張 航，張樹生，楊 磊

基于深度學(xué)習(xí)的孔特征可制造性分析方法

張 航，張樹生，楊 磊

(西北工業(yè)大學(xué)機(jī)電學(xué)院，陜西 西安 710072)

針對傳統(tǒng)基于知識庫及規(guī)則庫的零件可制造性分析方法柔性差，以及現(xiàn)有基于深度學(xué)習(xí)的可制造性分析方法無法給出零件具體不可制造原因的現(xiàn)狀，提出一種基于深度學(xué)習(xí)的零件可制造性分析方法。首先，通過數(shù)字化建模技術(shù)構(gòu)建大量帶有具體可制造性類別標(biāo)簽的三維CAD模型，并進(jìn)行點(diǎn)云提取，從而構(gòu)建深度學(xué)習(xí)所需數(shù)據(jù)集；然后，基于PointNet網(wǎng)絡(luò)結(jié)構(gòu)搭建面向孔特征可制造性分析的深度學(xué)習(xí)網(wǎng)絡(luò)，并完成網(wǎng)絡(luò)的調(diào)參及訓(xùn)練；之后通過與基于體素表示的三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)及已有方法進(jìn)行對比，說明所搭建的點(diǎn)云深度學(xué)習(xí)網(wǎng)絡(luò)具有更好的魯棒性和較低的算法時(shí)間復(fù)雜度；最后通過一個(gè)實(shí)例零件對網(wǎng)絡(luò)的實(shí)際性能進(jìn)行檢驗(yàn)，對孔特征進(jìn)行可制造性分析，識別出不可制造的孔特征，并說明其原因。實(shí)驗(yàn)結(jié)果表明，該方法能夠在保證較高識別準(zhǔn)確率同時(shí)得出特征不可制造的具體原因，具有更大的使用價(jià)值。

可制造性分析；數(shù)字化建模；深度學(xué)習(xí)；孔特征；點(diǎn)云網(wǎng)絡(luò)

目前，在產(chǎn)品開發(fā)中，設(shè)計(jì)和制造過程多是獨(dú)立進(jìn)行的。設(shè)計(jì)人員往往只考慮產(chǎn)品結(jié)構(gòu)和功能，而忽略后續(xù)加工中可能出現(xiàn)的問題并未予以充分考慮，這可能導(dǎo)致零件無法在現(xiàn)有制造資源環(huán)境中加工出來。為了解決這個(gè)問題，在設(shè)計(jì)階段對零件進(jìn)行可制造性分析是十分必要的?？芍圃煨苑治鍪侵冈诋a(chǎn)品設(shè)計(jì)時(shí)就考慮與制造相關(guān)的因素，使設(shè)計(jì)人員在制造工藝和制造資源環(huán)境的約束下進(jìn)行零件形狀結(jié)構(gòu)設(shè)計(jì)，同時(shí)基于制造約束進(jìn)行一定的工藝信息分析和處理。另也是有效開展零件加工的前提，一個(gè)經(jīng)過可制造性分析和優(yōu)化的設(shè)計(jì)模型能夠大大降低產(chǎn)品的制造成本及縮短研制周期。

目前廣泛使用的可制造性分析系統(tǒng)主要基于知識庫和規(guī)則庫[1-6]，當(dāng)要添加新的規(guī)則或?qū)σ延幸?guī)則進(jìn)行修改時(shí)就需修改程序，而采用基于深度學(xué)習(xí)的方法只需使用新的數(shù)據(jù)對已有模型進(jìn)行重新訓(xùn)練即可發(fā)現(xiàn)新數(shù)據(jù)中隱含的可制造性知識，具有更強(qiáng)的柔性。進(jìn)行可制造性分析的目的是為了發(fā)現(xiàn)和改正設(shè)計(jì)缺陷，并給出具體不可制造的原因以反饋給設(shè)計(jì)人員進(jìn)行修改。因此，本文基于深度學(xué)習(xí)方法直接從已有數(shù)據(jù)中學(xué)習(xí)孔特征的可制造性知識，對孔特征的可制造性進(jìn)行判斷，并給出不可制造特征的具體原因，以便設(shè)計(jì)人員對模型進(jìn)行修改。

