CN117034505B - 三维模具结构参数化组装设计用自动标注尺寸方法 - Google Patents

三维模具结构参数化组装设计用自动标注尺寸方法 Download PDF

Info

Publication number
CN117034505B
CN117034505B CN202311294601.3A CN202311294601A CN117034505B CN 117034505 B CN117034505 B CN 117034505B CN 202311294601 A CN202311294601 A CN 202311294601A CN 117034505 B CN117034505 B CN 117034505B
Authority
CN
China
Prior art keywords
data
mold
die
size
model
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
Application number
CN202311294601.3A
Other languages
English (en)
Other versions
CN117034505A (zh
Inventor
常利芳
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.)
Shenzhen Changfeng Laser Knife Mould Co ltd
Original Assignee
Shenzhen Changfeng Laser Knife Mould 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 Shenzhen Changfeng Laser Knife Mould Co ltd filed Critical Shenzhen Changfeng Laser Knife Mould Co ltd
Priority to CN202311294601.3A priority Critical patent/CN117034505B/zh
Publication of CN117034505A publication Critical patent/CN117034505A/zh
Application granted granted Critical
Publication of CN117034505B publication Critical patent/CN117034505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

Abstract

本发明涉及计算机辅助设计技术领域，尤其涉及三维模具结构参数化组装设计用自动标注尺寸方法。该方法包括以下步骤：获取模具结构数据并进行分析，获得模具结构分析数据；对模具结构分析数据进行建模，获得参数化模具模型；根据模具结构数据构建自动尺寸标注模型；对参数化模具模型进行标注，获得自动标注尺寸数据；获取模具生产尺寸数据并对参数化模具模型进行标注，获得实际标注尺寸数据并进行尺寸误差自适应校正，获得调整标注尺寸数据；获取模具需求数据，根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，获得模具组装模型。本发明利用参数化方法对三维模具结构进行自动尺寸标注。

