CN116690988A - 一种大型建筑模型3d打印系统和方法 - Google Patents
一种大型建筑模型3d打印系统和方法 Download PDFInfo
- Publication number
- CN116690988A CN116690988A CN202310823320.6A CN202310823320A CN116690988A CN 116690988 A CN116690988 A CN 116690988A CN 202310823320 A CN202310823320 A CN 202310823320A CN 116690988 A CN116690988 A CN 116690988A
- Authority
- CN
- China
- Prior art keywords
- printing
- model
- building model
- module
- building
- 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
- 238000010146 3D printing Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000007639 printing Methods 0.000 claims abstract description 76
- 239000000463 material Substances 0.000 claims abstract description 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 238000013461 design Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 239000011347 resin Substances 0.000 claims description 7
- 229920005989 resin Polymers 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 239000004566 building material Substances 0.000 claims description 3
- 238000012993 chemical processing Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007630 basic procedure Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明涉及一种大型建筑模型3D打印系统和方法;包括以下四个部分:建筑模型设计和分解模块、材料选择和预处理模块、部分打印和自动组装模块、监控和维护模块;所述的建筑模型设计和分解模块用于将建筑模型进行智能分解,生成各个部分模型数据,以及所有部分模型数据之间的组装关系;本发明有益效果:效率高:采用了数字化、智能化的建筑模型制作过程,从而提高了建筑模型构建效率,比传统手工手法更快,完成时间更短,可以将建筑模型的制作时间缩短到数小时以内。精度高:通过该系统生成出数量精度和质量更高的建筑模型,并且能够根据需要进行调整,以满足不同场景下建筑模型的需求。
Description
技术领域
本发明涉及一种建筑模型的3D打印,具体的说是一种大型建筑模型3D打印系统和方法。
背景技术
在现有建筑模型的3D打印技术中,设计师需要针对整个建筑模型进行3D打印,这有时会受到打印机尺寸的限制,而且打印时间一般较为漫长,且当模型整体打印失败时可能需要全部重印,使得整个过程异常耗时。因此本发明旨在提供一种更为智能的3D打印技术,可以将大型建筑模型进行智能分解,按照一定的精准算法逐个打印零散部件,再根据布局结构进行组装,以实现更为高效,精准,快速的建筑模型3D打印。另外,传统的建筑模型制作方法也不够数字化、智能化,无法在建筑模型制作的各个环节自动化。
发明内容
为解决上述问题,本发明提出了一种大型建筑模型3D打印系统和方法。
本发明解决其上述的技术问题所采用以下的技术方案:包括以下四个部分:建筑模型设计和分解模块、材料选择和预处理模块、部分打印和自动组装模块、监控和维护模块;
所述的建筑模型设计和分解模块用于将建筑模型进行智能分解,生成各个部分模型数据,以及所有部分模型数据之间的组装关系;
所述的材料选择和预处理模块用于选择适合不同部位的打印材料,并通过预处理方式进行物理或化学处理;
所述的部分打印和自动组装模块将大型建筑模型进行智能分解打印成多个小块构,并将所述的小块构根据组装关系进行自动化组装或者通过人工拼接的方式进行组装;
所述的监控和维护模块用于监控3D打印系统运行状态,实时检测打印过程中的问题。
进一步地,所述的建筑模型设计和分解模块的构成包括以下几部分:
(1)、建筑模型设计软件,包括CAD设计软件、建筑信息模型软件;
(2)、建筑模型分解软件,负责将建筑模型进行分解,划分成若干个不同的部分,并根据设计参数生成每个部分的尺寸和位置信息;
(3)、3D打印软件;将智能化分解后的部件放置于3D打印平台上,并调整每个部分的打印参数;
(4)、几何建模函数,用于检验建筑模型的形状是否正确,并用于生成3D打印时需要的数据;(5)、材料属性数据库,包含各种可用于3D打印的材料的物理、力学和化学属性;
(6)、模型分解函数;将建筑模型进行智能化分解,以及为每个分解后的部分建立坐标系和确定位置参数;
通过上述模块,建筑模型被智能化分解,每个部位的打印参数通过3D打印软件设置;
(7)、组装算法,用于确定每个3D打印部分的位置和相互之间的连接方式;
所述的建筑模型设计和分解模块需要通过多种工具和技术来实现建筑模型的智能化分解和打印。
进一步地,所述的建筑模型分解软件的智能化分解方法是:
(1)、将CAD图纸转换为3D模型并进行三角化处理;
(2)、进行体素化处理,得到3D体素网格数据;
(3)、对3D体素网格进行分割;
(4)、对分割后的不同部位采用图像语义分割算法,将不同部分进行分割,得到更为精细的部位;
(5)、对于分割后的每个部位进行索引,利用函数计算式进行识别和分析。
进一步地,所述的对于分割后的每个部位进行索引,提取其在三维模型中的特征信息,具体步骤如下:
(1)、提取部位的位置信息:通常采用部位中心或者球外接体积中心方式进行计算;
(2)、提取部位的大小信息:计算部位的长、宽、高或者体积信息;