1 相關(guān)研究現(xiàn)狀

1.1 產(chǎn)品可制造性分析相關(guān)研究現(xiàn)狀

目前，圍繞產(chǎn)品可制造分析的問題，學(xué)者們從可制造性分析方法、系統(tǒng)設(shè)計(jì)以及知識管理等方面進(jìn)行研究。如胡艷娟[7]提出了基于特征的汽車齒輪的可制造性評價(jià)方法，將特征建模和基于智能算法的優(yōu)化技術(shù)納入到可制造性評價(jià)體系中。陳垚[8]構(gòu)建了典型宇航薄壁件產(chǎn)品的設(shè)計(jì)制造知識資源庫，并提出了與DFM平臺的協(xié)同調(diào)用策略。張軍和邰艷芳[9]采用了面向制造特征的識別技術(shù)，設(shè)計(jì)幾何拓?fù)淠Ｐ徒⒅圃焯卣髂Ｐ停ㄟ^建立加工工藝性評價(jià)知識庫、規(guī)則庫，實(shí)現(xiàn)基于三維制造特征模型的加工工藝性分析。以往研究大多采用基于人為總結(jié)的知識庫和規(guī)則庫的方法，取得了不錯(cuò)的效果，且得到了廣泛地應(yīng)用。然而，基于規(guī)則庫的特征可制造性分析方法存在柔性不足的缺點(diǎn)，于是有學(xué)者嘗試將深度學(xué)習(xí)算法用于可制造性分析，以實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的可制造性判斷。

1.2 深度學(xué)習(xí)研究現(xiàn)狀

三維模型較為復(fù)雜，當(dāng)下無法直接進(jìn)行三維物體的深度學(xué)習(xí)。因此，學(xué)者們提出了采用體素、點(diǎn)云等方法對三維模型進(jìn)行表示，并使用深度學(xué)習(xí)的方法對其數(shù)據(jù)進(jìn)行學(xué)習(xí)。如ZHANG等[10]使用基于體素?cái)?shù)據(jù)的三維卷積神經(jīng)網(wǎng)絡(luò)(3D-convolutional neural networks，3D-CNN)對零件的制造特征進(jìn)行識別。由于體素?cái)?shù)據(jù)受分辨率的制約，表示三維物體不夠精確且數(shù)據(jù)量過大，由于點(diǎn)云數(shù)據(jù)具有無序性，無法直接用于深度學(xué)習(xí)。針對該現(xiàn)狀，CHARLES等[11]提出了直接對點(diǎn)云數(shù)據(jù)進(jìn)行學(xué)習(xí)的PointNet網(wǎng)絡(luò)，以解決物體分類、場景分割等任務(wù)。WANG等[12]提出將八叉樹結(jié)構(gòu)與深度學(xué)習(xí)結(jié)合得到基于八叉樹法的卷積神經(jīng)網(wǎng)絡(luò)(octree-based CNN，O-CNN)，用其進(jìn)行特征識別，可以減少網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)量。在利用深度學(xué)習(xí)進(jìn)行可制造性分析方面，BALU等[13]提出采用基于體素?cái)?shù)據(jù)的3D-CNN對零件的可制造性進(jìn)行分析。該方法采用體素對三維模型進(jìn)行表示，并在體素?cái)?shù)據(jù)中增加了反映體素到零件最近表面距離的正交距離場信息，最后使用這些數(shù)據(jù)對其搭建的3D-CNN進(jìn)行訓(xùn)練。同時(shí)，GHADAI等[14]則提出在體素?cái)?shù)據(jù)中增加體素的表面法線信息，并使用其數(shù)據(jù)對3D-CNN進(jìn)行訓(xùn)練。這2種方法能夠判斷零件是否可制造，但無法判斷其不可制造的原因。

綜上，本文基于PointNet網(wǎng)絡(luò)架構(gòu)搭建面向孔特征可制造性分析的深度學(xué)習(xí)網(wǎng)絡(luò)，充分利用深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)特征可制造性規(guī)則的優(yōu)勢，在識別出不可制造零件的同時(shí)指出其不可制造的原因。

2 數(shù)據(jù)集的生成及點(diǎn)云網(wǎng)絡(luò)搭建

2.1 孔特征的可制造性規(guī)則

影響孔的可制造性的因素很多，本文只考慮孔的結(jié)構(gòu)工藝性方面的可制造性規(guī)則。文獻(xiàn)[14]指出：對于盲孔，孔的深徑比應(yīng)小于5.0；對于通孔，應(yīng)該小于10.0；對于靠近邊緣的孔，孔到邊緣的距離應(yīng)大于孔的半徑；對于盲孔，孔底的厚度應(yīng)該大于孔的半徑。