Description

三维模具结构参数化组装设计用自动标注尺寸方法
技术领域
本发明涉及计算机辅助设计技术领域，尤其涉及三维模具结构参数化组装设计用自动标注尺寸方法。
背景技术
在模具制造领域，三维模型的设计和组装是关键的步骤。这些模型通常包含多个组件和复杂的结构，而且它们的尺寸和位置必须精确控制，以确保最终产品的质量和性能。传统上，在三维模具设计中，工程师需要手动标注和调整每个组件的尺寸，这是一项繁琐且容易出错的任务。此外，如果需要对模具进行修改或优化，必须重新进行尺寸标注，这会耗费大量时间和人力资源。
发明内容
基于此，本发明有必要提供一种三维模具结构参数化组装设计用自动标注尺寸方法，以解决至少一个上述技术问题。
为实现上述目的，一种三维模具结构参数化组装设计用自动标注尺寸方法，包括以下步骤：
步骤S1：获取模具结构数据，并根据模具结构数据进行模具结构分析，从而获得模具结构分析数据；
步骤S2：对模具结构分析数据进行参数化建模，从而获得参数化模具模型；
步骤S3：对模具结构分析数据进行模具尺寸信息提取，从而获得模具尺寸数据；对模具结构数据进行转折点检测，从而获得模具转折点数据，并根据模具尺寸数据以及模具转折点数据构建自动尺寸标注模型；
步骤S4：利用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，从而获得自动标注尺寸数据；
步骤S5：获取模具生产尺寸数据，并利用模具生产尺寸数据对参数化模具模型进行生产尺寸契合标注，从而获得实际标注尺寸数据，并根据实际标注尺寸数据对自动标注尺寸数据进行尺寸误差自适应校正，从而获得调整标注尺寸数据；
步骤S6：获取模具需求数据，根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，从而获得模具组装模型。
本发明通过获取模具结构数据并进行模具结构分析，可以提供更全面和准确的模具信息。这使得生产团队能够更好地了解模具的结构和功能，并为后续的操作提供必要的依据。将模具结构分析数据进行参数化建模，可以创建可重复使用的模具模型。这种模型可以在多个项目中重复使用，从而节省时间和资源。同时，参数化模具模型也可以方便地进行修改和优化，以适应不同的产品需求。通过模具尺寸信息提取和模具转折点数据的检测，可以提供更准确的模具尺寸数据和重要特征点的位置信息。这有助于了解模具的尺寸和结构特征，从而更好地进行模具组装和调整。利用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，可以自动化地为模具添加尺寸标注。这简化了生产团队的工作，减少了人工标注的工作量和错误的风险。生产操作员可以更快地获取到模具的尺寸信息，并准确了解各个组件的尺寸参数。通过获取模具生产尺寸数据，并将其应用于参数化模具模型的生产尺寸契合标注，可以将实际生产中的尺寸反馈到模具模型中。这使得生产团队能够准确了解模具的实际尺寸，并进行必要的调整和优化，以确保最终产品的质量。根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，可以实现模具的快速组装和调整。这使得生产团队能够更快速地进行模具组装，并根据实际需求进行必要的调整。这提高了生产效率，并确保模具能够满足产品的需求。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明三维模具结构参数化组装设计用自动标注尺寸方法的步骤流程示意图；
图2为本发明中步骤S1的详细步骤流程示意图；
图3为本发明中步骤S2的详细步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，本发明提供了一种三维模具结构参数化组装设计用自动标注尺寸方法，所述方法包括以下步骤：
步骤S1：获取模具结构数据，并根据模具结构数据进行模具结构分析，从而获得模具结构分析数据；
本实施例中收集和获取模具的结构数据，包括模具的零件构成、连接方式、关键尺寸等信息。使用专业的模具设计软件或CAD软件加载模具结构数据。进行模具结构分析，考虑模具的刚度、强度、稳定性等因素。可以使用有限元分析（FEA）方法进行结构分析，以确定模具的优化设计方案。通过模具结构分析，得到有关模具结构强度、变形、应力等分析数据。
步骤S2：对模具结构分析数据进行参数化建模，从而获得参数化模具模型；
本实施例中使用参数化建模软件，例如CAD软件中的参数化建模工具，对模具结构分析数据进行建模。根据模具结构分析数据中的尺寸、形状等参数，将其转换为参数化模具模型，即使用可调整参数的模型构建模具。参数化建模可以使得模具的设计变得更加灵活和可调整，方便后续的尺寸标注和调整。
步骤S3：对模具结构分析数据进行模具尺寸信息提取，从而获得模具尺寸数据；对模具结构数据进行转折点检测，从而获得模具转折点数据，并根据模具尺寸数据以及模具转折点数据构建自动尺寸标注模型；
本实施例中从模具结构数据中提取模具的尺寸信息，包括直线段长度、角度等。对模具结构数据进行转折点检测，即检测出模具中的拐点或突变点，用于后续的尺寸标注和自适应调整。
步骤S4：利用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，从而获得自动标注尺寸数据；
本实施例中基于模具尺寸数据和转折点数据，构建自动尺寸标注模型。使用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，即自动标注模具的尺寸数据。
步骤S5：获取模具生产尺寸数据，并利用模具生产尺寸数据对参数化模具模型进行生产尺寸契合标注，从而获得实际标注尺寸数据，并根据实际标注尺寸数据对自动标注尺寸数据进行尺寸误差自适应校正，从而获得调整标注尺寸数据；
本实施例中获取模具生产尺寸数据，即实际生产过程中测量得到的模具尺寸数据。使用模具生产尺寸数据对参数化模具模型进行生产尺寸契合标注，得到实际标注尺寸数据。比较实际标注尺寸数据和自动标注尺寸数据之间的差异，根据差异进行尺寸误差自适应校正，即调整自动标注尺寸数据以更好地与实际标注尺寸相匹配。
步骤S6：获取模具需求数据，根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，从而获得模具组装模型。
本实施例中获取模具需求数据，包括模具使用的环境、功能需求、组装要求等。根据模具需求数据以及参数化模具模型和调整标注尺寸数据，进行参数化组装设计。使用CAD软件或者模具设计软件进行模具的组装设计，包括零件的排列、连接方式、装配顺序等，以获取最终的模具组装模型。
本发明通过获取模具结构数据并进行模具结构分析，可以提供更全面和准确的模具信息。这使得生产团队能够更好地了解模具的结构和功能，并为后续的操作提供必要的依据。将模具结构分析数据进行参数化建模，可以创建可重复使用的模具模型。这种模型可以在多个项目中重复使用，从而节省时间和资源。同时，参数化模具模型也可以方便地进行修改和优化，以适应不同的产品需求。通过模具尺寸信息提取和模具转折点数据的检测，可以提供更准确的模具尺寸数据和重要特征点的位置信息。这有助于了解模具的尺寸和结构特征，从而更好地进行模具组装和调整。利用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，可以自动化地为模具添加尺寸标注。这简化了生产团队的工作，减少了人工标注的工作量和错误的风险。生产操作员可以更快地获取到模具的尺寸信息，并准确了解各个组件的尺寸参数。通过获取模具生产尺寸数据，并将其应用于参数化模具模型的生产尺寸契合标注，可以将实际生产中的尺寸反馈到模具模型中。这使得生产团队能够准确了解模具的实际尺寸，并进行必要的调整和优化，以确保最终产品的质量。根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，可以实现模具的快速组装和调整。这使得生产团队能够更快速地进行模具组装，并根据实际需求进行必要的调整。这提高了生产效率，并确保模具能够满足产品的需求。
可选地，步骤S1具体为：
步骤S11：获取模具结构数据，并对模具结构数据进行图像提取以及材料数据提取，从而获得模具结构图像集以及模具材料数据；