(3)、提取部位的形状信息:借助形态学分析方法;
(4)、提取部位的颜色和纹理信息;
(5)、保存部位的特征信息。
进一步地,所述的材料选择和预处理模块的工作原理步骤:
S1.特征提取;材料选择和预处理模块首先需要从输入的建筑3D模型中提取特征;
S2.材料选择;根据提取的模型特征,以及预设的材料数据库,材料选择和预处理模块;
S3.物理化学预处理;对需要加固的模型部位,使用树脂进行填充处理;
S4.加工处理;在进行打印之前,材料选择和预处理模块必须进行数值模拟和优化。
进一步地,所述的部分打印和自动组装模块的工作流程如下:
S1.智能分解;部分打印和自动组装模块根据输入的3D建筑模型,将其自动或人工分解成合适大小的部件;
S2.自动化组装或人工拼接,部分打印和自动组装模块自动识别部件之间的组装关系和连接方式;
其中,部分打印和自动组装模块中包括以下计算函数:
S2.1.反汇编函数;将大型建筑模型分解成多个小块构;
S2.2.组装函数;根据3D模型的构件和组装关系自动组装或人工拼接构件;
S3.匹配函数;用于识别大小、形状不一的构件之间的适配关系,并生成组装方案;
S4.定位和固定函数;定位和固定函数用于识别构件在组装过程中的方向和姿态,并进行位置和角度调整。
进一步地,所述的自动化组装采用方法步骤是:
S1.构件位置的检测;部分打印和自动组装模块使用计算机视觉技术对打印的实物构件进行识别和位置检测;
S2.自动化组装。
进一步地,所述的自动化组装的流程由机械臂进行实施完成,并且采用实施步骤如下:
S1.构件位置检测和识别;使用相机或传感器装置对构件进行检测和识别,获取构件的位置;
S2.轨迹规划和路径优化;构件之间的连接方式和组装顺序,确定机械臂的运动规划和路径优化;
所述的轨迹规划和路径优化的以下处理方式:
S2.1.空间限制条件的处理;检查机械臂运动轨迹是否符合3D建模空间的限制条件;
S2.2.优化算法的选择;选择适合自动化组装的优化算法,并根据投影几何学或代数展开技术来解决3D模型的刚体位移;
所述的优化算法采用:遗传算法、粒子群算法、蚁群算法、差分进化算法;
S2.3.构件组合方案的优化;
S2.4.多机器人协同;
S3.机械臂控制;根据预设规划的轨迹和路径进行运动,并利用夹具、吸盘装置抓取构件,完成精准的组装和连接;
S4.检查和测量;完成自动化组装后,部分打印和自动组装模块将进行检查和测量;
所述的机械臂的运动控制和构件抓取使用机器人操作系统来实现,而所述的机器人操作系统采用的是MoveIt和Gazebo。
进一步地,所述的将建筑模型进行智能分解,生成各个部分的模型数据以及所有部分之间的组装关系中用到的方法:
(1)、建筑模型数据的获取与预处理;
(2)、智能分解算法;使用深度学习或其他机器学习算法进行智能分解;深度学习通过学习宏观层面的建筑模型,建立起微观层面的建筑部件;
(3)、组装及优化算法;组装及优化算法利用机器学习和计算机视觉算法,通过检测部件加工后的表面、形状参数,识别每个部件之间的组装关系,并确定部件的拼接和连接方式;
(4)、自动化部分打印和组装技术;利用3D打印技术快速打印出所有部件;一旦所有部件已经打印,再利用机械臂自动将零件组装到一起,并利用自动化工具进行邻域检测和表面检测。
一种大型建筑模型3D打印系统的方法,其基本流程如下:
S1.建筑模型的设计和切割:在建筑模型的设计和分解模块中,通过软件自动对建筑模型进行切割并将其分解成小块构件;
S2.构件3D打印预处理:在材料选择和预处理模块中,针对不同的建筑材料,对其进行各自独立的预处理工作;
S3.构件3D打印:在部分打印和自动组装模块中,利用3D打印设备,对上述小块构件进行逐一打印;
S4.构件自动组装:在部分打印和自动组装模块中,完成3D打印后的小块构件会自动掉落到制定位置,随后自动化机械臂便会根据预处理后的数据对构件进行自动化组装,直至构成完整的建筑模型;
S5.后期处理:在监控和维护模块中,相关设备会对3D打印和自动组装机器人进行监控及维护,以确保其正常工作和运营。
本发明大型建筑模型3D打印系统和方法的有益效果如下:
1.效率高:采用了数字化、智能化的建筑模型制作过程,从而提高了建筑模型构建效率,比传统手工手法更快,完成时间更短,可以将建筑模型的制作时间缩短到数小时以内。
2.精度高:通过该系统生成出数量精度和质量更高的建筑模型,并且能够根据需要进行调整,以满足不同场景下建筑模型的需求。
3.操作简便:除了将建筑模型导入到软件中设计外,整个过程都是由计算机自动完成,操作过程非常简便、易于掌握。
4.易于修改和调整:当需要调整或修改已经打印出来的部分时,建筑模型可以重新分解,并在单个构件的级别上进行修改,完成后再次打印以更好的适应既定规格。
5.资源利用率高:利用3D打印技术可以有效利用材料,避免了使用传统制造过程中废弃物的产生;同时,通过自动化装配,可以节省人工成本。
综上所述,该大型建筑模型3D打印系统和方法的有益效果是明显的,它不仅提高了建筑模型制作的效率和质量,同时在材料使用和人力成本方面也都具有更高效率,可以大幅度提升人们的生产效率和技术水平,具有广泛的应用前景和广阔的市场前景。
附图说明
图1为本发明一种大型建筑模型3D打印系统的流程图。
图2为本发明的建筑模型分解软件的智能化分解的流程图。
实施方式
下面结合附图对本发明的具体实施方式做一个详细的说明。
实施例1:一种大型建筑模型3D打印系统,包括以下四个主要部分:建筑模型设计和分解模块、材料选择和预处理模块、部分打印和自动组装模块、监控和维护模块;
建筑模型设计和分解模块用于将建筑模型进行智能分解,生成各个部分的模型数据,以及所有部分之间的组装关系;这对3D打印而言十分重要;具体包括建模软件、打印机软件等。
材料选择和预处理模块用于选择适合不同部位的打印材料,并通过预处理方式进行物理或化学处理,提高其质量和可打印性。例如,对于需要加固的模型部位,可以使用树脂进行填充处理。
部分打印和自动组装模块将大型建筑模型进行智能分解打印成多个小构件,并将这些小构件根据组装关系进行自动化组装或者通过人工拼接的方式进行组装。该模块可参考通用计算机辅助制造技术中的概念,将智能分解与智能组装相结合。
监控和维护模块用于监控3D打印系统运行状态,实时检测打印过程中的问题,如材料状况、温度、打印精度等,并提供相应的维护和修正措施。同时,该模块也需要进行故障预警,及时提醒操作人员进行维修。
因此,3D打印系统由上述模块组成,对于大型建筑模型的3D打印提供了不错的解决方案。尽管还存在一些技术难点,例如打印速度、精度问题,但一定程度上提高了3D打印的规模和适用范围,能够为未来大型建筑模型的制造提供一定的技术支持和实现保证。
