同步技术与参数化在Solid Edge中和谐共存

最新推荐文章于 2015-10-14 12:55:00 发布
最新推荐文章于 2015-10-14 12:55:00 发布
阅读量255 收藏
点赞数
原文链接：https://my.oschina.net/u/2357930/blog/475428
版权

现在一部分人中存在一个误区，他们认为同步建模不是参数化的。你可以拥有一个或者另一个，但是不可能两者同时拥有。我想那事因为有许多人将基于历史的建模等同于参数化，而其他的建模方式一定是不同的。

事实上同步建模的零部件都是完全参数化的。我们这样说并不是要混淆概念，玩文字游戏或者是利用某些术语。对于 “参数化”的任何传统意义而言，同步建模的零部件都是符合的。零部件是由尺寸和集合关系来控制的，并且尺寸能通过其他的赋值或者方程式来控制。

这儿有一个简单的例子。这个零件是同步的，所以它有特征，但是特征都完全是面上采集的，并且是通过草图来创造的，但是草图什么都控制不了，他们在那什么都做不了。尺寸是直接和三维几何模型相联系的，红色的是控制的，紫色的是由方程来控制的。

 

参数组合的一部分几何关系有两个来源：由用户定义的面之间的关系（称为面关系），或者是由实时的规则设定来自动控制的实时的规则关系。当你工作的时候你可以改变这些设定，但是他们是为了帮你保持垂直度，同心度，相切，平行和其他一些常见的关系。

模型的尺寸也可以从几个地方得到。如果你在草图上定义尺寸，那么那些尺寸就由草图直接反映到三维模型上。或者，用户也可以通过手动选择边缘来来应用尺寸。在同步建模环境下产生的尺寸，都是可驱动PMI尺寸。

然后SOLIDEDGE 通过颜色来指示不同状态的尺寸：

红色：锁定或者开启，你必须明确地编辑值来使它改变。
蓝色：解锁，值可以通过其他的尺寸或者关系的改变而被改变

紫色：被其他方式来控制的尺寸和没有驱动的尺寸同样用紫色来表示。没有驱动的尺寸同样是被控制的。

Solidedge同样使你能够使用方程来控制尺寸。方程可以通过使用在工具条变量组里的变量表来输入。变量表如下图所示：

这个表非常的方便，并且在使用过其他CAD程序之后，我能够说输入公式并且命名变量和暴露变量来自定义属性是非常方便的。另外，在你做其他事情时，这个对话框也能保持开启的状态。如果你过去只用过Solidedge，你可能像其他的CAD使用者一样对这个并不欣赏。这并不性感，或者闪耀，或者做旋转或者运行机器人，但是这个对话框是众多的功能之一，是这些家伙多么致力于生产效率的证据。

而且，对于这片文章更为主要的观点而言，变量表显示了你能够用参数化功能到同步建模中的程度。当然我这边所用的零件是非常简单的，但是这些理念你可以用在任何东西上来改变他们的尺寸。

所以如果那些不知道他的CAD系统已经是历史的使用者之一尝试着去告诉你同步技术不是参数化的时候，你可以把他送过来接受教育，或者让他坐下来，你自己展示给他看。

如果你想在一个公式都已经编辑好的零件上试验其中的一些理念，你可以从下方下载我的简单的样例。

链接：http://community.plm.automation.siemens.com/t5/Solid-Edge-Blog/Synchronous-AND-Parametric/ba-p/297109

文中的一些图片无法显示，可以关注soiidedge联盟微信公众号~~~

http://mp.weixin.qq.com/s?__biz=MjM5OTk4NDc2NQ==&mid=210062445&idx=1&sn=f7bc11a48e093212d585ec3fd97dea11#rd

转载于:https://my.oschina.net/u/2357930/blog/475428

chunmin0656
关注
SolidEdge二次开发(C#源码)
02-01
SolidEdge二次开发(C#源码)，加载显示插件工具条。
Solid Edge 2009安装
11-12
Solid Edge 2009安装指导，包含了最新离线帮助文档的安装，让自学更简单！
Solid Edge!
冯超(C/C++)
05-26 356
同步建模和顺序建模
rns521的专栏
01-15 3703
用文字来解释还不如看看视频 http://www.3dst.com/plugin.php?id=vgallery:vgallery 这里有不少视频都是同步建模的,可以看看跟传统建模有什么不同!因为我们传统建模都是要先做草图,再做特征,或者做特征时做草图,修改特征其实大部分是在修改草图,以及修改特征参数!同步是做完特征后,草图就失去了关联,不是通过草图来修改特征,而是可以直接用PMI来标注尺寸
Solid Edge 同步建模基础
chunmin0656的博客
10-14 930
同步建模自2008年诞生，迄今已有七个年头。它带来一股全新的设计体验，在加快设计时间、编辑第三方数据等方面，赢得众多喝彩。但由于大家比较熟悉传统建模思路，思维惯性，对同步建模还有很多误区。我在Youtube网站上看到这个视频，非常佩服他的详细、清晰的讲解，因此分享给大家，希望能打开我们一些思维...
基于Solid Edge机械标准件的参数化设计
07-05
介绍了基于Solid Edge的二次开发技术,阐述了...使用面向对象语言Visual Basic开发工具,通过ADO技术调用机械标准件的Access数据库,并使之与Solid Edge变量表建立连接,从而实现了人机交互的机械标准件的参数化驱动设计。
solidworks参数化齿轮齿条
11-17
2. 特征树：在SolidWorks中，特征树是参数化的载体，它展示了模型的所有特征及其关联关系。修改特征树中的参数，就能直接影响到模型的几何形状。 二、齿轮齿条设计步骤 1. 创建基础草图：首先，我们需要在XY平面...
Solid Edge 培训资料 01670-在装配关联中进行设计.pdf
02-20
从提供的文件内容来看，知识点主要集中在Solid Edge软件的使用与操作，具体涉及装配设计、零件建模、参数设置与装配布局。以下是详细的知识点： 1. Solid Edge软件概述 文件中提到的Solid Edge是西门子公司旗下的一...
基于VB和Solidworks的液压缸参数化设计
07-02
在液压缸的参数化设计中，将三维建模与程序控制相结合，通过编程调用Solidworks的API函数，实现对原有模型的参数修改，生成新的三维模型。这里采用的编程语言是Visual Basic 6.0，开发平台为Solidworks，通过VB的...
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值