本实施例中收集和获取模具结构数据，包括模具的设计图纸、CAD文件或其他形式的结构描述。对模具设计图纸或CAD文件进行处理，提取模具结构相关的图像信息，例如使用图像处理算法识别出模具图纸中的几何形状、零件连接关系等。同时，从模具设计图纸或CAD文件中提取模具的材料信息，例如使用文本识别算法提取出材料名称、性能参数等相关数据。
步骤S12：对模具结构图像集进行背景分割，从而获得结构前景图像集；
本实施例中使用图像处理技术对模具结构图像集进行背景分割，以分离结构物体的前景和背景。常见的背景分割方法包括阈值分割、边缘检测、基于区域的分割等。背景分割后，得到模具结构的前景图像集，即只包含模具零件的图像。
步骤S13：根据模具结构图像集进行模具三维模型构造，从而获得三维模具模型；
本实施例中基于前景图像集，利用计算机视觉和三维重建技术，对模具进行三维模型构造。可以使用结构光扫描、立体视觉等方法获取模具的三维点云数据。使用点云处理软件或三维建模软件，对点云数据进行处理，生成模具的三维模型。
步骤S14：对三维模具模型进行几何分析，从而获得模具几何分析数据；
本实施例中对三维模具模型进行几何分析，包括尺寸、形状、曲率等方面的分析。可以利用计算机辅助设计（CAD）软件或三维建模软件进行几何分析。根据需要，可以获取模具的尺寸参数、几何属性等数据。
步骤S15：利用模具材料数据对三维模具模型进行材料分析，从而获得模具材料分析数据；
本实施例中将之前提取的模具材料数据应用于三维模具模型进行材料分析。可以使用材料分析软件或有限元分析软件进行材料特性的模拟和分析。根据模具材料数据和模拟结果，获取模具在不同材料条件下的性能特性数据。
步骤S16：对模具几何分析数据以及模具材料分析数据进行数据合并，从而获得模具结构分析数据。
本实施例中将模具的几何分析数据和材料分析数据进行合并，形成综合的模具结构分析数据。可以将几何数据和材料数据关联起来，形成模具不同部分的几何-材料关系。合并后的模具结构分析数据包括模具的几何特征、材料属性、性能指标等，并可以用于后续的模具设计和分析。
本发明通过图像提取，可以获取包括各个角度和组件的模具结构图像集。这样的图像集提供了一个详细的视觉参考，使得生产团队可以更好地理解模具的形状、组件布局和结构细节。通过材料数据提取，可以获得关于模具所用材料的信息，如材料类型、密度、硬度等。这为后续的模具分析和设计提供了基础数据，可以确保在模具制造过程中选择合适的材料。背景分割可以将模具结构图像中的背景与前景分离，从而提取出只包含模具结构的前景图像集。这使得模具的具体形状和结构更加清晰可见，有助于后续的模具建模和分析。背景分割可以减少图像中的杂乱信息和干扰，使得后续的图像处理和分析更加高效和精确。根据模具结构图像集，可以进行三维模型构造，生成具有准确形状和结构的模具模型。这使得生产团队可以在虚拟环境中更好地可视化和操作模具，进行模具设计、组装和分析等工作。通过构造三维模具模型，可以从图像数据中还原出模具的真实形状，为后续的几何分析和材料分析提供基础。几何分析可以提取模具的各种几何特征，如尺寸、曲面形状、曲率等。这些数据为后续的模具组装、调整和优化提供重要依据，确保模具的几何性能符合需求。几何分析可以帮助检测和识别模具设计中的问题，如尺寸偏差、孔位偏移等。通过及早发现并解决这些问题，可以避免在实际生产中出现质量问题和延误。通过材料分析，可以对模具所用材料的性能进行评估，包括强度、耐磨性、耐腐蚀性等。这有助于选择合适的材料，确保模具在使用过程中具有良好的性能和耐久性。材料分析可以提供有关模具材料寿命和耐用性的信息。这对制定模具维护计划、衡量模具寿命和预测更换时机等方面非常有价值。数据合并可以将几何分析和材料分析的结果进行整合和综合，提供更全面的模具结构分析数据。这使得生产团队可以综合考虑模具的几何特征和材料属性，从而更好地了解模具的性能和潜在问题。通过综合分析结果，可以发现和解决模具设计中可能存在的一些矛盾和冲突，从而进一步完善模具的结构和性能。
可选地，步骤S14具体为：
步骤S141：对三维模具模型进行尺寸测量，从而获得模具尺寸数据；
本实施例中使用三维模型测量软件或CAD工具，对模具的各个几何特征进行尺寸测量。可以通过选择特定的测量工具，如测量线、测量曲线、测量面等，对模具的长度、宽度、高度等尺寸进行测量。测量结果可以以数字、图形或报告的形式呈现，提供模具尺寸数据。
步骤S142：根据三维模具模型进行几何元素提取，从而获得模具几何元素；
本实施例中利用CAD工具或专门的几何元素提取软件，根据三维模具模型提取模具的几何元素。几何元素可以包括直线、曲线、圆弧、曲面等，这些元素定义了模具的几何形状。提取的几何元素可以用于后续的几何关系分析、拓扑关系提取等步骤。
步骤S143：将三维模具模型进行数字化转换，从而获得数字化模具模型；
本实施例中使用三维扫描仪或结构光扫描仪将实际的模具物体进行扫描，获取其三维点云数据。将点云数据导入三维点云处理软件，如MeshLab或Geomagic等，对点云数据进行处理和重建，生成数字化模具模型。数字化模具模型可以用于后续的拓扑关系提取、几何关系分析等步骤。
步骤S144：对数字化模具模型进行拓扑关系提取，从而模具拓扑关系数据；
本实施例中使用拓扑关系提取算法，对数字化模具模型进行处理，提取模具的拓扑结构信息。拓扑关系可以包括模具零件之间的连接关系、接口约束等。提取出的拓扑关系数据可以用于后续的几何关系分析、模具表面结构提取等步骤。
步骤S145：根据模具拓扑关系数据以及模具几何元素对三维模具模型进行几何关系分析，从而获得模具几何关系数据；
本实施例中结合模具的几何元素和拓扑关系数据，分析模具元素之间的几何关系。可以计算模具元素之间的距离、夹角、相对位置等几何关系。几何关系数据可以用于模具设计的优化、装配工艺的规划等。
步骤S146：对三维模具模型进行模具表面结构提取，从而获得模具表面结构数据；
本实施例中利用三维模型分析软件或曲面提取算法，从模具的三维模型中提取出表面结构信息。表面结构可以包括模具的凹凸面、刻痕、孔洞等特征。提取到的模具表面结构数据可以用于后续的曲面分析、模具几何分析等。
步骤S147：对模具表面结构数据进行曲面分析，从而获得模具曲面分析数据；
本实施例中使用曲面分析软件或CAD工具，对模具的曲面进行分析和评估。可以计算曲面的曲率、曲率变化、曲面误差等指标。曲面分析数据可以用于模具设计的精度控制、模具加工的优化等方面。
步骤S148：对模具曲面分析数据、模具尺寸数据、模具几何关系数据进行数据合并，从而获得模具几何分析数据。
本实施例中将模具曲面分析数据、尺寸数据和几何关系数据进行整合和合并。可以使用数据处理和融合工具，将不同数据源的信息集成在一起。合并后的模具几何分析数据包括尺寸信息、几何关系、表面结构特征等，用于模具设计、制造和优化。
本发明通过对三维模具模型进行尺寸测量，可以获取模具各个部分的准确尺寸信息。这对于模具制造过程中的工艺规划、尺寸校验和装配等环节非常重要，确保模具的尺寸符合设计要求。通过尺寸测量，可以了解模具各个部分的尺寸变化情况，发现尺寸偏差、缺陷或不一致的地方。这有助于进行模具分析，并能提供改进和优化的方向，以提高模具的精度和可靠性。通过几何元素提取，可以识别和提取出模具模型中的重要几何元素，如孔洞、棱边、凹凸面等。这提供了对模具结构的详细了解，有助于后续的分析和操作。几何元素提取为模具的设计改进提供了依据。通过分析提取出的几何元素，可以识别潜在的设计问题或优化机会，并针对性地进行调整，以满足特定的生产需求。通过数字化转换，可以将实体模具模型转化为数字化模型，即将物理模具转化为计算机可处理的数据表示。这样可以在计算机环境中进行更灵活、高效和准确的模具分析、设计和仿真。数字化模具模型可以进行迭代和修改，而无需在实际物理模具上进行改动。这可以加快设计和改进的速度，并降低成本，从而提高生产效率和质量。拓扑关系提取可以识别并提取出模具模型中的各个部件之间的连接关系，如孔洞的连接、零部件的配合关系等。这有助于分析模具的组装过程和设计中的依赖关系，确保模具的正确组装和可靠性。通过拓扑关系提取，可以确定模具中各个部件之间的相对位置和约束关系。这有助于模具的装配过程，并支持模具的调整和优化，确保模具的稳定性和性能。几何关系分析可以揭示不同模具部件之间的相对位置、包容关系和空间约束。这有助于模具装配的正确性和稳定性。几何关系分析可以帮助检测并识别模具中的不良几何关系，如过度间隙、碰撞等。通过分析和调整这些几何关系，可以修复模具的问题，提高模具的性能和精度。模具表面结构提取可以捕捉模具表面的细节信息，如纹理、凹凸、壁厚、加工特征等。这提供了对模具表面质量和特征的全面了解，有助于后续的表面处理和工艺规划。通过分析提取出的模具表面结构，可以识别表面缺陷、不均匀性和质量问题。这有助于改善模具的表面质量，提高产品外观和性能。曲面分析可以提供对模具表面曲率、曲面形状和平滑度等几何特性的评估。这有助于检测曲面是否满足设计要求，并可以根据需要进行曲面调整和修正。曲面分析可以识别模具表面的缺陷、变形和扭曲等问题。通过及早发现和解决这些问题，可以提高模具的制造质量和性能。数据合并可以将模具曲面分析数据、模具尺寸数据和模具几何关系数据进行综合，提供全面的模具几何特性。这有助于对模具的整体性能和可行性进行评估和优化。通过数据合并，可以将各种分析数据整合到一个综合的模具几何分析数据集中，并进行可视化展示。这样的可视化结果提供了更直观和全面的模具分析结论，有助于决策和改进模具设计和制造过程。