建筑模型设计和分解模块的构成包括以下几部分:
(1)、建筑模型设计软件;
建筑模型设计软件一般包括CAD设计软件、建筑信息模型(BIM)软件等。这些软件可以用于建筑模型的建立、修改和编辑,支持精确的三维建模,也可以将建筑模型导出为标准模型格式(如STL、OBJ等)。
(2)、建筑模型分解软件;
建筑模型分解软件负责将建筑模型进行分解,划分成若干个不同的部分,并根据设计参数生成每个部分的尺寸和位置信息。该类软件一般需要综合机器学习、深度学习、数学模型等多种技术,以实现建筑模型的智能化分解。
(3)、3D打印软件;
3D打印软件用于将智能化分解后的部件放置于3D打印平台上,并调整每个部分的打印参数,例如层高、填充率等。同时,3D打印软件也负责生成代码,将构建的模型部件进行3D打印。
(4)、几何建模函数;
几何建模函数用于检验建筑模型的形状是否正确,并用于生成3D打印时需要的数据,如CAD对象、STL文件或BREP实体。几何建模函数可以通过数学建模技术来完成模型的几何层面建模,例如三角化算法、麻花线算法等。
(5)、材料属性数据库;
材料属性数据库包含各种可用于3D打印的材料的物理、力学和化学属性,例如强度、弹性模量、屈服强度等。该数据库可以帮助用户选择适合不同部分的打印材料,并保证打印出的部件质量可靠。
(6)、模型分解函数;
模型分解函数用于将建筑模型进行智能化分解,以及为每个分解后的部分建立坐标系和确定位置参数。具体函数计算式可以采用算法和模型如PCA、LSTM等:
PCA模型公式:
LSTM模型公式:
通过上述模块,建筑模型可以被智能化分解,每个部位的打印参数可以通过3D打印软件设置,最终实现建筑模型的高效率3D打印制造。
(7)、组装算法;
组装算法用于确定每个3D打印部分的位置和相互之间的连接方式。一般根据每个部分的坐标系和位置参数,通过空间几何和图论算法确定各个部件之间的连接关系,使分离的打印部分组装成为完整的建筑模型。组装算法具体可以采用如下的函数计算式:
空间距离计算公式:
最小生成树算法:
因此,建筑模型设计和分解模块需要通过多种工具和技术来实现建筑模型的智能化分解和打印。这些工具和算法可以相互协作,以实现快速而有效的打印制造,提升3D打印技术在大型建筑模型制造中的应用前景和潜力。
建筑模型分解软件的智能化分解方法是:
(1)、将CAD图纸转换为3D模型并进行三角化处理;
确定3D建筑模型,并将其转换为三角面片,计算每个面片的法向量。这里采用的算法为:
采用python语言编写:
#输入CAD图纸文件路径
model=read_model(file_path)
#三维模型转三角网格
mesh=create_mesh(model)
#计算三角面片的法向量
normals=compute_normals(mesh)
(2)、进行体素化处理,得到3D体素网格数据;
将三角面片转换为3D体素网格,可以利用MarchingCubes算法,将体素网格的边界、角点等信息保存;这里采用的算法为:
采用python语言编写:
#将三角面片转换为3D体素网格
voxel_grid=voxelization(mesh,cell_size)
(3)、对3D体素网格进行分割,比如:分离出地下室、多个楼层、门窗等不同的局部部位,利用体素点聚类算法,将体素网格分割成不同的部位;这里采用的算法为:
采用python语言编写:
#利用聚类算法将体素网格分割为不同部位
regions=cluster_voxel_grid(voxel_grid,num_clusters)
(4)、对分割后的不同部位采用图像语义分割算法,将不同部分进行分割,得到更为精细的部位;采用图像语义分割算法,如MaskR-CNN,将建筑物中的窗户、门、屋顶等不同的物体分割成独立的部分。这里采用的算法为:
采用python语言编写:
#利用图像语义分割算法将不同部位分割为更精细部位
refined_regions=segment_regions(regions,image)
(5)、对于分割后的每个部位进行索引,利用函数计算式进行识别和分析;
利用函数计算式提取每个部位的颜色、纹理、形状等特征信息,确定需要选用的材料、调整门窗等的形状和大小等。具体算法为:
采用python语言编写:
#利用特征提取算法,对每个部位进行特征提取
features=extract_features(refined_regions)
#利用规则和函数计算式分析特征,确定需要选用的材料等参数
parameters=analyze_features(features)
(6)、最后根据所得的分解结果,通过函数计算式实现分解、材料选择和加工等操作,得到各个部分的模型数据。具体算法为:
采用python语言编写:
#利用函数计算式实现分解、材料选择和加工等操作;
models=generate_models(refined_regions,parameters)
综上所述,通过本发明算法可以将CAD图纸智能化分解成各个部分的模型数据,并且这些部分可以更加细化和精确,以便进行后续的材料选择和加工。
对于分割后的每个部位进行索引,一般会提取其在三维模型中的特征信息,比如位置、大小、形状、颜色和纹理等,并将这些特征信息保存到数据库中,以便后续的处理。
具体步骤如下:
(1)、提取部位的位置信息:通常采用部位中心或者球外接体积中心等方式进行计算。
采用python语言编写:
position=compute_center(region)
(2)、提取部位的大小信息:计算部位的长、宽、高或者体积等信息。
采用python语言编写:
size=compute_size(region)
(3)、提取部位的形状信息:借助形态学分析等方法,根据部位的数据信息计算出其形状特征。
采用python语言编写:
shape=analyze_shape(region)
(4)、提取部位的颜色和纹理信息:对三维模型进行纹理映射,实现部位的颜色和纹理等信息的提取。
采用python语言编写:
color=extract_color(region,texture)
texture=extract_texture(region,texture)
(5)、保存部位的特征信息:将分段得到的每一部分信息整理后保存为一个三元组或者一个字典。
采用python语言编写:
feature={"position":position,
"size":size,
"shape":shape,
"color":color,
