[发明专利]基于层次的特征识别方法及产品特征语义网络的构建方法

说明书

技术领域

本发明涉及CAD中的特征技术，具体地说，是涉及一种基于层次的特征识别方法及产品特征语义网络的构建方法。

背景技术

在过去的几十年里，计算机在辅助设计和加工制造中的应用得到了极大的扩展，尤其是在自动化、智能化的研究有很多。基于人工神经网络的特征识别技术便是其中之一，它所具有的学习和反馈能力，使它可以容许输入误差，并识别特征库中没有定义的特征类型；同时，神经网络只需要通过数学计算而不需要进行推理即可获得特征识别的结果，因此它具有更高的识别效率，在分类和特征识别领域具有极大的优势，但是，这一切都必须以合适的输入、恰当的神经网络结构及训练方法为基础。

B-rep和CSG是最常用到的两种实体模型表示方法，但是底层的零件信息却不能直接运用在设计之后的应用之中。特征技术包括特征的设计和特征识别，目前主要被用来将底层信息转化为高层信息，这些高层信息可以很容易地在加工、工艺计划等应用中使用。特征技术的使用在特征识别上已经获得部分成果，提出的主要方法包括基于规则的、基于图的、基于神经网络的，由于神经网络具有学习和反馈的能力，因此可以克服其他方法在识别时所遇到的阻碍。Prabhakar和Henderson提出了一个五层神经网络，它是第一个被用来进行特征识别的神经网络，但是在识别如盲孔及非标准类型特征等一些相关特征上会遇到困难，难以准确识别。Chen和Lee发明了一种2D特征识别的神经网络系统。特征设计可以大体上分为两种类型：加工特征分解和合成设计。自从19世纪80年代中叶，已经提出了多种基于特征的设计系统。Shah和Rogers提出了一种专家系统，来支持用户对框架特征的定义。

总体来说，目前已经出现的特征识别技术在实际应用中的效果并不明显，需要进一步改进。

发明内容

本发明的目的在于提供一种基于层次的特征识别方法，以产品特征分类为基础，对产品特征进行准确识别，为产品特征语义网络的构建奠定基础。

为了实现上述目的，本发明采用的技术方案如下：

基于层次的特征识别方法，包括以下步骤：

(1)对产品特征进行层次性分类；

(2)对构成特体实体的特征实面进行序列化；

(3)形成用于识别特征基本类型的特征面邻接矩阵。

进一步地，所述步骤(1)中的产品特征为产品的内延特征。

再进一步地，所述步骤(2)的具体方法如下：

(2a).构造权重函数：W＝S*10-T+v*0.1

其中，S为关联的特征实面数量，T为关联的特征虚面数量，v代表面类型值；

(2b).采用深度搜索方法，依次确定序列中的各个元素。

上述步骤(2b)具体为：首先选中权重最小的面，从此面出发，优先选择与此面连接并且权重最小的面作为序列的下一个元素，否则选择具有较小相交角度的面作为序列的下一个元素，直到所有的特征实面都加入到序列中为止。

另外，为了更细化地识别产品特征，本发明还通过构造特征面方向矩阵对产品特征进行识别。

以上述特征识别方法为基础，本发明还提出了一种产品特征语义网络的构建方法，包括以下步骤：

(a)确定产品特征的层次关系；

(b)构造产品的特征面邻接矩阵和特征面方向矩阵，对产品特征进行层次性识别；

(c)设定特征操作算子，对产品的各个特征之间的语义连接关系进行表达；

(d)输出产品特征语义网络。

进一步地，所述特征操作算子包括

拉伸算子：根据选定的草图轮廓线或曲面沿某一方向延展而得到的实体特征；

旋转算子：将轮廓沿指定旋转特征线旋转所经过部分的实体；

扫描算子：扫描给定的轨迹而生成的特征；

圆角算子：在两个相交面之间建立圆弧形的几何特征；

倒角算子：以一个小斜面来代替两个相交平面的公共边的几何特征；

抽壳算子：在零件实体的内部保持一定厚度，在实体表面以外增加一定厚度并将零件实体上的某一表面移除，使零件实体中空化，从而形成薄壁形状的零件；

孔算子：在实体中以一定的直径或旋转角度建立的圆形挖槽。

与现有技术相比，本发明的有益效果在于：

(1)本发明以STEP-AP224规则为基础，对产品特征进行料层次型分类，并将产品的内延特征分成两层，采用特征实面和特征虚面进行分层识别，从而有效地保证了特征识别的准确率和效率；