可选地，步骤S15具体为：
根据模具材料数据进行材料极限计算，从而获得材料强度参数数据；
本实施例中根据模具材料的物理和机械性质，使用材料力学理论进行极限计算。例如确定材料的弹性模量、屈服强度、拉伸强度和断裂韧性。这可以通过实验室测试或文献研究获得。一旦获得这些参数，就可以建立模具材料的本构模型，以在后续步骤中进行应力分析。
获取模具实际工况数据；
本实施例中为了获取模具的实际工况数据，需要在模具上安装传感器和数据记录设备，以监测工作条件。这可能包括测量模具的温度、压力、振动和位移等参数。这些数据可以通过连续监测和记录来获得，以确保捕获到模具在不同工况下的变化。
根据模具实际工况数据以及材料强度参数数据进行边界条件分析，从而获得材料边界条件；
本实施例中通过分析实际工况数据，确定模具的边界条件。例如，如果模具在高温环境中工作，边界条件可能涉及到温度分布和热传导。如果模具受到外部载荷，边界条件将涉及载荷的大小和方向。这些条件将在后续的有限元分析中用于模拟模具的受力情况。
根据模具实际工况数据以及材料强度参数数据进行加载条件分析，从而获得材料加载条件；
本实施例中根据实际工况数据和材料的强度参数，进行加载条件分析，这涉及分析实际工况下模具受到的外部加载。这包括静态加载、动态加载或瞬态加载。通过将工况数据与材料强度参数结合起来，可以确定加载条件，包括载荷大小、频率、时间变化等。这些加载条件将用于模拟模具在工作中的受力情况。
利用材料边界条件以及材料加载条件对三维模具模型进行应力分析，从而获得材料应力分布数据；
本实施例中使用有限元分析或其他数值模拟方法，在三维模具模型上应用边界条件和加载条件。通过求解应力-应变方程，可以获得模具内部各点的应力分布数据。这些数据将揭示模具在不同工况下的应力分布情况，有助于确定受力部位和潜在的应力集中区域。
根据材料加载条件对三维模具模型进行变形模拟，从而获得材料变形数据；
本实施例中在变形模拟中，根据加载条件对三维模具模型进行分析，以确定模具的变形情况。这包括模具的位移、应变和变形量等参数。通过模拟模具在工作中的变形，可以评估其结构的稳定性和变形程度，从而进一步优化设计。
对材料应力分布数据以及材料变形数据进行数据合并，从而获得模具材料分析数据。
本实施例中将材料的应力分布数据和变形数据进行整合和合并。可以使用数据处理和分析工具，对不同数据源的信息进行集成和组合。合并后的模具材料分析数据可以包括应力与变形的关系、材料疲劳寿命、应力集中区域等，用于模具设计、材料选型和性能优化。
本发明通过计算模具材料的极限强度，可以确定材料在极限状态下的承载能力和抗变形能力，从而为模具的设计提供基础数据。这有助于确保模具在使用中不会出现材料破坏或失效的情况，提高模具的可靠性和使用寿命。获取模具实际工况数据是为了模拟和分析模具在实际使用过程中所承受的加载和边界条件。这些数据可以包括模具所用工作介质的温度、压力、流速等信息，以及模具所处的环境条件。通过收集和分析这些数据，可以更准确地了解模具在使用中所受到的作用力和环境影响，为后续的分析和设计提供依据。根据模具实际工况数据以及材料强度参数数据进行边界条件分析可以确定模具在使用过程中的边界条件。这些边界条件包括模具的支撑方式、约束条件、载荷大小和载荷类型等。通过确定边界条件，可以建立适当的数学模型，并为后续的应力分析和变形模拟提供准确的输入条件。根据模具实际工况数据以及材料强度参数数据进行加载条件分析可获得材料加载条件。加载条件包括模具所受到的外界力和作用力的大小、方向、分布等信息。通过分析加载条件，可以确定作用在模具上的力的特征和分布情况，为后续的应力分析提供输入数据。利用材料边界条件和材料加载条件对三维模具模型进行应力分析可以获得材料应力分布数据。通过应力分析，可以了解模具在加载条件下各个部位的应力分布情况，找出材料应力集中的位置和强度，为模具的强度校核和优化提供依据。同时，应力分析还可以检测模具的强度是否满足设计要求，有助于确保模具在使用中不会发生破坏或断裂。根据材料加载条件对三维模具模型进行变形模拟，可以获得材料变形数据。通过模拟材料的变形行为，可以预测模具在受力过程中的变形情况，包括形状变化、位移和变形程度等。这有助于评估模具的几何稳定性和结构刚度，并为模具的改进和优化提供指导。对材料应力分布数据以及材料变形数据进行数据合并可以获得模具材料分析数据。通过将应力分布数据和变形数据进行整合和综合分析，可以全面了解模具材料在加载条件下的响应和性能。这有助于评估模具的强度、变形程度和极限承载能力等指标，为模具的优化设计和使用寿命评估提供依据。
可选地，步骤S2具体为：
步骤S21：对模具结构分析数据进行几何数据提取，从而获得模具几何分析数据；
本实施例中通过对模具结构分析数据进行处理和分析，提取出模具的几何信息，包括尺寸、形状、曲面特征等。这可以通过从CAD文件中提取几何数据或利用测量工具进行实际测量来实现。例如，使用三维扫描仪对模具进行扫描得到点云数据，并利用数据处理软件将点云转换为几何模型。
步骤S22：根据模具几何分析数据进行参数化建模，从而获得参数化几何模型；
本实施例中根据提取的几何分析数据，使用参数化建模软件或CAD工具创建一个具有参数化特征的几何模型。参数化建模允许通过调整参数值来快速修改模具的形状和尺寸，以满足不同的设计要求。例如，在三维建模软件中，可以使用参数化工具创建具有可调节尺寸和形状的特征，如孔、凸台和倒角等。
步骤S23：对模具结构分析数据进行材料分析数据提取，从而获得模具材料分析数据；
本实施例中对模具结构分析数据进行处理和分析，以提取模具材料的相关信息。这涉及材料组成、热处理历史、力学性质等方面的数据。可以通过实验室测试、材料证书或已有的材料数据库来获取这些数据。例如，对模具材料进行化学成分分析、金相观察和机械性能测试，以获得材料的力学性质参数。
步骤S24：对模具材料分析数据进行应力分布数据提取以及材料变形数据提取，从而获得材料应力分布数据以及材料变形数据，并对材料应力数据以及材料变形数据进行拟合参数化，从而获得材料参数化数据；
本实施例中利用模具结构分析数据和材料分析数据，进行应力分布数据和材料变形数据的提取。可以使用有限元分析软件对模具进行应力分析和变形分析，从而得到模具内部各点的应力分布数据和变形数据。这些数据可以帮助评估模具在不同加载条件下的应力分布情况和变形程度。
步骤S25：利用材料参数化数据对参数化几何模型进行模型参数迭代优化，从而获得参数化模具模型。
本实施例中利用从材料参数化数据中获得的模具材料性能信息，对参数化几何模型进行模型参数迭代优化。通过调整模型中的参数值，例如改变尺寸、形状或材料，以达到更好的性能和设计要求。优化可以使用专业的优化软件或通过手动调整参数进行迭代改进。最终，优化后的参数化模具模型将成为满足特定要求的最佳设计。
本发明提取模具结构分析数据中的几何信息，包括模具的形状、尺寸、几何特征等。获得模具的几何分析数据，为后续的参数化建模和优化提供基础。将模具的几何分析数据转化为参数化几何模型，使得模具的形状和尺寸可以通过调整参数来灵活改变。参数化建模提供了对模具设计进行快速迭代和变体设计的能力，减少了设计过程中的重复工作，提高了设计效率。从模具结构分析数据中提取材料信息，包括材料的物理性质、力学性能等。获得模具的材料分析数据，为后续的应力分布和变形模拟提供材料属性的基础。提取模具材料分析数据中的应力分布和材料变形数据，反映了模具在加载条件下的应力和变形情况。对获得的应力数据和变形数据进行拟合参数化，提取关键参数，使得材料的应力和变形行为可以通过参数来表示，方便后续的分析和优化。将获得的材料参数化数据应用于参数化几何模型，通过优化模型参数来改进模具的设计和性能。可进行多次迭代优化，根据设计要求和约束条件，通过调整模型参数来优化模具的结构、强度、刚度等特性，并实现模具性能的改进和优化。
