基于深度学习的孔特征可制造性分析方法

• 作者: 张航 张树生 杨磊
• 来源期刊: 图学学报
• 关键词: 可制造性分析 数字化建模 深度学习 孔特征 点云网络
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 数字化设计与制造|Digital Design and Manufacture
• 页码范围: 117-123
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11996/JG.j.2095-302X.2021010117

摘要

针对传统基于知识库及规则库的零件可制造性分析方法柔性差,以及现有基于深度学习的可制造性分析方法无法给出零件具体不可制造原因的现状,提出一种基于深度学习的零件可制造性分析方法.首先,通过数字化建模技术构建大量带有具体可制造性类别标签的三维CAD模型,并进行点云提取,从而构建深度学习所需数据集;然后,基于PointNet网络结构搭建面向孔特征可制造性分析的深度学习网络,并完成网络的调参及训练;之后通过与基于体素表示的三维卷积神经网络(3D-CNN)及已有方法进行对比,说明所搭建的点云深度学习网络具有更好的鲁棒性和较低的算法时间复杂度:最后通过一个实例零件对网络的实际性能进行检验,对孔特征进行可制造性分析,识别出不可制造的孔特征,并说明其原因.实验结果表明,该方法能够在保证较高识别准确率同时得出特征不可制造的具体原因,具有更大的使用价值.