基于实体模型的自动特征识别技术
CAD设计中的自动化特征识别与提取
CAD设计中的自动化特征识别与提取在CAD设计中，自动化特征识别与提取是一项非常重要的技术。
它可以大大提高CAD设计的效率和精度。
本文将介绍CAD设计中自动化特征识别与提取的原理、方法和应用。
一、自动化特征识别与提取的原理在CAD设计中，人工识别并提取设计要素是一项繁琐且容易出错的任务。
因此，研究人员提出了自动化特征识别与提取的方法。
其原理主要基于计算机视觉和机器学习技术。
首先，计算机视觉技术被应用于CAD设计中的自动化特征识别与提取。
通过对CAD图形进行图像处理和分析，计算机可以自动识别出图形中的各种几何特征，如直线、圆弧、椭圆等。
计算机视觉技术可以通过边缘检测、轮廓跟踪和形状匹配等方法来实现。
其次，机器学习技术也被广泛应用于CAD设计中的特征识别与提取。
通过训练大量的CAD样本数据，机器可以学习各种几何特征的模型，并通过模型预测和识别新的CAD设计。
常见的机器学习方法包括神经网络、决策树和支持向量机等。
二、自动化特征识别与提取的方法在实际应用中，有多种方法可以实现CAD设计中的自动化特征识别与提取。
以下是一些常见的方法：1. 基于几何模型的特征提取方法：该方法基于CAD设计中的几何模型，通过分析图形的拓扑结构和几何关系来提取特征。
常见的方法包括B-样条曲线拟合、K-Means聚类和样本匹配等。
2. 基于图像处理的特征提取方法：该方法通过对CAD图像进行图像处理和分析，提取出其中的几何特征。
常见的方法有边缘检测、直线检测和轮廓分析等。
3. 基于机器学习的特征提取方法：该方法通过训练机器学习模型，将CAD设计中的特征与其几何属性建立映射关系，从而实现自动化特征提取。
常见的方法有神经网络、决策树和支持向量机等。
三、自动化特征识别与提取的应用自动化特征识别与提取在CAD设计中有着广泛的应用。
以下是几个典型的应用场景：1. 零件识别与装配：通过自动化特征识别与提取，可以实现对不同零件的自动识别和装配。
基于实体模型的产品形状特征识别
ｍｏ ｅ ｅ ｔ ｒ ｐ ｃ ｙ ｓ ｒ ｎ ｉ ｅ ｔ ｒ ｉｒｉ ｔ Ａｃ ｏ ｄ ｎ ｈ ｈ ｒ ｃｅ ｓ ｃ ｆｔ ｅ ｍｏ ｅ ，ｔ ｅ ｄ ｌｆａｕ ｅ ｓ ａ ｅ ｂ ｔ ｔ ｇ ｗ ｔ ｆ ａ ｕ ｅ ｔ ｎ ｉ ａ ｉ ｈ ｅ ． ｃ ｒ ｉ ｇ ｔ ｔ ｅ ｃ ａ ａ ｔ ｒ ｔ ｓｏ ｄ ｌ ｈ ｏ ｉ ｉ ｈ
ｒ ｃ ｇ ｉ ｏ ｓｒ ａｉｅ ．Ａｆ ｒｆ ｒ ｅ ｎ ｅ ｔ ａ ｉｎ ｏ ａｕ ｅ ｂ ｓ ｄ ｅ ｔ ｙ ｍｏ ｅ ，ａ ｐ ｒ ａ ｈ ａ ｏ ｔ ｈ ｐ ｅ ｏ ｎｔ ｎ ｉ ｅ ｌ ｄ ｉ ｚ ｔ ｔ ｒｉ ｖ ｓｉ ｔ ｎ ｆ ｔ ｒ － ａ ｅ ｎ ｉ ｄ ｌ ｎ ａ ｐ ｏ ｃ ｂ ｕ ａ ｅ ｅ ｕ ｈ ｇ ｏ ｅ ｔ ｓ
ｍｏ ｅ ．Ｔｈ ｔ ｏ ｏｖ ｄ ｓａ ｗａ ｏ ｑ ｃ ｌ ｒａ ｅ ｐ ｒ ｒ ｈ ｕ ｅ ｆｒ ｅ ｔ ｒ ｒｓ ｓ ｎ ａ ｓｔ ｅ ｆｕｎ ａ ｄ１ ｅ ｍｅ ｈ ｄ ｐｒ ｉ ｅ ｙ ｔ ｕｉｋ ｙ ｃ ｅ ｔ ａ ｗａ ｅ ｏ ｓ ｎ ｅ ｐ ｅ ，ａ ｄ ｌｙ ｈ ｏ ｄ － ｔ ｏ ｉ
基 于实体模 型 的产 品形 状特征识别
薛澄 岐 ， 刘定伟
（ 东南大学 机械 工程 系， 南京 ２ ０９ ） １０６
摘
