Simplification of 3D CAD Model in Voxel Form for Mechanical Parts Using Generative Adversarial

Simplification of 3D CAD Model in Voxel Form for Mechanical Parts Using Generative Adversarial Networks

Simplification of 3D CAD Model in Voxel Form for Mechanical Parts
Using Generative Adversarial Networks(基于生成对抗网络的机械零件体素三维CAD模型简化)

2023 Computer-Aided Design

摘要

大多数机械零件的三维(3D)计算机辅助设计(CAD)模型是在设计阶段创建的，具有很高的形状复杂性。CAD模型的形状复杂度根据应用领域的不同而降低。因此，有必要根据其应用简化三维CAD模型的形状。传统的化简方法是基于预先定义的算法来识别化简目标的形状。这种基于算法的方法难以处理CAD模型中未考虑的不寻常的局部形状。提出了一种基于生成对抗网络(GAN)的网络简化机械零件三维CAD模型的方法。该网络对机械零件三维CAD模型中包含的简化目标形状进行识别和去除。构建三维CAD模型数据集，训练三维CAD模型简化网络。三维CAD模型在数据集中以体素形式表示。然后，使用构建的训练数据集对所提出的网络进行训练。最后，进行了三维体素简化实验，以评估训练后网络的性能。实验结果表明，该网络对机械零件总面积的平均错误率为3.38%，对简化目标面积的平均错误率为14.61%

简化机械零件的三维计算机辅助设计（3D CAD）是指使用计算机软件减少机械零件三维模型的复杂程度，以便于更高效地使用这些模型进行工程分析、制造、可视化或虚拟训练等。

简化的主要目的是移除那些对特定应用不重要的细节特征，例如：

• 孔洞：在制造仿真中，孔洞的尺寸和位置对结果影响不大。
• 倒角：在许多情况下，倒角可以简化而不影响功能。
• 圆角：小的圆角可以被移除而不影响外观和装配。
• 小的凸起或凹陷：这些特征对工程分析通常不重要。

通过简化，可以减少模型的复杂度，加快分析速度，减少存储和传输需要，以及降低成本。简化的程度取决于应用需求，如在制造仿真中可能需要更详细的模型，而在虚拟训练中可能只需要模型的外形。

传统的简化方法基于预定义的算法，可能难以识别一些不常见的特征或局部形状。而本文提出的方法使用生成对抗网络(GAN)来自动识别并移除简化目标形状，这比传统方法更加灵活和高效。

框架

总结

提出了一种基于学习的机械零件三维CAD模型形状简化方法。该方法利用对抗性学习识别原始模型中的简化目标形状，并去除识别出的形状。为了实现该网络，我们定义了模型体系结构和目标函数。然后构建三维CAD模型数据集进行网络训练。最后，通过三维体素简化实验验证了所提网络的有效性。实验结果表明，与其他网络相比，该方法具有优异的性能，对零件总面积的平均错误率为3.38%，对简化目标面积的平均错误率为14.61%。

在本研究中，我们证实了一种基于学习的形状简化方法的可行性。据我们所知，所提出的方法是第一个使用基于gan的网络进行三维CAD模型形状简化的研究。然而，简化目标区域的错误率仍然很高，为14.61%。因此，通过分割和单独标记与简化目标形状对应的体素，并开发使用所提出的简化方法的网络，将在未来提高简化性能。

在未来，有可能通过使用由原始模型和简化模型对组成的训练数据集来增加3D模型的细节。如果能够基于我们的训练数据集构建模型细节化的深度学习网络，它将在灵活调整模型细节方面更加有用。

据集构建模型细节化的深度学习网络，它将在灵活调整模型细节方面更加有用。

我们的研究的局限性是由网络生成的3D模型是体素形式的。这个问题的一个解决方案是将体素模型转换为网格，然后将该模型转换回b-rep模型[84]。在未来，作为另一种解决方案，我们计划使用图神经网络直接使用b-rep模型。