基于图形类增量学习策略的金属板件的加工特征的自适应识别

科学领域:

• 计算机辅助设计和制造
• 在工程领域的人工智能.
• 几何和拓数据表示

背景情况:

• 传统的自动特征识别 (AFR) 方法难以处理复杂的交叉特征.
• 现有的深度学习 AFR 方法经常通过使用 voxelized 或点云表示,从 CAD 模型 (B-Rep) 丢失关键的几何数据.
• 监督学习方法在识别初级培训数据集中不存在的新型加工特征方面受到限制,这阻碍了在动态的工业环境中适应能力.

研究的目的:

• 开发一种基于深度学习的新型AFR方法,可以保留CAD模型中的详细几何和拓信息.
• 创建一个增量学习策略,使AFR系统能够适应不断变化的数据集,并识别新的加工特征.
• 提高计算机辅助设计 (CAD),计算机辅助流程规划 (CAPP) 和计算机辅助制造 (CAM) 系统的集成和性能.

主要方法:

• 介绍多维赋值面边图 (maFEG),一种图形结构语言,用于捕获复杂的CAD模型细节.
• 关于Sheet-metalNet的建议,这是一个设计用于有效学习和解释maFEGs的图形神经网络.
• 开发一个由三个组成部分组成的增量学习策略:预训练/微调,原型采样重复,以及知识蒸以实现参数规范化.

主要成果:

• 在MFCAD++和SMCAD数据集上,与最先进的AFR方法相比,板金属网证明了优越的加工特征识别精度.
• 提出的增量学习策略使金属板网能够在遇到新引入的功能时保持高性能.
• 该maFEG表示有效地保存了在传统的voxel或点云方法中丢失的关键几何和拓信息.

结论:

• 金网,结合其增量学习策略,为制造业准确和适应性的自动特征识别提供了强大的解决方案.
• maFEG表示和图形神经网络方法有效地解决了以前深度学习AFR方法的局限性.
• 这项研究通过提高动态工业环境中特征识别的可靠性和灵活性,显著提高了CAD/CAPP/CAM集成的能力.