plsql变量参数化_货架的参数化设计,一个骨架就搞定!

本文详细介绍了如何利用SolidWorks的参数化设计功能,包括焊件和钣金件设计,应用于货架行业,通过建立参数化模型和关联方程式,实现货架模型的快速变更,提高设计效率。
摘要由CSDN通过智能技术生成

要实现参数化设计,参数化模型的建立是关键。参数化模型表示了零件图形的几何约束、尺寸约束和工程约束。几何约束是指几何元素之间的拓扑约束关系,如平行、垂直、相切和对称等;尺寸约束则是通过尺寸标注表示的约束,如距离尺寸、角度尺寸和半径尺寸等;工程约束是指尺寸之间的约束关系,通过定义尺寸变量及它们之间在数值上和逻辑上的关系来表示。

SolidWorks的参数化功能有多种实现方式, 我们可以通过Excel表格进行驱动参数,也可以通过关联方程式控制尺寸间的关系,并设定主要变量,实现模型尺寸的修改及模型的变更。本文主要针对货架行业产品,介绍SolidWorks通过方程式控制参数间的关系来实现货架模型的快速变更,提高企业的设计效率。

对于货架行业产品,在其产品设计方面,大体可以分为两大类,一类是用标准的型钢类型,比如说C槽、角钢、工字钢、圆管、钢条等钢材焊接起来,组成实际的货架类型;另外一类是,采用钣金折弯成一定轮廓的型材,主要通过冲压,折弯,焊接等工序完成需要的货架模型。对于这两类产品,在SolidWorks软件中设计时,主要是采用钣金,焊接件两块功能进行设计,并结合SolidWorks设计库,配置以及方程式等功能以达到产品设计的高效快速。

一、SolidWorks焊件功能在货架设计上的运用

下面首先介绍下SolidWorks整体参数化布局在采用标准轮廓货架设计上的运用,以及SolidWorks在焊接件设计上运用的快捷。

1、对货架进行整体布局,通过SolidWorks的3D草图对其货架结构位置进行整体布局,并对其主要参数添加关联方程式,通过参数进行控制主要尺寸,大家可以看到下图中主要尺寸间已经添加了部分方程式进行了参数的控制。如图1;

d7535de3527edef2f0094d19157e0237.png

2、结构构件轮廓库的建立;对于结构构件轮廓,主要有标准的焊件轮廓,像角钢,槽钢,工字钢,方管,圆管等,SolidWorks提供非常全面的焊件轮廓库,下面是常用的标准,都可从SolidWorks中下载。本例中主要采用标准的80x80x4的矩形管进行设计,如图2;

对于非标的型材轮廓,SolidWorks也完全可以根据企业实际的情况建立企业需要的标准的结构构件轮廓的型材库,以便日后工作中快速的对焊接件进行设计。

3、快速的焊接件设计;SolidWorks可以快速使用结构构件轮廓生成整体焊架。

d545e29da2871b790580f5b365e70e6a.png

4、SolidWorks快速生成焊件工程图及焊件切割清单,其焊件图上序号与切割清单序号完全相关联。如图5;

3110e3c6a0078c1620e8fa151f04c752.png

图5 焊件工程图

二、SolidWorks钣金件功能在货架设计上的运用

上面介绍了SolidWorks焊件设计的快速与便捷,下面我们再介绍下SolidWorks参数化设计在钣金件设计,以及货架整体结构设计上的运用。

1、钣金成型工具库的运用

SolidWorks可以对压凸,冲孔,百叶窗和切口等常用特征做成成型工具库,方便快速生成此类特征的建立,在设计中,我们可对模型中常用的特征进行总结,归纳,以便快速设计此类特征。

如柱卡上的卡爪特征,以及牛腿上的卡爪等,以柱卡零件为例,我们只需将设计好的卡爪从库中拖放到需要冲压的位置,即可快速设计好卡爪特征;如图6,7;

f1946a997e2c1f3f958af363d494e1a5.png

2、参数化设计在单个零件设计上的运用——立柱。

当立柱长度为1000mm时,冲压孔阵列数量为13,如图8;