"texture":texture}
通过上述操作,可以将分割后的每个部位进行索引,并得到它们的位置、大小、形状、颜色和纹理等特征信息。这些特征信息可以保存在数据库中,便于后续的模型分解和加工等处理。
对于以上这些步骤,可以定义以下的函数计算式:
采用python语言编写:
position=compute_center(region)
size=compute_size(region)
shape=analyze_shape(region)
color=extract_color(region,texture)
texture=extract_texture(region,texture)
feature={"position":position,"size":size,"shape":shape,"color":color,"texture":texture}
材料选择和预处理模块主要的工作是根据建筑3D模型的特征,选择适合不同部位的打印材料,并利用各种预处理方式进行物理或化学处理,提高其质量和可打印性。以对需要加固的模型部位使用树脂进行填充处理为例,下面详细说明材料选择和预处理模块的工作原理步骤:
S1.特征提取;
材料选择和预处理模块首先需要从输入的建筑3D模型中提取特征,包括各部位的形状、大小、位置、质量等信息。可以使用计算几何算法进行建筑模型的分解和特征提取。
S2.材料选择;
根据提取的模型特征,以及预设的材料数据库,材料选择和预处理模块可以使用机器学习或遗传算法等技术,自动选择最适合特定部位的打印材料,以达到最佳打印效果和成本效益。
采用python语言编写:
material=select_material(features,material_db)
S3.物理化学预处理;
对需要加固的模型部位,可以使用树脂进行填充处理。具体来说,根据这些需要加固的部位的几何特征,将相应的空间区域分配给树脂填充工具,并进行预处理。
采用python语言编写:
processed_material=preprocess_material(material)
S4.加工处理;
在进行打印之前,材料选择和预处理模块必须进行数值模拟和优化,以确保打印过程的可行性和效率。对于树脂填充的部位,需要设置支撑结构,以确保填充材料不塌陷或倒塌。
采用python语言编写:
processed_region=process_region(region,processed_material)
综上所述,材料选择和预处理模块根据建筑3D模型的特征和预先设定的材料数据库,选择在不同部位使用不同的打印材料,并进行物理化学预处理,以最大程度提高打印质量和可打印性。具体操作包括特征提取、材料选择、物理化学预处理和加工处理等阶段,以最终实现高效、准确的3D建筑模型打印。
部分打印和自动组装模块主要的工作是将大型建筑模型智能化地分解成多个小构件,并根据组装关系进行自动化组装或人工拼接。其工作流程如下:
S1.智能分解
部分打印和自动组装模块根据输入的3D建筑模型,将其自动或人工分解成合适大小的部件。这些部件可以根据材料的重量、部件间的连续性等因素进行优化排布,以确保3D建筑模型的精度和稳定性。
S2.自动化组装或人工拼接
部分打印和自动组装模块可以自动识别部件之间的组装关系和连接方式,并根据设计和要求,进行自动化组装。如有必要,还可以进行手工拼接。
采用python语言编写:
disassemble_model(model)
assembled_model=assemble_model(parts)
其中,部分打印和自动组装模块中包括以下主要计算函数:
S2.1.反汇编函数
反汇编函数主要用于将大型建筑模型分解成多个小构件或构件。例如,该模块可以使用计算几何算法来对大型建筑模型进行分割,并识别其不同的构件。
采用python语言编写:
disassemble_model(model)
S2.2.组装函数
组装函数主要用于根据3D模型的构件和组装关系自动组装或人工拼接构件。例如,该模块可以利用特定算法或规则来识别模型构件间的组装关系及其方向,实现构件的自动化组装或人工拼接。
采用python语言编写:
assembled_model=assemble_model(parts)
部分打印和自动组装模块主要根据输入的3D建筑模型,将其智能地分解成多个小构件,并根据组装关系进行自动化组装或人工拼接,可以通过反汇编函数来实现分解,通过组装函数来实现组装,以此实现高效、准确的3D建筑模型打印。
S3.匹配函数
匹配函数用于识别大小、形状不一的构件之间的适配关系,并生成组装方案,例如通过对构件各自的特征进行匹配。
采用python语言编写:
matching(parts1,parts2)
S4.定位和固定函数
定位和固定函数用于识别构件在组装过程中的方向和姿态,并进行位置和角度调整,最终固定构件,例如通过使用拍摄模型构件的图像和处理这些图像的计算机视觉算法,来确定构件的位置和方向。
采用python语言编写:
positioning(parts,assembled_model)
综上所述,部分打印和自动组装模块通过计算函数来实现大小不一、不规则形状的构件之间的智能匹配,构件在组装过程中的智能定位和固定,以及构件自动化合并等功能。通过这些技术和方法,可以优化构件制造和组装的过程,提高3D建筑模型的精度和稳定性。
自动化组装采用方法步骤是:
S1.构件位置的检测;
部分打印和自动组装模块可以使用计算机视觉等技术对打印的实物构件进行识别和位置检测。该模块可以将构件拍摄或录制下来的视频或者图像输入进来,利用图像处理和计算机视觉方法,自动识别出每个实物构件的位置、朝向和尺寸等属性,以此为基础进行后续组装操作。
S2.自动化组装
对于已经检测出构件位置的实物构件,部分打印和自动组装模块可以利用机器学习、遗传算法等技术进行自动化组装。例如,可以先确定构件之间的连接方式和构件之间的组装顺序,进而进行自动化组装,这可以大大提高组装效率和准确性。
采用python语言编写:
assemble_parts(parts)
综上所述,部分打印和自动组装模块可以将已经打印出来的实物构件进行自动化组装。通过构件位置的检测和自动化组装等技术,可以高效、准确地定位实物构件的位置和方向,并进行自动化组装,从而生成一个完整的建筑模型。
自动化组装的流程由机械臂进行实施完成,并且采用实施步骤如下:
S1.构件位置检测和识别
使用相机或传感器等装置对构件进行检测和识别,获取构件的位置,姿态,尺寸等信息。
S2.轨迹规划和路径优化
针对构件之间的连接方式和组装顺序,确定机械臂的运动规划和路径优化,以达到高效、准确的组装。
