《ADVANCED ENGINEERING INFORMATICS》:An edge-modulated dual-graph neural network for interacting machining feature recognition
编辑推荐:
本文提出一种边调制的双图神经网络(EMD-GNN),用于解决CAD模型中相互作用特征的识别难题。该方法通过整合三角网格几何细节和B-Rep拓扑关系,结合残差编码和边类型调制,显著提升识别准确率与泛化能力,并在GeoMFD等数据集上验证有效性。
Jinhuan Su|Weidong Li|Xuedong Wang|Jun Wang|Shijie Song|Yongsheng Ma|Xin Lu
上海科技大学机械工程学院,中国
摘要
机械特征识别在计算机辅助设计(CAD)、计算机辅助工艺规划(CAPP)和计算机辅助制造(CAM)系统的集成中起着关键作用。现有方法在处理CAD模型中的交互特征时,识别精度有限,难以满足实际工程场景的需求。为了解决这个问题,本文提出了一种基于边缘调制双重图神经网络(EMD-GNN)的交互特征识别方法。EMD-GNN采用了一种新的双重图表示方法,将三角形网格的几何细节与B-Rep面的拓扑关系结合起来,以更好地表示交互特征。在此基础上,设计了一个双重图神经网络来推断交互特征:残差网格图编码器用于捕获细粒度几何细节,而边缘调制的B-Rep面编码器则整合了边类型和二面角信息,以增强拓扑推理能力。为了支持模型训练和评估,构建了一个大规模合成数据集GeoMFD(几何混合特征数据集),其中包含多特征CAD模型和多级注释。在GeoMFD、MFCAD++和MFInstSeg上的实验结果表明,EMD-GNN在识别精度和泛化能力方面均优于现有方法。
引言
识别机械特征是将计算机辅助设计(CAD)模型转换为计算机辅助工艺规划(CAPP)和计算机辅助制造(CAM)模型的关键步骤,包括工艺排序、工具选择和刀具路径生成[1]。然而,在实际工业应用中,机械特征很少以孤立的形式出现。相反,经常观察到具有共享边界、嵌套结构和耦合拓扑关系的复杂交互特征。这些交互特性显著增加了特征识别的难度,成为实现有效CAD/CAPP/CAM集成的主要障碍。
早期的研究主要采用基于规则和启发式的方法进行机械特征识别[2]、[3]。这些方法通常通过预定义的几何规则或图遍历算法来编码领域知识。虽然它们在处理简单和孤立的特征时效果良好,但在应用于复杂交互特征时性能会显著下降。近年来,基于学习的方法作为机械特征识别的有前景的替代方案出现[4]、[5]。这些方法利用带有注释数据的预训练过程,减少了对显式规则的依赖,并显示出对几何复杂性的更强鲁棒性。已经探索了使用点云[6]、[7]、网格或体素[4]、多视图图像[8]、[9]以及边界表示(B-Rep)[10]、[11]等表示方案的卷积神经网络(CNN)和图神经网络(GNN)。尽管取得了上述进展,但仍存在一些根本性挑战:(i)基于单一表示方案的方法往往难以同时捕捉细粒度几何细节和高级拓扑关系[5];(ii)尽管B-Rep模型中存在凸性或二面角等边缘属性,但它们通常被视为静态描述符,而没有被明确纳入信息传递过程[12];(iii)此外,不同的识别任务(如语义分割、实例分割和底面分类)通常单独处理,这限制了它们在涉及复杂交互特征场景中的有效性。
为了解决上述挑战,本研究设计了一种基于边缘调制的双重图神经网络(EMD-GNN)。EMD-GNN的主要步骤、特点和创新总结如下:
(1)它包括一个三角形网格邻接图来捕获几何细节,一个B-Rep面邻接图来表征拓扑关系,以及一个交叉表示映射,以实现两个图之间的几何和拓扑信息双向传递。通过这种创新方案,全面表示了特征的语义分割和实例分割,从而便于交互特征识别。
(2)开发了一个双重图神经网络来进行交互特征识别。它包括一个残差网格图编码器来捕获细粒度几何信息,以及一个边缘调制的B-Rep面编码器来整合边类型和二面角信息,以增强拓扑推理能力。基于这种表示和推理机制,将底面分类集成到框架中,使网络能够将特征识别与机械相关的工艺语义联系起来,从而实现更全面和实际有意义的交互特征识别。
(3)为了支持模型训练和评估,构建了一个名为GeoMFD(几何混合特征数据集)的大规模数据集,其中包含63,000个带有多级注释的CAD模型,包括特征语义、特征实例和机械底面。与现有数据集相比,GeoMFD包含了工业CAD模型中常见的交互特征和组合,为识别任务提供了现实的基准。
(4)在GeoMFD、MFCAD++和MFInstSeg上的实验结果表明,EMD-GNN在识别精度和泛化能力方面均优于现有方法。特别是在不同数据集上的特征语义分割任务中,EMD-GNN的准确率提高了26-29%,突显了其强大的跨数据集泛化能力。这些结果验证了双重图表示和双重图神经网络在复杂交互特征识别中的优势。
本文的其余部分结构如下:第2节回顾和分析了相关研究;第3节详细介绍了EMD-GNN的设计;第4节展示了实验设计和分析结果;第5节总结了本研究的工作并讨论了未来方向。
部分摘录
传统方法
基于规则的方法[13]、[14]通过预定义的规则或模式进行几何特征识别。当符合特定模式的规则时,零件表示中的相应结构被识别为机械特征。规则库的构建和维护需要大量的领域知识,这限制了其可扩展性和适应性[15]。
基于图的方法[16]、[17]是一类
方法论
本研究设计了一种新的特征识别方法,即EMD-GNN。该方法的步骤总结如下(如图1所示):
(1)为了有效地训练和评估该方法,构建了一个名为GeoMFD的数据集。该数据集包含63,000个具有多种特征的合成CAD模型。每个模型包含三种类型的几何形状:立方体、圆柱体和圆锥体,并附带一个三级注释系统,用于描述特征语义、特征
实验结果与讨论
在本节中,通过一系列实验评估了所提出的EMD-GNN框架的性能。首先,EMD-GNN框架在两个公开可用的特征识别数据集MFCAD++和MFInstSeg以及本研究中引入的GeoMFD数据集上进行了训练。随后,将其性能与现有的最先进方法进行了基准测试。为了进一步评估模型的泛化能力,仅在GeoMFD数据集上重新进行了训练。
结论与未来工作
本文提出了一种用于从B-Rep表示的CAD模型中识别交互机械特征的新EMD-GNN框架。该方法采用双重图表示方法,从三角形网格邻接图捕获几何细节,并通过B-Rep面邻接图编码拓扑关系。为了增强拓扑信息的区分能力,将边类型和二面角嵌入到图结构中,从而
CRediT作者贡献声明
Jinhuan Su:撰写——原始草稿、可视化、验证、软件开发、方法论、研究、形式分析。Weidong Li:撰写——审阅与编辑、撰写——原始草稿、监督、项目管理、资金获取、概念化。Xuedong Wang:验证、形式分析、数据管理。Jun Wang:验证、资源管理、形式分析、数据管理。Shijie Song:验证、形式分析、数据管理。Yongsheng Ma:撰写——审阅与编辑、监督,
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
作者衷心感谢来自国家自然科学基金(项目编号:51975444)、中国科学技术部(项目编号:G2022013009)和上海市科学技术委员会(项目编号:23010503700)的财政支持。