根據(jù)以上規(guī)則采用參數(shù)化建模技術(shù)生成一系列包含各類可制造性的孔特征的三維模型，形成可制造性分析數(shù)據(jù)集。

2.2 可制造性分析數(shù)據(jù)集生成

由于三維CAD模型大數(shù)據(jù)難以獲取，因此本文采用參數(shù)化特征建模的方法，結(jié)合孔的可制造性規(guī)則，生成訓(xùn)練網(wǎng)絡(luò)用的可制造性分析數(shù)據(jù)集。核心思想為使用CATIA在固定尺寸的立方體上隨機(jī)添加孔特征，同時(shí)保證其只有一個(gè)孔。具體而言，首先使用CATIA創(chuàng)建一個(gè)帶有孔特征的零件模版，并導(dǎo)出包含關(guān)鍵參數(shù)的設(shè)計(jì)表。然后，基于孔的可制造性規(guī)則隨機(jī)生成模型的關(guān)鍵參數(shù)并寫入設(shè)計(jì)表中。根據(jù)表中數(shù)據(jù)，使用CATIA二次開發(fā)相關(guān)接口生成對應(yīng)的若干個(gè)零件模型。

為了更明確地對孔做出分類，生成的數(shù)據(jù)中每個(gè)孔至多包含一個(gè)不可制造的因素。然后，根據(jù)上述規(guī)則，使用CATIA二次開發(fā)相關(guān)接口生成三維CAD模型并傳遞其對應(yīng)的標(biāo)簽。圖1為不同可制造性類別的孔特征以及標(biāo)簽對應(yīng)的One-Hot編碼。本文采用上述方法共生成5 000個(gè)三維CAD模型，并隨機(jī)選取4 000個(gè)模型作為深度學(xué)習(xí)的訓(xùn)練集，其余1 000個(gè)作為驗(yàn)證集。

圖1 模型類別及標(biāo)簽((a)標(biāo)簽為00001，可制造；(b)標(biāo)簽為00010，盲孔深徑比過大；(c)標(biāo)簽為00100, 通孔深徑比過大；(d)標(biāo)簽為01000，孔邊距過?。?e)標(biāo)簽為10000，盲孔孔底太薄)

2.3 模型點(diǎn)云數(shù)據(jù)提取與處理

點(diǎn)云是一組三維空間中點(diǎn)的集合。本文所有三維CAD模型均由CATIA生成，通過CATIA二次開發(fā)工具CAA中的相關(guān)接口對模型進(jìn)行離散化處理，并通過采樣的方法在每個(gè)零件上獲取相同數(shù)目的點(diǎn)云。對每個(gè)三維CAD模型提取2 048個(gè)點(diǎn)，每個(gè)點(diǎn)僅包含坐標(biāo)信息。所獲取的點(diǎn)云數(shù)據(jù)需進(jìn)行歸一化處理，即將所有點(diǎn)的坐標(biāo)值壓縮到0~1之間。

