BrepMFR

BrepMFR: Enhancing machining feature recognition in B-rep models through deep learning and domain adaptation(BrepMFR:通过深度学习和域自适应增强B-rep模型的加工特征识别)
2024年4月25日 Computer Aided Geometric Design

摘要： 特征识别(FR)是集成计算机辅助设计(CAD)、计算机辅助工艺规划(CAPP)和计算机辅助制造(CAM)系统的关键技术，在现代数字化制造中起着至关重要的作用。近年来，深度学习方法的出现为识别具有复杂几何形状的高度相交特征提供了一种新的方法。然而，由于标记真实CAD模型的成本很高，神经网络通常是在计算机合成的数据集上训练的，当应用于现实世界的CAD模型时，会导致明显的性能下降。因此，我们提出了一种新的深度学习网络，BrepMFR，设计用于从边界表示(B-rep)模型中识别加工特征(MFR)。我们将原始的B-rep模型转换为图形表示作为网络友好的输入，结合局部几何形状和全局拓扑关系。利用基于Transformer架构的图神经网络和图注意机制，提取高级语义信息的特征表示，实现加工特征识别。此外，采用迁移学习框架下的两步训练策略，通过将合成训练数据适应于实际CAD数据，增强BrepMFR的泛化能力。此外，我们建立了一个大规模的合成CAD模型数据集，包括24个典型的加工特征，展示了几何结构的多样性，密切反映了现实世界的机械工程场景。跨各种数据集的广泛实验表明，BrepMFR实现了最先进的加工特征识别精度，并在现实世界机械零件的CAD模型上有效地执行。

引言

自20世纪50年代初以来，计算机数控（CNC）技术的出现推动了计算机辅助制造（CAM）和计算机辅助设计（CAD）的研究和开发。这些现代数字技术极大地提高了产品开发的效率。在数字设计和制造中，设计部门利用三维设计软件创建包含低级几何信息和高级设计意图的CAD模型。随后，制造部门利用计算机辅助工艺规划（CAPP）系统，生成一系列的加工指令，用于组件的生产。在加工过程中，机器工具会在工件上加工出特定的形状。这些形状包含制造语义，被称为加工特征。

然而，由于异构软件系统的约束，数字化生产三个主要阶段的CAD模型(CAD、CAPP和CAM)往往只传递几何曲面和曲线等低级信息。关键的高级语义信息，包括设计特征和加工特征，经常丢失。在边界表示(B-rep)中，这些特征通常表示为特定几何和拓扑元素(如曲面、曲线、点、B-rep面和边)的集合。为了提高工艺规划和制造效率，CAPP系统采用自动加工特征识别(MFR)从制造角度重新分析CAD模型。这包括对几何和拓扑元素进行分组，以识别加工特征，如孔、槽、步骤和倒角。随后，根据这些加工特征的具体参数，如半径、深度和轴向尺寸，可以智能地生成适合CAM的制造工艺。这包括定义加工步骤，选择加工工具和规划CNC路径。因此，加工特征识别被认为是制造自动化的关键步骤，在CAD、CAPP和CAM的集成中有效地弥合了设计与制造之间的差距(Brousseau et al, 2008)。

在过去的几十年里，特征识别已经成为CAD/CAM领域的一个动态研究领域。学者们提出了多种基于几何推理的特征识别方法:基于语义的方法(Vandenbrande和Requicha, 1993;Zhang et al .， 2017)，基于规则的方法(Zehtaban and Roller, 2016)，基于图的方法(Joshi and Chang, 1988;黄益海，2002;Fu et al .， 2003)，体积分解方法(Woo and Sakurai, 2002;Geng等，2016)，以及基于提示的方法(Vandenbrande和Requicha, 1993;Han et al .， 1997)。这些传统方法利用几何和拓扑信息来识别加工特征。近年来，深度学习方法的出现为解决这一挑战提供了一种新的方法。根据三维形状的表示，基于学习的加工特征识别方法可以分为点云(Lei et al .， 2022)、体素(Ning et al .， 2023;Peddireddy等，2021;Lee et al, 2021)，多边形网格(Shi et al, 2020;Jia et al .， 2023)、multiple views (Shi et al .， 2022)和B-rep (Cao et al .， 2020;Colligan et al, 2022;Wu et al, 2024)。这些数据驱动的方法显示出强大的识别和分类能力，在CAD模型特征识