可选地，步骤S3具体为：
步骤S31：对模具结构分析数据进行模具尺寸信息提取，从而获得模具尺寸数据；
本实施例中通过对模具结构分析数据进行处理和分析，提取出模具的尺寸信息，例如长度、宽度、高度等。这可以通过测量模具的各个部分尺寸或从CAD文件中提取尺寸数据来实现。例如，使用测量工具对模具进行实际测量，并记录下相关的尺寸数据。
步骤S32：对模具结构数据进行图像提取，从而获得模具结构图像集，并对模具结构图像集进行待边缘检测预处理，从而获得灰度结构图像集；
本实施例中对模具结构数据进行图像提取，获取模具的结构图像集。这是对模具结构数据中的图像数据进行图像提取。然后，对获取的结构图像集进行预处理，例如去除噪声并转换为灰度图像，以便后续处理。
步骤S33：对灰度结构图像集进行边缘点检测，从而获得边缘点二值图像集；
本实施例中对灰度结构图像集进行边缘点检测，以获得边缘点的二值图像集。边缘点检测是通过分析图像中灰度的变化来确定物体边界的技术。可以使用边缘检测算法（如Canny算法）来检测模具结构图像中的边缘点，并将其转换为二值图像。
步骤S34：对边缘点二值图像集进行轮廓提取，从而获得闭合轮廓；
本实施例中对边缘点二值图像集进行轮廓提取，从而获得模具的闭合轮廓。通过将二值图像中的边缘点连接起来，可以得到表示模具外形的闭合轮廓。
步骤S35：通过转折点得分计算公式对闭合轮廓进行转折点得分计算，从而获得转折点得分数据；
本实施例中通过转折点得分计算公式对闭合轮廓进行转折点得分计算，以获得模具转折点的得分数据。转折点是指闭合轮廓上明显改变方向的点，通过计算转折点得分可以量化模具的变形程度和形状特征。
步骤S36：利用转折点得分数据对边缘点二值图像集进行转折点标记，从而获得模具转折点数据；
本实施例中利用转折点得分数据对边缘点二值图像集进行转折点标记，以获得模具的转折点数据。根据转折点得分的阈值，可以将标记转折点的信息添加到边缘点二值图像集中。
步骤S37：将模具尺寸数据以及模具转折点数据进行归一化处理，从而获得建模准备数据；
本实施例中将模具尺寸数据和模具转折点数据进行归一化处理，使其处于统一的尺度范围内，以便用于后续的建模准备。
步骤S38：利用建模准备数据对模具结构图像集进行标注处理，从而获得标注结构图像集；
本实施例中利用建模准备数据，对模具结构图像集进行标注处理。标注可以包括标记模具的尺寸信息和转折点位置等，将这些信息与结构图像集相关联。
步骤S39：根据标注结构图像集构建自动尺寸标注模型。
本实施例中根据标注结构图像集选择合适的模型架构来构建自动尺寸标注模型。常用的架构包括卷积神经网络（CNN）、循环神经网络（RNN）等。网络的设计需要考虑图像特征提取和尺寸标注的任务需求。将准备好的标注结构图像集划分为训练集、验证集和测试集。通常将数据集按比例（如70%、15%、15%）划分，用于训练、验证和评估模型的性能。使用训练集进行模型的训练。通过输入标注结构图像作为训练样本，模型通过学习图像中的特征与尺寸标注之间的关联来调整权重和参数。训练过程中会使用损失函数（如均方误差）来度量模型输出与实际尺寸标注之间的差异，并通过反向传播算法进行参数更新。使用验证集来评估模型的性能和泛化能力。通过将验证集中的图像输入到训练好的模型中，计算模型输出的尺寸标注与实际标注之间的差异，并进行性能测量，如平均误差、准确率等。根据验证集的结果，对模型的超参数进行调优。超参数包括学习率、批量大小、网络层数等。通过调整这些超参数，可以提高模型的性能和泛化能力。通过训练模型来实现对模具结构图像的自动尺寸标注，以自动提取模具尺寸信息并进行标记。
本发明从模具结构分析数据中提取模具的尺寸信息，包括长度、宽度、高度、直径等尺寸参数。获得准确的模具尺寸数据，为后续的建模和尺寸标注提供基础。将模具结构数据转化为图像形式，方便进行图像处理和分析。对模具结构图像集进行待边缘检测预处理，强化边缘信息，为后续的边缘点检测和轮廓提取提供清晰的图像数据。通过边缘点检测算法，检测出模具结构图像中的边缘点，即模具的轮廓信息。获得边缘点的二值图像集，将边缘信息转化为二值形式，为后续的轮廓提取和转折点计算提供数据基础。根据边缘点二值图像集，提取出模具的闭合轮廓，即模具外形的整体轮廓。得到模具的闭合轮廓后，可以进一步进行形状分析和尺寸标注。基于闭合轮廓，计算转折点得分，用于评估模具外形的曲线特征。转折点得分数据反映了模具曲线的弯曲与角度变化，为后续的转折点标记和尺寸标注提供依据。根据转折点得分数据，对边缘点二值图像集进行转折点的标记和识别。获得模具的转折点数据，即模具边缘曲线变化的关键转折点，用于后续的模型建模和尺寸标注。对模具尺寸数据和转折点数据进行归一化处理，将它们映射到同一尺度范围内。归一化后的建模准备数据方便进行统一处理和分析，为后续的模型建模和标注模型提供规范化的数据输入。基于建模准备数据，对模具结构图像集进行标注，标记出模具的关键特征和尺寸信息。获得带有标注信息的结构图像集，为后续的自动尺寸标注模型训练提供有标注的数据集。基于标注结构图像集，构建自动尺寸标注模型，用于自动检测和标注模具特征尺寸。自动尺寸标注模型可以提高标注效率和准确性，减少人工标注的工作量，提高建模的自动化程度和准确性。
可选地，步骤S35中的转折点得分计算公式具体为：
；
式中，为转折点得分，/>为闭合轮廓上观察点的横轴坐标，/>为闭合轮廓点的纵轴坐标，/>为闭合轮廓的主要长度，/>为闭合轮廓的次要长度，/>为闭合轮廓的平均曲率，/>为闭合轮廓上观察点的凹凸性系数，/>为闭合轮廓的周长，/>为闭合轮廓的扁平度系数，/>为闭合轮廓的复杂度系数。
本发明构造了一个转折点得分计算公式，用于对闭合轮廓进行转折点得分计算。该公式充分考虑了影响转折点得分的闭合轮廓上观察点的横轴坐标/>，闭合轮廓点的纵轴坐标/>，闭合轮廓的主要长度/>，闭合轮廓的次要长度/>，闭合轮廓的平均曲率/>，闭合轮廓上观察点的凹凸性系数/>，闭合轮廓的周长/>，闭合轮廓的扁平度系数/>，闭合轮廓的复杂度系数/>，形成了函数关系：
；
式中部分是对 x 的偏导数，表示对 x 坐标的变化的响应。它用于评估观察点在 x 方向上的变化。而该公式的分子主要组成部分/>的目的是根据观察点的位置和曲线的性质来计算一个值。/>和/>表示闭合轮廓的主要长度和次要长度，这些参数描述了轮廓的形状。/>表示观察点在曲线上的纵向位置的正弦函数。/>表示观察点的凹凸性系数，/>是一个常数，用于调整凹凸性的影响。/>这部分反映了观察点与曲线的位置关系和曲线的形状。/>这部分计算了观察点的/>和/>坐标的平方根的立方根。它用于考虑观察点的位置与曲线的变化关系。/>这部分包含了平均曲率、周长、扁平度和复杂度等参数。它用于综合考虑曲线的不同性质。该公式根据一系列参数和函数的组合计算转折点得分，通过量化观察点是否处于曲线的转折点位置，能够识别轮廓中的转折点。这对于曲线分析和特征提取可能十分有用。通过计算得到的转折点得分，可以确定曲线上具有显著形状变化的位置，即转折点。这有助于定位和标记曲线中的目标或关键点，如拐点、角点等，从而帮助进一步的分析和处理。该公式综合考虑了曲线的形状、凹凸性、周长、扁平度和复杂度等参数，可以提供一种基于这些特征的转折点评估方法。
可选地，步骤S4具体为：
步骤S41：利用自动尺寸标注模型对参数化模具模型进行转折点检测，从而获得参数化转折点数据；
本实施例中使用已训练好的自动尺寸标注模型，将参数化模具模型的结构图像输入模型中。通过模型的图像分析和特征提取能力，检测模具模型中的转折点（角点）。模型会输出转折点的坐标和相关特征信息，形成参数化转折点数据的集合。例如，对于一个模具模型图像，自动尺寸标注模型可以检测出转折点的坐标为(100, 200)、(300, 150)等，并提供这些转折点的特征描述，如角度、曲率等。
步骤S42：利用参数化转折点数据对参数化模具模型进行转折点标注，从而获得参数化标注模型；
本实施例中基于参数化转折点数据集，将其与参数化模具模型进行对应。利用参数化转折点的坐标和特征信息对模具模型进行标注，将转折点的位置和属性信息与模型进行关联。例如，使用参数化转折点数据为模具模型中的转折点添加标记，指示其类型、角度、曲率等特征。这样，参数化模具模型就具备了转折点标注，可以更好地进行后续处理和分析。