2.4 面向孔特征可制造性分析的點(diǎn)云網(wǎng)絡(luò)搭建

由于點(diǎn)云數(shù)據(jù)具有無序性及平移旋轉(zhuǎn)不變性，因此無法直接用于深度學(xué)習(xí)。文獻(xiàn)[11]提出的PointNet網(wǎng)絡(luò)的核心就是解決這2個(gè)問題。首先，通過使用Max Pooling技術(shù)提取點(diǎn)云數(shù)據(jù)的全局特征以解決無序性的問題。Max Pooling從輸入特征圖中提取窗口，并輸出每個(gè)窗口的最大值，其作用為：①對特征圖進(jìn)行下采樣以縮小尺寸，從而減少參數(shù)數(shù)量；②進(jìn)行特征提取。其次，PointNet網(wǎng)絡(luò)通過將點(diǎn)云數(shù)據(jù)對齊來保證平移旋轉(zhuǎn)不變性。對齊操作即通過訓(xùn)練一個(gè)數(shù)據(jù)變換網(wǎng)絡(luò)(transformer network，T-Net)得到變換矩陣，并與輸入數(shù)據(jù)相乘實(shí)現(xiàn)對輸入數(shù)據(jù)的變換。因此，本文以PointNet網(wǎng)絡(luò)為基本結(jié)構(gòu)，對其進(jìn)行修改以學(xué)習(xí)可制造性知識。面向孔特征可制造性分析的點(diǎn)云網(wǎng)絡(luò)主要由T-Net和特征提取網(wǎng)絡(luò)組成(圖2)。2個(gè)數(shù)據(jù)變換網(wǎng)絡(luò)的作用是分別將輸入數(shù)據(jù)以及中間特征數(shù)據(jù)變換到適合網(wǎng)絡(luò)學(xué)習(xí)的狀態(tài)，特征提取網(wǎng)絡(luò)的作用是對點(diǎn)云數(shù)據(jù)進(jìn)行逐層特征提取。由若干個(gè)采用ReLU激活函數(shù)式(1)的2D卷積層和批規(guī)范化層組成。隨后增加一個(gè)Spatial Dropout2D層[15]，并進(jìn)行Max Pooling操作。最終輸出層由4個(gè)全連接層，3個(gè)Dropout層和一個(gè)Flatten層組成。相比于PointNet，本文在特征提取網(wǎng)絡(luò)中的2D卷積層后增加Spatial Dropout2D層以減少過擬合。通常在深度學(xué)習(xí)網(wǎng)絡(luò)靠前的卷積層中，其特征圖中相鄰的像素是強(qiáng)相關(guān)的，而使用常規(guī)的Dropout技術(shù)將無法激活正則化，與其相比，本文中的Spatial Dropout2D層會(huì)隨機(jī)丟棄整個(gè)2D的特征圖而非丟棄單個(gè)元素。因此，Spatial Dropout2D層將有助于提高特征圖之間的獨(dú)立性，更適合于本文網(wǎng)絡(luò)。同時(shí)為了提高識別精度，還加深了網(wǎng)絡(luò)的深度，在網(wǎng)絡(luò)最后增加一個(gè)全連接層，并采用歸一化指數(shù)函數(shù)作為激活函數(shù)。式(2)為歸一化指數(shù)函數(shù)(Softmax)，其可以將任意維實(shí)向量壓縮到另一個(gè)維實(shí)向量()中，使得()中每一個(gè)元素均在0~1范圍內(nèi)，且所有元素和為1，其中z和()分別表示向量和向量()的第個(gè)元素，即

損失函數(shù)使用交叉熵?fù)p失函數(shù)，即

其中，y為指示變量，若預(yù)測類別和樣本的實(shí)際類別相同，則為1，否則為0；為類別的數(shù)量；p為觀測樣本屬于類別的概率。對網(wǎng)絡(luò)參數(shù)的調(diào)整采用Adam優(yōu)化器。將經(jīng)過處理后得到的點(diǎn)云數(shù)據(jù)和所對應(yīng)的標(biāo)簽一并輸入到點(diǎn)云網(wǎng)絡(luò)中，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖2 面向孔特征可制造性分析的點(diǎn)云網(wǎng)絡(luò)結(jié)構(gòu)圖

Fig. 2 PointNet diagram for hole feature manufacturability analysis

3 實(shí)驗(yàn)結(jié)果與討論

3.1 不同優(yōu)化器學(xué)習(xí)率下點(diǎn)云網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果

深度學(xué)習(xí)網(wǎng)絡(luò)具有一系列需要在實(shí)際訓(xùn)練過程中進(jìn)行調(diào)整的超參數(shù)，如卷積核的尺寸、優(yōu)化器學(xué)習(xí)率以及批樣本數(shù)量等。本文僅給出學(xué)習(xí)率的調(diào)整過程，見表1。

對點(diǎn)云網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過調(diào)整優(yōu)化器得到不同學(xué)習(xí)率的實(shí)驗(yàn)結(jié)果，并進(jìn)行對比分析。本文將學(xué)習(xí)率分別設(shè)置為0.001 0，0.000 1和0.000 5，使用TesltaK80GPU(14 GB)進(jìn)行實(shí)驗(yàn)。最終結(jié)果如圖3所示，當(dāng)學(xué)習(xí)率為0.000 1時(shí)，網(wǎng)絡(luò)的收斂性和魯棒性最好。不同學(xué)習(xí)率下的點(diǎn)云網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果見表2。在實(shí)際應(yīng)用中，需要網(wǎng)絡(luò)具有較好的收斂性和魯棒性。

