[发明专利]一种面向STEP-NC2.5D制造特征的智能特征识别方法

说明书

本发明公开了一种面向STEP‑NC2.5D制造特征的智能特征识别方法，包括以下步骤：构建基于STEP中性文件的最小子图，主要包括基于STEP中性文件的几何拓扑信息提取和基于边的凹凸性判断的最小子图生成；通过基于混沌遗传算法优化的神经网络进行特征识别。本发明公开的智能特征识别方法将混沌算法、遗传算法与BP人工神经网络算法相结合，克服了BP神经收敛速度慢，容易陷入局部极值的缺陷，能够高效精准智能地识别面向STEP‑NC的2.5D制造特征，对STEP‑NC标准的进一步完善和实施具有积极的参考价值。

技术领域

本发明涉及数控技术领域，具体说涉及一种面向STEP-NC2.5D制造特征的智能特征识别方法。

背景技术

目前广泛应用的ISO6983标准体系已经不足以适用于机械制造领域，因此国际标准化组织ISO提出了一个面向对象的新型NC编程数据接口国际标准STEP-NC。该标准包含了产品加工的所有信息，并提供了一种面向对象描述产品数控数据的中性机制，本质上不涉及具体的加工动作而仅面向对象和特征来描述“要加工什么”。此标准支持CAD/CAM与CNC系统之间实现双向数据传送；便于实现加工数据的共享和网络传输；能够提高生产效率。因此，STEP-NC的出现是数控技术领域的一次革命，对于智能制造的发展乃至整个制造业将产生深远的影响。由于STEP-NC是以制造特征为对象的新型NC编程数据接口国际标准，特征识别成为了实施STEP-NC重要的一步，也是实现开放性、智能化和网络化STEP-NC数控系统的关键。

目前为止，常规特征识别方法主要包括：

(1)基于边界匹配的的特征识别方法，其主要包含了三种方法：

①基于规则的特征识别方法。该方法是利用专家系统通过对规则定义的边界模型进行特征识别。然而，由于难以对每种特征类型都写出合适的规则，该方法识别的特征有一定局限性。

②基于图的特征识别方法。该方法将零件面边图中的适当子图与特征的面边图进行匹配来识别特征。虽然该方法允许用户添加新的特征类型而不必改动程序，但是该方法难以有效地识别相交特征，而且子图搜索算法是NP问题，导致识别过程十分耗时。

③基于痕迹的特征识别方法。该方法首先从零件的几何模型中提取出所有的特征痕迹，然后通过几何推理的方法来验证相对应的特征的可能性，继而构造出完整的特征。该方法中的特征痕迹生成和延拓算法依赖于具体的特征类型，难以添加新的特征类型。

(2)基于体分解的特征识别方法，其主要包含了两种方法：

①基于立体交替分解的特征识别方法：该方法首先将非凸物体表示为一棵以凸体元为节点，以布尔运算符(差或并)为中间节点的分解树，接着判别每一个叶节点是否本身对应于一个形状特征，如果不是，再采用相关的组合操作将其与其它的叶节点进行组合，使其对应于一个形状特征。该方法由于遍历时间长，存在效率低下的问题；

②基于单元体分解的特征识别方法：该方法是将物体分解成一组彼此之间只能在边界上相交的单元体的并集进行特征识别，虽然该方法明确规定了各单元体之间只能进行布尔并运算，但是分解出的单元体过多，使得识别处理任务繁重复杂。

综上所述，现有的方法虽然可以实现特征识别，但是这些方法识别的特征有一定局限性，特别是没有针对STEP-NC2.5D制造特征的方法，而且广泛存在识别效率低、准确性和智能性差的问题。

BP神经网络(Back Propagation)是一种按误差逆传播算法训练的多层前馈网络，具有超强的自学习、自组织能力，能够高效智能地处理复杂的特征识别问题。但是，BP神经网络收敛速度慢，容易陷入局部极值，而混沌算法和遗传算法可以弥补其缺点，因此将混沌算法、遗传算法与BP人工神经网络算法相结合可以进行高效、精准和智能的逻辑推理，可以解决复杂的特征识别问题。基于此，本发明提供了一种面向STEP-NC2.5D制造特征的智能特征识别方法。

发明内容