步骤S43：利用自动尺寸标注模型对参数化标注模型进行尺寸组合选择，从而获得最优尺寸组合策略；
本实施例中运用自动尺寸标注模型，对参数化标注模型进行尺寸分析和组合选择。通过输入参数化标注模型的结构图像，模型能够识别和提取模具模型中的尺寸信息。根据模型的输出，可以进行尺寸的组合选择，如选择一组尺寸组合以满足特定的要求，如最小尺寸范围、最大尺寸约束等。
步骤S44：根据最优尺寸组合策略通过自动尺寸标注模型对参数化模具模型进行自动尺寸标注，从而获得自动标注尺寸数据。
本实施例中利用确定的最优尺寸组合策略，通过自动尺寸标注模型对参数化模具模型进行自动尺寸标注。将参数化模具模型的结构图像输入模型中，模型将输出每个尺寸的标注结果，标识出每个尺寸在模具模型中的位置和数值。最终获得的自动标注尺寸数据可用于模具制造和工程分析，为后续的工艺规划和生产提供依据。例如，自动尺寸标注模型可以自动识别模具模型中的长度、宽度、高度等尺寸，并给出相应的数值标注，如长度为100mm、宽度为50mm、高度为200mm等。
本发明通过自动尺寸标注模型检测参数化模具模型的转折点，可以找到模具设计中的重要曲线变化点，并将其转换为参数化转折点数据。这将有助于进一步的模具设计和分析工作。通过使用参数化转折点数据对参数化模具模型进行转折点标注，可以将关键特征点标记和记录在模具模型中，从而获得参数化标注模型。这将有助于模具设计、可视化和后续的尺寸组合选择。通过自动尺寸标注模型对参数化标注模型进行尺寸组合选择，可以根据设计要求和约束条件找到最优的尺寸组合策略。这将帮助设计者快速确定模具的尺寸参数，提高设计的效率和准确性。根据最优尺寸组合策略，利用自动尺寸标注模型对参数化模具模型进行自动尺寸标注，可以自动化地获得标注尺寸数据。这将大大减少了人工标注的工作量，提高了标注的速度和准确性。
可选地，步骤S5具体为：
步骤S51：获取模具生产尺寸数据；
本实施例中通过测量、扫描或其他方式获取模具实际生产过程中的尺寸数据。这可以包括模具的长度、宽度、高度以及其他相关的尺寸参数。例如，使用测量工具如卡尺、测量仪器等对模具进行逐个尺寸测量，得到实际生产尺寸数据，如长度为100mm、宽度为50mm、高度为200mm等。
步骤S52：利用模具生产尺寸数据对参数化模具模型进行尺寸匹配，从而获得实际适用尺寸数据；
本实施例中将获取的模具生产尺寸数据应用于参数化模具模型。通过与模型中的尺寸参数进行匹配，确定与实际生产过程中测量得到的尺寸数据相对应的模型尺寸。例如，对于一个参数化模具模型中的长度参数，根据实际生产测量得到的长度为100mm，将该数值应用于模型中相应的参数，使模型的长度与实际生产尺寸匹配。
步骤S53：利用实际适用尺寸数据对参数化模具模型进行尺寸标注，从而获得实际标注尺寸数据；
本实施例中根据实际适用尺寸数据，对参数化模具模型进行尺寸标注。利用实际测量的尺寸数据，将其与模具模型中的相应尺寸参数关联，并进行标注。例如，在模具模型的图形界面上，将实际适用尺寸数据标注在模具的相应位置或部件上，以便在后续的操作和分析中能够清晰地了解实际尺寸信息。
步骤S54：根据实际标注尺寸数据对自动标注尺寸数据进行尺寸误差自适应校正，从而获得调整标注尺寸数据。
本实施例中基于实际标注尺寸数据，对之前使用自动尺寸标注模型标注的尺寸数据进行自适应调整。通过比较实际标注尺寸数据和自动标注尺寸数据的差异，对自动标注尺寸数据进行相应调整。例如，如果实际标注尺寸数据与自动标注尺寸数据存在差异或不一致，可对自动标注尺寸数据进行补充、修改或修正，以使其与实际标注尺寸保持一致。调整后的标注尺寸数据即为调整标注尺寸数据，可用于进一步的工艺规划和生产操作。
本发明通过获取模具生产的实际模板上的尺寸信息，可以获得真实的生产尺寸数据。这些数据是通过测量实际模板或模具产品获得的，反映了实际生产过程中可能存在的材料变化、加工误差等因素。通过将模具生产尺寸数据与参数化模具模型进行匹配，可以确定模具的实际适用尺寸参数。这有助于确保模具设计与实际生产的模具尺寸保持一致，减少由于生产变化引起的尺寸偏差，从而提高产品的质量和性能。使用实际适用尺寸数据对参数化模具模型进行尺寸标注，将实际尺寸信息添加到模具设计中。这有助于设计人员更清楚地理解实际模具尺寸，从而在模具维护和改进过程中更方便地操作和调整模具。通过将实际标注尺寸数据与自动标注的尺寸数据进行比较，可以检测潜在的尺寸差异。然后，可以自动或手动地根据实际标注尺寸数据对自动标注尺寸进行调整，以确保标注的尺寸与实际需求保持一致。这有助于确保模具设计的准确性和可靠性。
可选地，步骤S54具体为：
对实际标注尺寸数据以及自动标注尺寸数据进行对齐比对，从而获得尺寸误差数据；
本实施例中通过测量或扫描实际生产的模具件，获取实际尺寸数据。将实际尺寸数据与自动标注的尺寸数据进行比对对齐。通过计算差异或偏差，得到尺寸误差数据，表示实际尺寸与标注尺寸之间的差异。
利用尺寸差异数据对参数化模具模型进行结构误差提取，从而获得结构误差数据；
本实施例中基于参数化的模具模型，使用实际尺寸数据和标注尺寸数据之间的差异来提取结构误差。比较实际尺寸数据与标注尺寸数据在模具模型中的应用情况，确定结构误差的位置和范围。通过分析尺寸差异的模式和趋势，提取出结构误差数据，描述模具模型在尺寸方面的偏差情况。
通过尺寸误差校正计算公式对结构误差数据进行最大调整数值计算，从而获得尺寸误差校正数值；
本实施例中制定适当的尺寸误差校正计算公式，考虑到结构误差的严重程度和设计要求。基于结构误差数据，计算出每个尺寸参数的最大调整数值，表示在允许范围内进行最大的尺寸校正。
其中，尺寸误差校正计算公式具体为：
式中，为尺寸误差校正数值，/>为尺寸误差数值，/>为尺寸误差结构长度，/>为尺寸误差需要调整的数值，/>为误差评估指标系数，/>为尺寸误差结构的修正因子，/>为尺寸误差结构的曲率，/>为尺寸误差结构的凹凸性系数，/>为结构位置偏移系数，/>为尺寸误差区域总数；
本发明构造了一个尺寸误差校正计算公式，用于对结构误差数据进行最大调整数值计算。该公式充分考虑了影响尺寸误差校正数值的尺寸误差数值/>，尺寸误差结构长度/>，尺寸误差需要调整的数值/>，误差评估指标系数/>，尺寸误差结构的修正因子/>，尺寸误差结构的曲率/>，尺寸误差结构的凹凸性系数/>，/>，尺寸误差区域总数/>，形成了函数关系：
其中这部分是计算误差评估指标系数和尺寸误差结构长度的比值结果。首先，它对尺寸误差进行积分，其中/>是尺寸误差数值，/>是结构位置偏移系数，/>是尺寸误差区域总数。然后，对积分结果进行开方运算，并与/>（尺寸误差结构长度与调整数值之和的自然对数）相除。/>这部分是计算尺寸误差结构的修正因子、曲率和凹凸性系数的运算结果。首先，它计算/>（误差评估指标系数的/>次幂）的对数，然后取以2为底的对数。接着，计算/>（尺寸误差结构曲率的/>次幂）的四次根。最后，对这两个结果进行立方根运算。该公式考虑了尺寸误差的积分结果、误差评估指标系数、尺寸误差结构长度、修正因子、曲率和凹凸性系数等多个参数。通过综合考虑这些因素，可以更准确地评估和调整尺寸误差，从而提高模具的精确度。公式中的参数可以根据具体情况进行调整，因此适用于不同类型的尺寸误差和模具结构。这使得该公式具有一定的通用性，可以应用于多种不同的工程和制造领域。公式中包含了多个参数的运算和组合，对尺寸误差的不同方面进行综合考虑。这种综合性的处理方式能够更全面地评估尺寸误差，并提供相应的调整数值，从而在多个方面改善模具的尺寸准确性。公式中的尺寸误差校正数值能够指导模具尺寸的调整，以克服尺寸误差并提高模具的准确性。通过根据公式计算得出的调整数值，可以有针对性地对模具进行调整，以最大程度地减少尺寸误差，提高模具的性能和工件的质量。
利用尺寸误差校正数值对自动标注尺寸数据进行尺寸校正，从而获得调整标注尺寸数据。
本实施例中将尺寸误差校正数值应用于自动标注的尺寸数据，对尺寸进行相应的调整。根据最大调整数值的正负方向，增加或减少自动标注的尺寸数值，以使其逼近实际尺寸和要求的调整尺寸。