表1 點(diǎn)云網(wǎng)絡(luò)部分參數(shù)設(shè)置

3.2 對比實(shí)驗(yàn)

為了通過對比更好地驗(yàn)證點(diǎn)云網(wǎng)絡(luò)的性能，還搭建了能夠進(jìn)行孔特征可制造性分析實(shí)驗(yàn)且效果較好的基于體素?cái)?shù)據(jù)的3D-CNN，并使用同一數(shù)據(jù)集對其進(jìn)行訓(xùn)練和驗(yàn)證。

圖3 不同優(yōu)化器學(xué)習(xí)率下的驗(yàn)證精度對比圖

表2 不同優(yōu)化器學(xué)習(xí)率下點(diǎn)云網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果

3.2.1 三維CAD模型體素化處理

體素化是指在3D光柵圖形中，三維模型被分為多個(gè)均勻的單元體(也稱體素)的過程。本文綜合考慮精度及數(shù)據(jù)量大小，選取體素的分辨率為64×64×64。模型中的每個(gè)體素取值為0或1，位于模型內(nèi)部的體素值為1，反之為0。

3.2.2 面向孔特征可制造性分析3D-CNN搭建

面向孔特征可制造性分析3D-CNN主要由多個(gè)三維卷積層和最大池化層構(gòu)成(圖4)。在該層之后增加批規(guī)范化層以減少過擬合。還需增加一個(gè)最大池化層，對特征圖進(jìn)行下采樣以實(shí)現(xiàn)特征篩選及數(shù)據(jù)壓縮。然后多次使用卷積層、批量標(biāo)準(zhǔn)化層以及最大池化層來組成特征提取網(wǎng)絡(luò)。最終輸出層使用卷積層代替?zhèn)鹘y(tǒng)的全連接層，該方法可以大量減少需要訓(xùn)練的參數(shù)。

圖4 面向孔特征可制造性分析的3D-CNN結(jié)構(gòu)圖

3.2.3 實(shí)驗(yàn)結(jié)果對比

為了驗(yàn)證本文基于深度學(xué)習(xí)的孔特征可制造性分析方法的有效性，與文獻(xiàn)[13]和文獻(xiàn)[14]方法進(jìn)行定量和定性的比較見表3。

表3 不同網(wǎng)絡(luò)對比結(jié)果

由表3可知：

(1) 文獻(xiàn)[13]和文獻(xiàn)[14]對三維CAD模型均進(jìn)行了體素化處理，并使用提取的體素化數(shù)據(jù)對其搭建的3D-CNN進(jìn)行訓(xùn)練。其數(shù)據(jù)量遠(yuǎn)大于本文的點(diǎn)云網(wǎng)絡(luò)訓(xùn)練所需數(shù)據(jù)量。

(2) 文獻(xiàn)[13]與文獻(xiàn)[14]中所采用的方法僅能判斷孔特征是否可以制造，卻無法得知其不可制造的原因。而本文2種方法均克服了該問題。

(3) 文獻(xiàn)[13]和文獻(xiàn)[14]方法的驗(yàn)證精度分別為84.5%和79.4%，均低于本文采用的2種方法。

基于點(diǎn)云數(shù)據(jù)的點(diǎn)云網(wǎng)絡(luò)相比于本文采用的3D-CNN具有以下優(yōu)勢：

(1) 點(diǎn)云數(shù)據(jù)量遠(yuǎn)小于體素?cái)?shù)據(jù)量，是體素?cái)?shù)據(jù)量的2.3%；

(2) 三維卷積代價(jià)很高。本文對體素?cái)?shù)據(jù)訓(xùn)練100次，耗時(shí)約7 000 s，而對點(diǎn)云數(shù)據(jù)訓(xùn)練200次，僅耗時(shí)6 000 s，點(diǎn)云數(shù)據(jù)的訓(xùn)練可節(jié)約大量時(shí)間；

(3) 對零件進(jìn)行體素化處理，會(huì)導(dǎo)致大量的格柵處于空白狀態(tài)(零件內(nèi)部實(shí)為空白)，而網(wǎng)絡(luò)對其進(jìn)行卷積也難以提取到有用的信息。點(diǎn)云數(shù)據(jù)均提自零件表面，因而不存在該問題；