轨迹规划和路径优化的核心目标是确定机械臂在空间中的运动轨迹和姿态,以确保精准的构件组装。一般情况下,轨迹规划和路径优化可以依赖于数学计算和机器学习等技术,在以下几个方面进行实现:
S2.1.空间限制条件的处理
检查机械臂运动轨迹是否符合3D建模空间的限制条件,例如,避免碰撞或与其他构件发生冲突等。
S2.2.优化算法的选择
选择适合自动化组装的优化算法,并根据投影几何学或代数展开等技术来解决3D模型的刚体位移。
优化算法的选择对于自动化组装的有效性和效率至关重要。
以下是几种常用的优化算法,并给出其相关数据进行对比:
(1)、遗传算法
遗传算法是一种通过模拟自然选择和进化过程来产生优化问题最优解的一种优化技术。在自动化组装中,遗传算法可以很好地处理拓扑优化,并且可以解决路径规划和构件连接问题。虽然遗传算法很适用于处理大规模优化问题,但结果不一定是全局最优解。一般情况下,遗传算法的运算速度比较慢,但可靠性较高。
相关数据:遗传算法可以在复杂的组装任务中寻找最优解,约束条件下的优化问题中,有效的搜索全局可行解,但它的运算速度并不是很快。
(2)、粒子群算法
粒子群算法是一种模拟鸟群寻找食物过程的优化算法。粒子群算法能够完成后续轨迹规划和路径优化工作,以确保通过机器臂进行自动化组装时达到最优性能。优点是具有全局搜索特性,可并行计算,计算速度很快。
相关数据:粒子群算法在自动化组装中非常有用,它拥有多目标优化和并行优化的特点,能够缩短计算时间,同时显著提高搜索质量。
(3)、蚁群算法
蚁群算法是一种仿生优化算法,模仿蚂蚁的行为来寻找最优解。蚁群算法在物流问题、路径规划等方面有很好的应用。自动化组装中,它也可以用来做轨迹规划和路径优化,以实现更好的组装质量。相关数据:蚁群算法的搜索速度非常快,但是它进行优化的时候只能寻找到局部最优解。
(4)、差分进化算法
差分进化算法是一种全局优化方法,其特点是基于差分演化和策略变化,易于实现且收敛性好。单个机器人的自动化组装使用差分进化算法可以很好地处理路径规划和运动控制等问题。
相关数据:差分进化算法在全局搜索和多目标优化问题上表现出色,同时运算速度较快。
据此,在自动化组装中,优化算法的选择取决于组装问题的复杂性、约束条件和求解速度等因素。部分打印和自动组装模块可以选择适合特定场景和目标的优化算法以及相应的参数设置,从而更快、更高效地完成轨迹规划和路径优化。
S2.3.构件组合方案的优化
基于计算机流体力学和机器学习等技术,寻求自动化组装过程中最优的连接方案。例如,针对不同组件的尺寸和形状,选择最佳的组合方案进行自动化组装,以减少构件之间的间隙和提高连接强度。
S2.4.多机器人协同
在进行自动化组装时,多个机器人可以协同工作,根据预先设定的任务计划和路径规划,进行合理的任务分配和工作协同,从而高效地完成组装过程。
综上所述,通过合理选择优化算法,根据不同场景要求对结果进行优化处理,部分打印和自动组装模块可以实现高效、准确的轨迹规划和路径优化,有效提高自动化组装的速度和精度。
S3.机械臂控制
机械臂根据预设规划的轨迹和路径进行运动,并利用夹具、吸盘等装置抓取构件,完成精准的组装和连接。
S4.检查和测量
完成自动化组装后,部分打印和自动组装模块将进行检查和测量,以确保组装的准确度和重量符合预期要求。
因此,机械臂往往被作为自动化组装的核心设备之一,可以实现对3D建筑模型构件的自动化组装。
机械臂的运动控制和构件抓取一般使用机器人操作系统(ROS)来实现,ROS提供了一组常用的机器人工具箱,可以方便地完成机械臂轨迹规划和路径控制等工作。下面是一些常用的ROS机器人工具箱及其对应的函数计算示例:
(1)、MoveIt
MoveIt是ROS中常用的机器人操作系统(ROS)之一,由软件库、宏和示例程序组成,旨在通过规划轨迹、执行运动和交互等功能,提供简化运动规划和机器人操作的方法。以下是MoveIt的相关函数计算示例:
采用python语言编写:
#MoveIt规划和运动控制程序
importmatplotlib.pyplotasplt
importmoveit_commander
importrospy
#初始化moveit_commander和ROS节点
moveit_commander.roscpp_initialize(sys.argv)
rospy.init_node('simple_move',anonymous=True)
#获取机械臂、终端并设置起始位置
arm=moveit_commander.MoveGroupCommander('arm')
gripper=moveit_commander.MoveGroupCommander('gripper')
arm.set_named_target('start')
arm.go()
#控制机械臂控制运动
target_pose=arm.get_current_pose().pose
target_pose.position.x=0.5
arm.set_pose_target(target_pose)
arm.go()
#控制夹具抓取构件
gripper.set_joint_value_target([0.6,0.6])
gripper.go()
(2)、Gazebo
Gazebo是一款常用的开源机器人动力学仿真工具,可模拟机械臂的力学运动,通过吸盘或夹具进行构件的抓取和组装。以下是Gazebo的相关函数计算示例:
采用python语言编写:
#Gazebo机器人仿真程序
importrospy
importgazebo_msgs
#连接Gazebo仿真器
rospy.init_node('gazebo_client')
pub_gripper_joint_state=rospy.Publisher('gripper/joint_states',JointState,queue_size=10)
pub_base_joint_state=rospy.Publisher('/base/joint_states',JointState,queue_size=10)
pub_cmd_vel=rospy.Publisher('/cmd_vel',Twist,queue_size=10)
#控制机械臂的夹具抓取构件
joint_state=JointState()
joint_state.header.stamp=rospy.Time.now()
joint_state.name=['left_finger','right_finger']
joint_state.position=[0.6,0.6]