本发明通过比对实际标注尺寸数据和自动标注尺寸数据，可以确定它们之间的差异，即尺寸误差。这有助于了解自动标注的准确性，并识别出设计和生产过程中可能存在的尺寸偏差。通过分析尺寸差异数据，可以确定造成尺寸误差的具体部分和因素。这有助于提取尺寸误差的结构信息，即了解尺寸误差在模具结构中的分布和来源。通过应用尺寸误差校正计算公式，可以确定结构误差数据中的最大调整数值。这有助于确定尺寸校正的上限，确保在模具设计和生产过程中尺寸误差控制的可行性和合理性。通过应用尺寸误差校正数值，可以对自动标注的尺寸数据进行相应的调整，将其纠正到符合实际要求的尺寸标准。这有助于保证模具设计和生产的尺寸准确性，并提高产品的质量和性能。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，包括以下步骤：
步骤S1：获取模具结构数据，并根据模具结构数据进行模具结构分析，从而获得模具结构分析数据；
步骤S2：对模具结构分析数据进行参数化建模，从而获得参数化模具模型；
步骤S3，包括：
步骤S31：对模具结构分析数据进行模具尺寸信息提取，从而获得模具尺寸数据；
步骤S32：对模具结构数据进行图像提取，从而获得模具结构图像集，并对模具结构图像集进行待边缘检测预处理，从而获得灰度结构图像集；
步骤S33：对灰度结构图像集进行边缘点检测，从而获得边缘点二值图像集；
步骤S34：对边缘点二值图像集进行轮廓提取，从而获得闭合轮廓；
步骤S35：通过转折点得分计算公式对闭合轮廓进行转折点得分计算，从而获得转折点得分数据；
其中，转折点得分计算公式如下所示：
式中，为转折点得分，/>为闭合轮廓上观察点的横轴坐标，/>为闭合轮廓点的纵轴坐标，为闭合轮廓的主要长度，/>为闭合轮廓的次要长度，/>为闭合轮廓的平均曲率，/>为闭合轮廓上观察点的凹凸性系数，/>为闭合轮廓的周长，/>为闭合轮廓的扁平度系数，/>为闭合轮廓的复杂度系数；
步骤S36：利用转折点得分数据对边缘点二值图像集进行转折点标记，从而获得模具转折点数据；
步骤S37：将模具尺寸数据以及模具转折点数据进行归一化处理，从而获得建模准备数据；
步骤S38：利用建模准备数据对模具结构图像集进行标注处理，从而获得标注结构图像集；
步骤S39：根据标注结构图像集构建自动尺寸标注模型；
步骤S4：利用自动尺寸标注模型对参数化模具模型进行设计尺寸契合标注，从而获得自动标注尺寸数据；
步骤S5：获取模具生产尺寸数据，并利用模具生产尺寸数据对参数化模具模型进行生产尺寸契合标注，从而获得实际标注尺寸数据，并根据实际标注尺寸数据对自动标注尺寸数据进行尺寸误差自适应校正，从而获得调整标注尺寸数据；
步骤S6：获取模具需求数据，根据模具需求数据、参数化模具模型以及调整标注尺寸数据进行参数化组装设计，从而获得模具组装模型。
2.根据权利要求1所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S1具体为：
步骤S11：获取模具结构数据，并对模具结构数据进行图像提取以及材料数据提取，从而获得模具结构图像集以及模具材料数据；
步骤S12：对模具结构图像集进行背景分割，从而获得结构前景图像集；
步骤S13：根据模具结构图像集进行模具三维模型构造，从而获得三维模具模型；
步骤S14：对三维模具模型进行几何分析，从而获得模具几何分析数据；
步骤S15：利用模具材料数据对三维模具模型进行材料分析，从而获得模具材料分析数据；
步骤S16：对模具几何分析数据以及模具材料分析数据进行数据合并，从而获得模具结构分析数据。
3.根据权利要求2所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S14具体为：
步骤S141：对三维模具模型进行尺寸测量，从而获得模具尺寸数据；
步骤S142：根据三维模具模型进行几何元素提取，从而获得模具几何元素；
步骤S143：将三维模具模型进行数字化转换，从而获得数字化模具模型；
步骤S144：对数字化模具模型进行拓扑关系提取，从而模具拓扑关系数据；
步骤S145：根据模具拓扑关系数据以及模具几何元素对三维模具模型进行几何关系分析，从而获得模具几何关系数据；
步骤S146：对三维模具模型进行模具表面结构提取，从而获得模具表面结构数据；
步骤S147：对模具表面结构数据进行曲面分析，从而获得模具曲面分析数据；
步骤S148：对模具曲面分析数据、模具尺寸数据、模具几何关系数据进行数据合并，从而获得模具几何分析数据。
4.根据权利要求2所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S15具体为：
根据模具材料数据进行材料极限计算，从而获得材料强度参数数据；
获取模具实际工况数据；
根据模具实际工况数据以及材料强度参数数据进行边界条件分析，从而获得材料边界条件；
根据模具实际工况数据以及材料强度参数数据进行加载条件分析，从而获得材料加载条件；
利用材料边界条件以及材料加载条件对三维模具模型进行应力分析，从而获得材料应力分布数据；
根据材料加载条件对三维模具模型进行变形模拟，从而获得材料变形数据；
对材料应力分布数据以及材料变形数据进行数据合并，从而获得模具材料分析数据。
5.根据权利要求1所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S2具体为：
步骤S21：对模具结构分析数据进行几何数据提取，从而获得模具几何分析数据；
步骤S22：根据模具几何分析数据进行参数化建模，从而获得参数化几何模型；
步骤S23：对模具结构分析数据进行材料分析数据提取，从而获得模具材料分析数据；
步骤S24：对模具材料分析数据进行应力分布数据提取以及材料变形数据提取，从而获得材料应力分布数据以及材料变形数据，并对材料应力数据以及材料变形数据进行拟合参数化，从而获得材料参数化数据；
步骤S25：利用材料参数化数据对参数化几何模型进行模型参数迭代优化，从而获得参数化模具模型。
6.根据权利要求1所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S4具体为：
步骤S41：利用自动尺寸标注模型对参数化模具模型进行转折点检测，从而获得参数化转折点数据；
步骤S42：利用参数化转折点数据对参数化模具模型进行转折点标注，从而获得参数化标注模型；
步骤S43：利用自动尺寸标注模型对参数化标注模型进行尺寸组合选择，从而获得最优尺寸组合策略；
步骤S44：根据最优尺寸组合策略通过自动尺寸标注模型对参数化模具模型进行自动尺寸标注，从而获得自动标注尺寸数据。
7.根据权利要求1所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S5具体为：
步骤S51：获取模具生产尺寸数据；
步骤S52：利用模具生产尺寸数据对参数化模具模型进行尺寸匹配，从而获得实际适用尺寸数据；
步骤S53：利用实际适用尺寸数据对参数化模具模型进行尺寸标注，从而获得实际标注尺寸数据；
步骤S54：根据实际标注尺寸数据对自动标注尺寸数据进行尺寸误差自适应校正，从而获得调整标注尺寸数据。
8.根据权利要求7所述的三维模具结构参数化组装设计用自动标注尺寸方法，其特征在于，步骤S54具体为：
对实际标注尺寸数据以及自动标注尺寸数据进行对齐比对，从而获得尺寸误差数据；
利用尺寸差异数据对参数化模具模型进行结构误差提取，从而获得结构误差数据；
通过尺寸误差校正计算公式对结构误差数据进行最大调整数值计算，从而获得尺寸误差校正数值；
其中，尺寸误差校正计算公式具体为：
式中，为尺寸误差校正数值，/>为尺寸误差数值，/>为尺寸误差结构长度，/>为尺寸误差需要调整的数值，/>为误差评估指标系数，/>为尺寸误差结构的修正因子，/>为尺寸误差结构的曲率，/>为尺寸误差结构的凹凸性系数，/>为结构位置偏移系数，/>为尺寸误差区域总数；
利用尺寸误差校正数值对自动标注尺寸数据进行尺寸校正，从而获得调整标注尺寸数据。
CN202311294601.3A 2023-10-09 2023-10-09 三维模具结构参数化组装设计用自动标注尺寸方法 Active CN117034505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311294601.3A CN117034505B (zh) 2023-10-09 2023-10-09 三维模具结构参数化组装设计用自动标注尺寸方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311294601.3A CN117034505B (zh) 2023-10-09 2023-10-09 三维模具结构参数化组装设计用自动标注尺寸方法