(4) 由于本文采用的孔特征形狀較為簡單，因此基于體素?cái)?shù)據(jù)的3D-CNN對其進(jìn)行可制造性分析的效果較好，驗(yàn)證精度可達(dá)94.5%。當(dāng)零件的形狀較為復(fù)雜時(shí)，體素?cái)?shù)據(jù)將無法表示一些細(xì)節(jié)特征，只有對零件進(jìn)行更高分辨率的體素化才能獲得較好的結(jié)果，但此時(shí)體素?cái)?shù)據(jù)量呈三次方增長。而點(diǎn)云數(shù)據(jù)量與零件的復(fù)雜度呈線性關(guān)系。若需要處理復(fù)雜的零件，訓(xùn)練所需點(diǎn)云數(shù)據(jù)量要遠(yuǎn)小于體素?cái)?shù)據(jù)量。

3.2.4 網(wǎng)絡(luò)預(yù)測結(jié)果可靠性評價(jià)

使用訓(xùn)練好的網(wǎng)絡(luò)對一個(gè)新零件的可制造性進(jìn)行分析時(shí)，會(huì)出現(xiàn)預(yù)測錯(cuò)誤的情況，但無法判斷是否預(yù)測錯(cuò)誤。當(dāng)不確定網(wǎng)絡(luò)預(yù)測結(jié)果是否可靠時(shí)，需要結(jié)合其他方法對零件可制造性進(jìn)行分析。為了確定是否需要采用其他方法判斷零件的可制造性，本文提出一種新的網(wǎng)絡(luò)性能評估指標(biāo)——網(wǎng)絡(luò)的“自負(fù)程度”。網(wǎng)絡(luò)的自負(fù)程度指當(dāng)網(wǎng)絡(luò)預(yù)測得出的結(jié)果為錯(cuò)時(shí)，網(wǎng)絡(luò)認(rèn)為結(jié)果為正確的強(qiáng)烈程度。本文通過以下方法對網(wǎng)絡(luò)的自負(fù)程度進(jìn)行衡量。

提取網(wǎng)絡(luò)預(yù)測錯(cuò)誤的數(shù)據(jù)并進(jìn)行分析。由于網(wǎng)絡(luò)的最終輸出層的激活函數(shù)為歸一化指數(shù)函數(shù)，因此使用網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行預(yù)測，最終輸出的是5個(gè)類所對應(yīng)的概率，其中概率最大的類即為預(yù)測結(jié)果。分析方法為：在驗(yàn)證集的1 000個(gè)數(shù)據(jù)(圖5)中，使用點(diǎn)云網(wǎng)絡(luò)和3D-CNN判斷錯(cuò)誤的零件分別計(jì)為98個(gè)和51個(gè)。找出所有被判斷錯(cuò)誤的零件，并分別對這些零件所對應(yīng)每個(gè)類別的預(yù)測概率進(jìn)行觀察。理論上，最大預(yù)測概率值越大，表明網(wǎng)絡(luò)對預(yù)測結(jié)果越“自負(fù)”，此時(shí)，為了保險(xiǎn)起見，需要結(jié)合其他方法對特征進(jìn)行可制造性分析。對于點(diǎn)云網(wǎng)絡(luò)和3D-CNN，當(dāng)零件對應(yīng)類別的最大預(yù)測概率超過95%時(shí)，其出錯(cuò)的概率分別為1.1%和2.9% (表4)，說明3D-CNN的“自負(fù)程度”較高。在實(shí)際應(yīng)用中，由于設(shè)計(jì)人員無法判斷網(wǎng)絡(luò)預(yù)測結(jié)果是否正確，因此自負(fù)程度較高的網(wǎng)絡(luò)會(huì)對特征可制造性分析起到反作用。對于一個(gè)新的零件，需通過觀察網(wǎng)絡(luò)預(yù)測結(jié)果中最大預(yù)測概率值來判斷其結(jié)果是否可靠，若不可靠則需要采用傳統(tǒng)方法對其進(jìn)行可制造性分析。

圖5 部分驗(yàn)證集數(shù)據(jù)

