Machining Feature Recognition Method Based on Improved Mesh Neural Network【浅读】

Machining Feature Recognition Method Based on Improved Mesh Neural Network

2023 Iranian Journal of Science and Technology

Machining Feature Recognition Method Based on Improved Mesh Neural Network(基于改进网格神经网络的加工特征识别方法)

特征识别指的是，即从其固有几何和拓扑信息中识别CAD模型的高级加工特征(例如槽、孔和步骤)。

摘要

加工特征识别是连接计算机辅助设计(CAD)和计算机辅助工艺规划(CAPP)系统的桥梁，是实现CAD、CAPP和计算机辅助制造(CAM)一体化的关键技术。为了克服传统CAPP系统识别效率低和智能水平低的问题，有效识别加工特征，本文提出了一种基于MeshFaster RCNN的机械零件加工特征识别方法，该方法将原有的MeshCNN模型与Faster RCNN模型相结合。基于改进的MeshNet网格识别框架，构建了一种卷积神经网络，用于加工曲面网格数据的自动加工特征识别。通过采集CAD模型中加工特征面的网格数据集，构建适合网络学习的三角网格数据样本库，通过样本训练得到最优神经网络模型。然后，基于模型定义(MBD)技术快速准确地获取零件的加工特征，并将其转换为三角网格数据;在此基础上，结合三角网格数据处理算法，将处理后的加工特征数据导入到最优神经网络模型中，完成特征识别过程。实验结果表明，通过对CNN进行网络训练，得到了一个加工特征识别器，可以自动识别24种加工特征，准确率达到99.6%以上。该方法需要的特征网格数据量少，数据处理过程简单。该方法具有较好的鲁棒性和对相交特征的识别效果。

贡献

本研究的贡献如下:

(1)提出了一种改进的MeshCNN方法，提高了网络识别的准确率。

(2)利用改进的MeshCNN从机械零件的基于模型的定义(MBD)模型中识别加工特征，提高了识别过程的智能化程度。

(3)为解决待识别零件中复杂相交特征的问题，提高复杂机械零件的识别精度，提出了一种特征提取方法。

框架

结论

针对现有CAPP系统中使用的加工特征识别方法识别效率低、智能化程度低的问题，本研究提出了一种基于三角网格和神经网络的加工特征识别方法，得到以下结论:

(1)针对不同行业产品加工特征差异较大，现有加工特征识别方法适用性有限的问题，提出了一种加工特征数据集自定义的方法。此外，在系统的使用过程中，如果特征识别不正确，可以使用该特征生成一个数据集，输入到训练集中进行训练，因此是真实的利用系统的自学习能力，提高系统的智能化。

(2)提出了一种基于网格CNN算法的加工特征识别方法，提高了系统识别特征的智能性，提高了加工特征识别的效率和精度。此外，还建立了一种用于加工特征识别的深度神经网络。

率和精度。此外，还建立了一种用于加工特征识别的深度神经网络。

(3)提出了一种三角网格数据处理方法，并与MBD技术相结合。将加工特征完全转化为神经网络可识别的数据，为本文提出的加工特征识别方法奠定了基础。