05664dc6e44be1061e3fac53b678896e.png

图8 立柱1

当长度为2100mm时,冲压孔孔阵列数量自动变更为28,我们设计时不需要考虑长度变更后,孔的数量,因为通过参数化设计,软件会自动根据空间大小排列出我们需要的孔数量,但前提是设计时必须将参数间添加相应的关联方程式,才可实现快速变更的效果。如图9;

9ec23628c78fc27a4ad35bf65b03753f.png

图9 立柱2

3、SolidWorks可快速对钣金零件进行展开,如图10;

202cf184f00e858abd8db505caae0868.png

图10 立柱展开图

4、SolidWorks可快速生成钣金工程图及钣金折弯系数表,如图11;

679d7c6c79e61958a794a71f3273104b.png

三、SolidWorks参数化设计在货架整体设计上的运用

通过SolidWorks布局参数化设计,建立零件间主要参数间的位置关系,尺寸关系,约束关系等,并建立相应的关联方程式,通过主要变量参数来控制模型,我们就可快速的对货架产品进行设计变更,同时也能快速的生成生产所需要的明细单。

1、货架的位置整体布局,通过布局草图,对主要零件安装位置进行定位,对主要参数间添加关系方程式,如图12;

9a20a5bf75b23f62a589041d838b71b2.png

图12 货架整体布局

2、零件之间参数的建立

根据货架产品的特点,本例主要将托盘间距、托盘的层数、托盘离地的高度、以及支柱在护轨方向上的列数作为主要变量,其他参数与这几个变量间建立关联方程式,以实现货架的快速变更。

3、参数化设计实现模型的快速变更,下面我们看下当我们设定的主要变量发生变化时,货架模型,工程图以及明细表统计的变化情况。

(1)、当主要变量参数为,如图13;

442a18afc10ccd922c4c4d474ebd0c6c.png

图13 变量参数1

当变量参数设为图13的数值时,货架装配图及明细单统计如图14,15所示,我们记住立柱零件明细表统计上的数量,及重量的统计情况;

6adeceb642b002fbd46ebf5e4d015005.png

图14 货架1

e4b7b69a60c21e4a919ac67b3adeaa44.png

图15 货架工程图1

(2)当主要变量参数变更为,如图16所示;

e8c7514e033dc4cb2e198ae3c3790972.png

图16 变量参数2

通过修改变量参数,可快速对货架从2层进行变更成3层,同时材料明细单也自动进行变更(如支架、牛腿等零件的数量自动统计),我们再看下明细表上立柱零件的数量及重量统计情况,下面我们看下参数变更后的模型及工程图纸,如图17,18;

0e90fb986fe2dc60c1d31c7adf46991b.png

图17 货架2

ce65095cf2a9038da6109e1db1a957b1.png

图18 货架工程图2

我们会发现,当参数调整好,货架模型的图纸会自动进行变更,同时零件的数量统计(如立柱的数量统计由12变为18根),零件的重量统计,由于长度发生变化,因此重量也跟着进行变化(如立柱的重量由7.25变为11.05kg)等,这些都是参数化关联设计给我们在设计中带来的便捷之处,让工程师能快速的进行设计变更,快速的出生产图纸,并且无差错的统计材料明细单,大大提高了设计效率。

上面我们主要介绍了SolidWorks参数化设计在货架行业设计中的运用的小案例,我们在设计时考虑主要尺寸间的关系及几何约束等,区分好我们设计时需要的可变参数与不变参数,通过可变参数的变更,来建立模型中各种的约束关系,也体现了设计人员的设计意图,这种方法其实仅仅是SolidWorks参数化设计中通过方程式控制的一种方法。其实SolidWorks软件本身也是一款典型的参数化设计软件,其参数化功能非常强大,并且实现方法可以多种多样。我们还可以通过Excel表格对模型参数进行驱动的方法,其特点是充分利用Excel表格强大的公式计算、直观的参数输入、方便的数据维护功能,来实现产品的参数化、系列化零件的设计等。

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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 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。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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