joint_state.velocity=[]
pub_gripper_joint_state.publish(joint_state)
#控制机械臂运动到预设姿态
joint_state=JointState()
joint_state.header.stamp=rospy.Time.now()
joint_state.name=['joint1','joint2','joint3','joint4','joint5','joint6']
joint_state.position=[0.0,0.1,-1.0,0.5,1.4,0.0]
joint_state.velocity=[]
pub_base_joint_state.publish(joint_state)
#控制机械臂的夹具松开构件
joint_state=JointState()
joint_state.header.stamp=rospy.Time.now()
joint_state.name=['left_finger','right_finger']
joint_state.position=[0.0,0.0]
joint_state.velocity=[]
pub_gripper_joint_state.publish(joint_state)
综上所述,机械臂根据预设规划的轨迹和路径进行运动,并利用夹具、吸盘等装置抓取构件,完成精准的组装和连接是通过机器人操作系统(ROS)来进行实现的,利用ROS机器人工具箱,通过函数计算式实现机械臂的运动和构件的抓取。
要将建筑模型进行智能分解,生成各个部分的模型数据以及所有部分之间的组装关系,可以利用机器学习和计算机视觉等技术。下面是用到的方法:
(1)、建筑模型数据的获取与预处理
可以使用3D建模软件,将建筑模型导入软件中,通过API/SDK进行程序化调用,生成完整建筑的3D模型。建筑模型导入后,需要对其进行预处理,将模型网格化,计算其表面积和体积等属性,然后对模型进行拓扑分析,分离出模型的各个部分,获得部分集合。
(2)、智能分解算法
可以使用深度学习或其他机器学习算法进行智能分解。深度学习可以通过学习宏观层面的建筑模型,建立起微观层面的建筑部件。首先,将所有部分集合输入神经网络中,以确定每个部件的特征参数;其次,利用机器学习算法,依照一定规则分离出每个部件所在的集合,形成部件集合的列表。
(3)、组装及优化算法
组装及优化算法可以利用机器学习和计算机视觉算法,通过检测部件加工后的表面、形状等参数,识别每个部件之间的组装关系,并确定部件的拼接和连接方式。此外,该算法还可以通过优化构件相互之间的连接,使得最终的建筑模型可以更加稳定和坚固。
(4)、自动化部分打印和组装技术
自动化部分打印和组装技术可以利用3D打印技术快速打印出所有部件。一旦所有部件已经打印和烘干,可以再利用机械臂自动将零件组装到一起,并利用自动化工具进行邻域检测和表面检测,以确保组装的正确性。
综上所述,通过机器学习和计算机视觉技术,可以实现建筑模型的智能分解,生成各个部件的模型数据以及所有部分之间的组装关系。这将有助于提高建筑模型构建的效率和质量,同时也可以缩短建筑过程的时间,并减少人力和资源的浪费。
一种大型建筑模型3D打印系统的方法的基本流程如下:
S1.建筑模型的设计和切割:
在建筑模型的设计和分解模块中,通过软件自动对建筑模型进行切割并将其分解成小块构件,以便于后续打印。
S2.构件3D打印预处理:
在材料选择和预处理模块中,针对不同的建筑材料(如混凝土、玻璃纤维等),对其进行各自独立的预处理工作,例如调整其熔点、加工温度和粘度等。
S3.构件3D打印:
在部分打印和自动组装模块中,利用大型工业3D打印设备,对上述小块构件进行逐一打印。其中,打印设备会根据预处理后的材料特性和建筑模型的分解数据,自动调整打印路径和打印参数,以确保3D打印的质量和精度。
S4.构件自动组装:
在部分打印和自动组装模块中,完成3D打印后的小块构件会自动掉落到制定位置,随后自动化装配机械臂便会根据预处理后的数据对构件进行自动化组装,直至构成完整的建筑模型。
5.后期处理:
在监控和维护模块中,相关设备会对3D打印和自动组装机器人进行监控及维护,以确保其正常工作和运营。同时还可做一些后期工作,例如涂漆和表面修整等处理,以增强建筑模型的美观度和质感。
其主要特点是应用了大型工业3D打印技术,快速、高效地构建大型建筑物模型,并通过自动控制与组装机器人实现自动化组装,提高了建筑模型构建效率,同时也减少了人力成本和资源浪费。
实施例
现在假设我们需要使用本发明中提出的方法制作一个简单的大型建筑模型。首先,我们需要使用 CAD 软件将建筑模型设计成 3D 模型,并进行三维打印;
接下来,按照本发明的方法,将这个大型建筑模型分解成几个构件,并通过 3D 打印制作出来。假设我们将这个大型建筑模型分解成三个零部件,分别是墙、顶部和底座;
接下来,根据机器学习算法得到的组装顺序,我们将三个构件按照顺序组装在一起,得到型建筑模型:
在这个过程中,可以通过代码实现自动化的零部件组装功能,基于机器学习算法得出的组装顺序序列,执行自动化程序将其组装在一起;
下面列出部分函数计算式:
(1)、基于机器学习的建筑模型零部件分类函数计算式:
f(x) = h(g(x))
其中,x为建筑小零部件,g(x)为零部件的形状和特征向量,h为待求的分类函数。
(2)、 基于机器学习的建筑模型零部件组装顺序排序函数计算式:
假设有 N 个建筑模型零部件,可以定义以下目标函数将零部件按照预设的组装顺序排序:
F = w1 * f1(x) + w2 * f2(x) + w3 * f3(x) + ... + wk * fk(x)
其中,w1到wk是权重参数,xi为第i个小零部件,f1(xi)到fk(xi)是计算第i个小零部件与其他小零部件的相关程度的函数。
综上所述,通过本发明提供的算法,可以智能分解和组装建筑模型的零部件,从而大大提高建筑模型的制作效率和精度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种大型建筑模型3D打印系统,包括以下四个部分:建筑模型设计和分解模块、材料选择和预处理模块、部分打印和自动组装模块、监控和维护模块;
其特征在于:所述的建筑模型设计和分解模块用于将建筑模型进行智能分解,生成各个部分模型数据,以及所有部分模型数据之间的组装关系;
所述的材料选择和预处理模块用于选择适合不同部位的打印材料,并通过预处理方式进行物理或化学处理;