表4 點(diǎn)云網(wǎng)絡(luò)和3D-CNN的預(yù)測錯(cuò)誤零件數(shù)目分析表

4 結(jié)束語

本文提出通過對PointNet網(wǎng)絡(luò)進(jìn)行修改和改進(jìn)，得到新的基于點(diǎn)云數(shù)據(jù)的點(diǎn)云網(wǎng)絡(luò)，并進(jìn)行可制造性分析。實(shí)驗(yàn)結(jié)果表明，經(jīng)過訓(xùn)練的點(diǎn)云網(wǎng)絡(luò)可以對實(shí)際零件中孔特征的可制造性進(jìn)行準(zhǔn)確分析，同時(shí)可有效地判斷特征不可制造的原因。對本文的網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練可以對其他類型的特征(槽、型腔等)進(jìn)行可制造性分析。

但是，該方法只能對至多具有一個(gè)不可制造因素的、孤立的特征進(jìn)行分析。目前，對具有多個(gè)特征的復(fù)雜零件進(jìn)行可制造性分析存在以下問題：①零件中相鄰或相交的特征之間會(huì)相互影響，因此在分析時(shí)需要綜合考慮周圍的其他特征；②零件中不同類型的特征具有不同的可制造性規(guī)則；③零件中可能存在同時(shí)具有多個(gè)不可制造因素的特征。上述問題均增加了特征可制造性分析的難度。對于前2個(gè)問題，首先需對零件中的特征進(jìn)行識別，再根據(jù)識別結(jié)果對特征進(jìn)行可制造性分析的方式來解決；同時(shí)，對本文采用的網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行修改使其能夠解決第3個(gè)問題。在后續(xù)研究中，將通過上述策略對本文所述的方法進(jìn)行改進(jìn)，使其具有更大的實(shí)際應(yīng)用價(jià)值。

[1] 張聰聰, 張樹生, 黃瑞, 等. 飛機(jī)結(jié)構(gòu)件三維CAD模型缺陷識別方法[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2014, 20(9): 2099-2106. ZHANG C C, ZHANG S S, HUANG R, et al. Detecting defects method of 3D aircraft-structure model[J]. Computer Integrated Manufacturing Systems, 2014, 20(9): 2099-2106 (in Chinese).

[2] 楊洪君, 寧汝新. 基于工藝知識庫的面向制造設(shè)計(jì)系統(tǒng)的研究[J]. 機(jī)械設(shè)計(jì)與制造, 2006(2): 110-112. YANG H J, NING R X. Research on process knowledge-base DFM system[J]. Machinery Design & Manufacture, 2006(2): 110-112 (in Chinese).

[3] 李峰. 面向制造的設(shè)計(jì)(DFM)方法及其關(guān)鍵技術(shù)的研究[D]. 上海: 上海交通大學(xué), 1999. LI F. Research on manufacturing oriented design method and its key technology[D]. Shanghai: Shanghai Jiao Tong University, 1999 (in Chinese).

[4] 劉紅軍, 莫蓉, 范慶明, 等. 并行工程下基于特征的零件可制造性及其評價(jià)方法研究[J]. 計(jì)算機(jī)應(yīng)用研究, 2009, 26(3): 980-983. LIU H J, MO R, FAN Q M, et al. Research of manufacturability and evaluation methods of parts based on feature under concurrent engineering environment[J]. Application Research of Computers, 2009, 26(3): 980-983 (in Chinese).

[5] 戴忠, 金亮, 姜曉平, 等. 基于三維幾何模型的可制造性評價(jià)技術(shù)研究[J]. 計(jì)算機(jī)仿真, 2019, 36(4): 137-141.DAI Z, JIN L, JIANG X P, et al. 3-D Geometric model-based manufacturability evaluation study[J]. Computer Simulation, 2019, 36(4): 137-141 (in Chinese).

[6] 李緯宇. 基于零件制造成本的可制造性評價(jià)技術(shù)研究[D]. 北京: 北京理工大學(xué), 2015. LI W Y. Research on manufacturability analysis based on part manufacturing cost[D]. Beijing: Beijing Institute of Technology, 2015 (in Chinese).

[7] 胡艷娟. 汽車齒輪的可制造性評價(jià)與制造資源優(yōu)化技術(shù)研究[D]. 長春: 吉林大學(xué), 2011. HU Y J. Study on the technology of manufacturability evaluation and manufacturing resources optimization for automobile gears[D]. Changchun: Jilin University, 2011 (in Chinese).

