[发明专利]针对常用部件的自动组件配合创建

权利要求书

1.一种在真实世界对象的计算机辅助设计(CAD)模型中的几何实体之间自动地创建配合的计算机实现的方法，所述方法包括：

访问存储在计算机数据库中的关于CAD模型零件的信息和相关的配合信息；

将CAD模型零件划分为多个聚类，每个聚类包括具有类似全局形状签名的CAD模型零件；

利用用于聚类的CAD模型零件的配合性信息来训练配合性预测器神经网络，所述配合性预测器神经网络被配置为响应于CAD模型零件的实体的上下文签名的输入而提供配合性信息；

训练配合型预测器神经网络以识别两个实体之间的一种或多种配合类型；

响应于新零件被添加到所述CAD模型：

将所述新零件的多个实体的上下文签名输入到所述配合性预测器神经网络中以确定所述新零件的可配合实体；以及

将(i)所述新零件的可配合实体的上下文签名和(ii)所述CAD模型的另一零件的实体的上下文签名输入到所述配合型预测器神经网络中，以确定所述实体之间的至少一种配合类型；以及

基于确定的至少一种配合类型，在所述新零件的可配合实体与所述CAD模型的另一零件的实体之间自动地添加至少一个配合。

2.如权利要求1所述的计算机实现的方法，其中，用于零件的实体的上下文签名是所述零件内的实体的上下文位置的数字表示。

3.如权利要求2所述的计算机实现的方法，其中，所述上下文签名是通过计算所述实体的质心与所述零件周围的边界框的平面之间的比率来计算的。

4.如权利要求1所述的计算机实现的方法，其中，将CAD模型零件划分为多个聚类包括：

对于所述计算机数据库中的多个零件中的每一个零件，计算所述零件的全局形状签名；以及

如果所述零件的全局形状签名在阈值量内，则对所述多个零件进行聚类。

5.如权利要求1所述的计算机实现的方法，其中，训练所述配合性预测器神经网络包括利用用于与其他聚类相比具有相对较高密度的聚类的CAD模型零件的配合性信息来训练所述配合性预测器神经网络，所述聚类的相对较高密度指示所述聚类的零件在所述CAD模型中被频繁使用。

6.如权利要求1所述的计算机实现的方法，其中，训练所述配合性预测器神经网络包括利用用于所述CAD模型零件的所有实体的配合性信息来训练所述配合性预测器神经网络。

7.如权利要求1所述的计算机实现的方法，其中，训练所述配合性预测器神经网络包括训练多个配合性预测器神经网络，每个配合性预测器神经网络与不同的配合类型相对应。

8.如权利要求1所述的计算机实现的方法，其中，训练所述配合型预测器神经网络包括利用以下来训练所述配合型预测器神经网络：(i)包括常用零件的聚类的可配合实体以及(ii)与所述常用零件配合的零件的所有实体。

9.如权利要求1所述的计算机实现的方法，其中，自动添加至少一个配合包括：

确定所述新零件的与所述CAD模型的另一零件可配合的多个实例；

创建所述新零件的所述多个实例；以及

将所述新零件的所有实例的实体与所述CAD模型的另一零件的不同实体配合。