Publications (2)

Publication Number Publication Date
CN117034505A CN117034505A (zh) 2023-11-10
CN117034505B true CN117034505B (zh) 2024-01-26

Family

ID=88635876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311294601.3A Active CN117034505B (zh) 2023-10-09 2023-10-09 三维模具结构参数化组装设计用自动标注尺寸方法

Country Status (1)

Country Link
CN (1) CN117034505B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1841386A (zh) * 2005-03-28 2006-10-04 陈金德 三维模具结构参数化组装设计及二维图自动标注尺寸方法
CN104376152A (zh) * 2014-10-31 2015-02-25 北京宇航系统工程研究所 一种参数化建模和标注方法
CN114254413A (zh) * 2021-12-28 2022-03-29 青岛双星轮胎工业有限公司 基于轮廓数据的轮胎模具图纸参数化系统及设计方法
CN114386200A (zh) * 2022-03-23 2022-04-22 山东豪迈机械科技股份有限公司 一种基于参数化模板技术的工程图生成方法及设备
CN116798028A (zh) * 2023-06-01 2023-09-22 中国工程物理研究院总体工程研究所 三维零件的尺寸自动标注方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4092558A1 (en) * 2021-05-21 2022-11-23 Dassault Systèmes Parameterization of cad model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1841386A (zh) * 2005-03-28 2006-10-04 陈金德 三维模具结构参数化组装设计及二维图自动标注尺寸方法
CN104376152A (zh) * 2014-10-31 2015-02-25 北京宇航系统工程研究所 一种参数化建模和标注方法
CN114254413A (zh) * 2021-12-28 2022-03-29 青岛双星轮胎工业有限公司 基于轮廓数据的轮胎模具图纸参数化系统及设计方法
CN114386200A (zh) * 2022-03-23 2022-04-22 山东豪迈机械科技股份有限公司 一种基于参数化模板技术的工程图生成方法及设备
CN116798028A (zh) * 2023-06-01 2023-09-22 中国工程物理研究院总体工程研究所 三维零件的尺寸自动标注方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于UG的三维模具参数化建模及干涉检测;吴屹宁;《中国优秀硕士学位论文全文数据库信息科技辑》;第1-79页 *
模具CAD系统中坐标尺寸自动标注系统研究;刘浩 等;《模具技术》;第3-5页 *

Also Published As

Publication number Publication date
CN117034505A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
USRE47557E1 (en) Method and computer system for characterizing a sheet metal part
CN110940299B (zh) 一种混凝土表面三维粗糙度的测量方法
Li et al. Section curve reconstruction and mean-camber curve extraction of a point-sampled blade surface
CN117313506B (zh) 一种隧道围岩拓扑安全系数及稳定性计算方法
CN117034505B (zh) 三维模具结构参数化组装设计用自动标注尺寸方法
KR102229423B1 (ko) 3차원 bim 모델과 접목된 외관망도의 손상 특징, 3차원 위치와 크기 정보를 파라미터로 가지는 외관 조사망도 구축 시스템 및 코드화 표현방법
CN113421236A (zh) 基于深度学习的建筑墙面渗漏水表观发育状况预测方法
Karganroudi et al. Assessment of the robustness of a fixtureless inspection method for nonrigid parts based on a verification and validation approach
US7672816B1 (en) Wrinkle-predicting process for hydroforming
Babanezhad et al. Improved Bi-Criterion flexible registration for fixtureless inspection of compliant parts
CN116975581B (zh) 一种基于step格式的钣金件快速识别方法
CN117372433B (zh) 厚度参数的控制方法、装置、设备及存储介质
CN116299798B (zh) 非球面透镜模具加工方法
CN117557574B (zh) 基于图像处理的材料参数检测方法及系统
Riveiro et al. Laser scanning data for inverse problems in structural engineering
Almamou et al. Quality control of constructed models using 3d point cloud
CN117790300B (zh) 一种精细线路的动态蚀刻补偿方法
CN116975948A (zh) 一种测点智能标注的方法
CN117807659A (zh) 一种建筑结构缺陷检测和纠正方法及系统
Meng Reduced shape-space: approach to material characterization instrumented indentation test case
Bergbom Finite Element Model Calibration with Digital Image Correlation
CN117740797A (zh) 一种铝合金的缺陷探伤方法
Martikainen A contactless inverse method for fatigue crack size measurements
Garcia Optimization of Metrological Characterization of Machining Distortions
CN117855613A (zh) 一种锂电池生产组装方法

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