[8] 陳垚. 面向可制造的薄壁件產(chǎn)品設(shè)計(jì)方法及應(yīng)用研究[D]. 西安: 西北工業(yè)大學(xué), 2015. CHEN Y. Research on product design method and application of thin--wall parts for manufacturability[D]. Xi’an: Northwestern Polytechnical University, 2015 (in Chinese).

[9] 張軍, 邰艷芳. 基于零件三維模型的可制造性分析技術(shù)研究[J]. 現(xiàn)代制造技術(shù)與裝備, 2018(1): 23-25. ZHANG J, TAI Y F. Research on manufacturability evaluation based on three-dimensional model of part[J].Modern Manufacturing Technology and Equipment, 2018(1): 23-25 (in Chinese).

[10] ZHANG Z B, JAISWAL P, RAI R. FeatureNet: machining feature recognition based on 3D convolution neural network[J]. Computer-Aided Design, 2018, 101: 12-22.

[11] CHARLES R Q, SU H, MO K, et al. PointNet: deep learning on point sets for 3D classification and segmentation[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2017: 77-85.

[12] WANG P S, LIU Y, GUO Y X, et al. O-CNN: octree-based convolutional neural networks for 3D shape analysis[J]. ACM Transactions on Graphics, 2017, 36(4): 72.

[13] BALU A, GHADAI S, YOUNG G, et al. A machine-learning framework for design for manufacturability[EB/OL]. (2017-03-15) [2019-12-22]. https://arxiv.org/abs/1703.01499.

[14] GHADAI S, BALU A, SARKAR S, et al. Learning localized features in 3D CAD models for manufacturability analysis of drilled holes[J]. Computer Aided Geometric Design, 2018, 62: 263-275.

[15] TOMPSON J, GOROSHIN R, JAIN A, et al. Efficient object localization using convolutional networks[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2015: 648-656.

Deep learning based manufacturability analysis approach for hole features

ZHANG Hang, ZHANG Shu-sheng, YANG Lei

(School of Mechanical Engineering, Northwestern Polytechnical University, Xi’an Shaanxi 710072, China)

In view of the current situation that the traditional methods of manufacturability analysis based on knowledge and rules are not flexible and the existing methods of manufacturability analysis based on deep learning are unable to give the specific reasons for the non-manufacturability of parts, a method of manufacturability analysis based on deep learning was proposed. Firstly, a large number of CAD models with manufacturability category labels were constructed through digital modeling technology, and the point cloud was extracted to build the data set needed for deep learning. Then, based on the PointNet network, a deep learning network for hole feature manufacturability analysis was built, and the network training and parameter adjusting process were completed. Then, compared with the 3D-convolutional neural networks (3D-CNN), the deep learning network constructed in this paper exhibits better robustness and lower time complexity. Finally, the manufacturability analysis of hole feature in a sample part was carried out to identify the non-manufacturable hole feature, and the reason of non-manufacturability was explained. The experimental results show that the method can not only ensure high recognition accuracy, but also identify the reason why the feature cannot be manufactured, which is of greater application value.

manufacturability analysis; digitization modeling; deep learning; hole features; PointNet

TP 391

10.11996/JG.j.2095-302X.2021010117

A

2095-302X(2021)01-0117-07

2020-08-03；

3 August，2020；

2020-08-13

13 August，2020

國家自然科學(xué)基金項(xiàng)目(51875474)；裝備預(yù)研領(lǐng)域基金項(xiàng)目(61409230102)

：National Natural Science Foundation of China (51875474); Equipment Pre-Research Fund (61409230102)

張 航(1998–)，男，陜西榆林人，碩士研究生。主要研究方向?yàn)閿?shù)字化設(shè)計(jì)與制造。E-mail：2015301048@mail.nwpu.edu.cn

ZHANG Hang(1998–), male, master student. His main research interests cover digital design and manufacturing. E-mail：2015301048@mail.nwpu.edu.cn

張樹生(1956–)，男，山東東阿人，教授，博士。主要研究方向?yàn)镃IMS、先進(jìn)制造技術(shù)、CAGD&CG等。E-mail：zssnet@nwpu.edu.cn

ZHANG Shu-sheng (1956–), male, professor, Ph.D. His main research interests cover CIMS, advanced manufacturing technology, CAGD&CG, etc. E-mail：zssnet@nwpu.edu.cn