所述的部分打印和自动组装模块将大型建筑模型进行智能分解打印成多个小块构,并将所述的小块构根据组装关系进行自动化组装或者通过人工拼接的方式进行组装;
所述的监控和维护模块用于监控3D打印系统运行状态,实时检测打印过程中的问题。
2.根据权利要求1所述的一种大型建筑模型3D打印系统,其特征在于所述的建筑模型设计和分解模块的构成包括以下几部分:
(1)、建筑模型设计软件,包括CAD设计软件、建筑信息模型软件;
(2)、建筑模型分解软件,负责将建筑模型进行分解,划分成若干个不同的部分,并根据设计参数生成每个部分的尺寸和位置信息;
(3)、3D打印软件;将智能化分解后的部件放置于3D打印平台上,并调整每个部分的打印参数;
(4)、几何建模函数,用于检验建筑模型的形状是否正确,并用于生成3D打印时需要的数据;(5)、材料属性数据库,包含各种可用于3D打印的材料的物理、力学和化学属性;
(6)、模型分解函数;将建筑模型进行智能化分解,以及为每个分解后的部分建立坐标系和确定位置参数
通过上述模块,建筑模型被智能化分解,每个部位的打印参数通过3D打印软件设置;
(7)、组装算法,用于确定每个3D打印部分的位置和相互之间的连接方式;
所述的建筑模型设计和分解模块需要通过多种工具和技术来实现建筑模型的智能化分解和打印。
3.根据权利要求2所述的一种大型建筑模型3D打印系统,其特征在于所述的建筑模型分解软件的智能化分解方法是:
(1)、将CAD图纸转换为3D模型并进行三角化处理;
(2)、进行体素化处理,得到3D体素网格数据;
(3)、对3D体素网格进行分割;
(4)、对分割后的不同部位采用图像语义分割算法,将不同部分进行分割,得到更为精细的部位;
(5)、对于分割后的每个部位进行索引,利用函数计算式进行识别和分析。
4.根据权利要求3所述的一种大型建筑模型3D打印系统,其特征在于所述的对于分割后的每个部位进行索引,提取其在三维模型中的特征信息,具体步骤如下:
(1)、提取部位的位置信息:通常采用部位中心或者球外接体积中心方式进行计算;
(2)、提取部位的大小信息:计算部位的长、宽、高或者体积信息;
(3)、提取部位的形状信息:借助形态学分析方法;
(4)、提取部位的颜色和纹理信息;
(5)、保存部位的特征信息。
5.根据权利要求1所述的一种大型建筑模型3D打印系统,其特征在于所述的材料选择和预处理模块的工作原理步骤:
S1.特征提取;材料选择和预处理模块首先需要从输入的建筑3D模型中提取特征;
S2.材料选择;根据提取的模型特征,以及预设的材料数据库,材料选择和预处理模块;
S3.物理化学预处理;对需要加固的模型部位,使用树脂进行填充处理;
S4.加工处理;在进行打印之前,材料选择和预处理模块必须进行数值模拟和优化。
6.根据权利要求1所述的一种大型建筑模型3D打印系统,其特征在于所述的部分打印和自动组装模块的工作流程如下:
S1.智能分解;部分打印和自动组装模块根据输入的3D建筑模型,将其自动或人工分解成合适大小的部件;
S2.自动化组装或人工拼接,部分打印和自动组装模块自动识别部件之间的组装关系和连接方式;
其中,部分打印和自动组装模块中包括以下计算函数:
S2.1.反汇编函数;将大型建筑模型分解成多个小块构;
S2.2.组装函数;根据3D模型的构件和组装关系自动组装或人工拼接构件;
S3.匹配函数;用于识别大小、形状不一的构件之间的适配关系,并生成组装方案;
S4.定位和固定函数;定位和固定函数用于识别构件在组装过程中的方向和姿态,并进行位置和角度调整。
7.根据权利要求1所述的一种大型建筑模型3D打印系统,其特征在于所述的自动化组装采用方法步骤是:
S1.构件位置的检测;部分打印和自动组装模块使用计算机视觉技术对打印的实物构件进行识别和位置检测;
S2.自动化组装。
8.根据权利要求7所述的一种大型建筑模型3D打印系统,其特征在于所述的自动化组装的流程由机械臂进行实施完成,并且采用实施步骤如下:
S1.构件位置检测和识别;使用相机或传感器装置对构件进行检测和识别,获取构件的位置;
S2.轨迹规划和路径优化;构件之间的连接方式和组装顺序,确定机械臂的运动规划和路径优化;
所述的轨迹规划和路径优化的以下处理方式:
S2.1.空间限制条件的处理;检查机械臂运动轨迹是否符合3D建模空间的限制条件;
S2.2.优化算法的选择;选择适合自动化组装的优化算法,并根据投影几何学或代数展开技术来解决3D模型的刚体位移;
所述的优化算法采用:遗传算法、粒子群算法、蚁群算法、差分进化算法;
S2.3.构件组合方案的优化;
S2.4.多机器人协同;
S3.机械臂控制;根据预设规划的轨迹和路径进行运动,并利用夹具、吸盘装置抓取构件,完成精准的组装和连接;
S4.检查和测量;完成自动化组装后,部分打印和自动组装模块将进行检查和测量;
所述的机械臂的运动控制和构件抓取使用机器人操作系统来实现,而所述的机器人操作系统采用的是MoveIt和Gazebo。
9.根据权利要求1所述的一种大型建筑模型3D打印系统,其特征在于所述的将建筑模型进行智能分解,生成各个部分的模型数据以及所有部分之间的组装关系中用到的方法:
(1)、建筑模型数据的获取与预处理;
(2)、智能分解算法;使用深度学习或其他机器学习算法进行智能分解;深度学习通过学习宏观层面的建筑模型,建立起微观层面的建筑部件;
(3)、组装及优化算法;组装及优化算法利用机器学习和计算机视觉算法,通过检测部件加工后的表面、形状参数,识别每个部件之间的组装关系,并确定部件的拼接和连接方式;
(4)、自动化部分打印和组装技术;利用3D打印技术快速打印出所有部件;一旦所有部件已经打印,再利用机械臂自动将零件组装到一起,并利用自动化工具进行邻域检测和表面检测。
10.根据权利要求1-9任意一条应用于所述的一种大型建筑模型3D打印系统的方法,其基本流程如下:
S1.建筑模型的设计和切割:在建筑模型的设计和分解模块中,通过软件自动对建筑模型进行切割并将其分解成小块构件;
S2.构件3D打印预处理:在材料选择和预处理模块中,针对不同的建筑材料,对其进行各自独立的预处理工作;
S3.构件3D打印:在部分打印和自动组装模块中,利用3D打印设备,对上述小块构件进行逐一打印;
S4.构件自动组装:在部分打印和自动组装模块中,完成3D打印后的小块构件会自动掉落到制定位置,随后自动化机械臂便会根据预处理后的数据对构件进行自动化组装,直至构成完整的建筑模型;
