骤S82；

S82：提取到零部件分类名称，根据机器学习中的AE技术，以对应的数学模型为求解模型，从句子中提取每个零部件分类在当前句子中具备的属性名称以及属性值，提取成功后，将零部件分类名称、属性名称、属性值存入对应查检条目列表中；

S83：如果提取出的零部件分类不止一个，根据机器学习的RE技术，以对应的数学模型为求解模型，从当前句子中两两提取所有零部件分类之间的关系；如果成功提取到了要求的关系，则将零部件分类名称、关系存入对应查检条目列表。

Images