S5.后期处理:在监控和维护模块中,相关设备会对3D打印和自动组装机器人进行监控及维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823320.6A CN116690988A (zh) | 2023-07-06 | 2023-07-06 | 一种大型建筑模型3d打印系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823320.6A CN116690988A (zh) | 2023-07-06 | 2023-07-06 | 一种大型建筑模型3d打印系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116690988A true CN116690988A (zh) | 2023-09-05 |
Family
ID=87841122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310823320.6A Pending CN116690988A (zh) | 2023-07-06 | 2023-07-06 | 一种大型建筑模型3d打印系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116690988A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521271A (zh) * | 2024-01-04 | 2024-02-06 | 珠海本色成型成像材料研究院有限公司 | 一种3d模型生成系统 |
-
2023
- 2023-07-06 CN CN202310823320.6A patent/CN116690988A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521271A (zh) * | 2024-01-04 | 2024-02-06 | 珠海本色成型成像材料研究院有限公司 | 一种3d模型生成系统 |
CN117521271B (zh) * | 2024-01-04 | 2024-04-05 | 珠海本色成型成像材料研究院有限公司 | 一种3d模型生成系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108656107B (zh) | 一种基于图像处理的机械臂抓取系统及方法 | |
CN107972034B (zh) | 一种基于ros平台的复杂工件轨迹规划仿真系统 | |
WO2015096511A1 (zh) | 飞机结构件智能数控加工编程系统及方法 | |
Wang et al. | Subassembly identification for assembly sequence planning | |
CN114580083A (zh) | 一种基于数字孪生的智能装配系统的构建方法 | |
CN111260649B (zh) | 一种近距离机械臂感知与校准方法 | |
US10564626B2 (en) | Planning of computer numerical control (CNC) machining operations with the aid of a digital computer | |
US11726448B1 (en) | Robotic workspace layout planning | |
Aleotti et al. | Perception and grasping of object parts from active robot exploration | |
CN116690988A (zh) | 一种大型建筑模型3d打印系统和方法 | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN108628260A (zh) | 基于机器人的多品种工具成套设备及自动装配工艺 | |
CN111273562A (zh) | 一种基于膜计算实现井下机器人路径优化方法 | |
CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
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 | |
Zhang et al. | Deep learning-based robot vision: High-end tools for smart manufacturing | |
Rahul et al. | Integrating virtual twin and deep neural networks for efficient and energy-aware robotic deburring in industry 4.0 | |
EP3779763A1 (en) | Modelling operating zones for manufacturing resources using virtual model and computer graphics based simulation | |
CN116662628B (zh) | 一种基于复杂薄壁零件的三维cad模型检索方法 | |
Xie | Industrial Robot Assembly Line Design Using Machine Vision | |
CN106447781A (zh) | 一种基于Minkowski和面向自动装配的碰撞检测方法 | |
Mengcong et al. | Object semantic annotation based on visual SLAM | |
CN114818361A (zh) | 一种基于应用场景的数字孪生模型构建方法 | |
Xia et al. | Automated manufacturability analysis in smart manufacturing systems: a signature mapping method for product-centered digital twins | |
Hong et al. | Research of robotic arm control system based on deep learning and 3D point cloud target detection algorithm |
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 |