要： 依据实体造型的特点， 从模型空 间的特征层入手 ， 寻模型 空间中的简单形状特征 ， 搜 并根
据造型特点获取单个特征在零件模型上的几何拓扑 关系， 从而实现形状特征的 自 ／￣． 动－ ，通ቤተ መጻሕፍቲ ባይዱ分析 ７１ ， 特征 实体造型， 出一种基于实体模型的产品形状特征识别方法， 提 并结合微波器件产品开发特征参
０ 引 言
近年来 ， 特征识别一直是 Ｃ Ｄ Ｃ Ｍ 领域的研 Ａ ／Ａ 究热点． 基于实体模型的特征识别方法研究 已经有 ２ 多年 的历 史 ， 究 人 员 提 出许 多 特 征 识 别 方 Ｏ 研 法 ： Ｊ基于图、 语法 、 规则 的特 征识 别方 法 ， 于痕 基
基于机器学习的实体识别与关系抽取研究
基于机器学习的实体识别与关系抽取研究随着信息时代的到来和大数据的普及，人们逐渐认识到信息的重要性和信息处理的难度。
传统的信息处理方式逐渐无法满足人们的需求，机器学习的出现，给人们的信息处理带来了新的思路和方法，其中实体识别与关系抽取技术是机器学习在文本分析领域的重要应用之一。
一、实体识别实体识别，即在文本中自动识别并标注出人名、地名、机构名、时间、货币量、百分比等具有特定意义的词语。
实体识别是提取文本信息中有用信息的重要手段，其结果可作为研究语言学、信息检索、情感分析等领域问题的基础。
实体识别应用场景丰富，例如信息抽取、机器翻译、智能问答、美食推荐等都需要实体识别技术的支持。
然而实体识别面临的挑战也是非常明显的，比如名字重复、歧义、多义等问题，这需要机器学习模型克服。
近年来，深度学习技术的发展，尤其是LSTM、CNN等模型的广泛应用，使得实体识别技术得到了极大的提升。
二、关系抽取关系抽取，指从文本中自动识别实体之间的语义关系。
例如，从“比尔·盖茨是微软的创始人”中抽取出“比尔·盖茨”和“微软”两个实体之间的“创始人关系”。
关系抽取是文本众多信息中处理重要的一环，关系抽取结果用于机器翻译、文本摘要、语义分析等任务。
对于关系抽取，研究人员提出了不同的方法。
最初，使用规则匹配或正则表达式提取语义关系和特定类型的实体关系。
但是这种方法效率低，规则不够严谨，无法处理大规模的语料。
近年来，机器学习技术越来越成熟，深度神经网络在关系抽取任务上也获得了不错的效果。
例如，基于卷积神经网络（CNN）和长短时记忆神经网络（LSTM）的方法可以更好地捕捉文本的局部和全局特征，进而提高关系抽取的准确率。
三、实体识别与关系抽取的结合实体识别和关系抽取这两项技术在本质上是相互关联的，通过将两项技术结合起来，可以实现更加精准的语义分析和信息提取，拥有更广泛的应用场景。
实体识别和关系抽取的结合，可以为问答系统和智能机器人提供更精准的语义理解能力，也可以为推荐系统提供更为个性化且精准的服务。
自动识别技术概述3篇
自动识别技术概述自动识别技术指的是通过计算机视觉、自然语言处理和机器学习等技术，实现对各种信息的自动识别、解析、分类、过滤、聚类和推荐等功能。
自动化识别技术已经广泛应用于人工智能、大数据、物联网、无人驾驶等领域，在人们的生活中扮演着越来越重要的角色。
第一篇：计算机视觉中的自动识别技术计算机视觉是一种模仿人眼反射视觉信息的技术，通过计算机对图像和视频进行处理、分析和理解，并实现人机交互和机器自主决策。
自动识别技术在计算机视觉中具有重要作用，可以实现对各种实体、场景和特征的自动识别和分类。
自动识别技术在计算机视觉中的应用涉及较广，包括以下几个方面：1. 图像分类和识别：将图像分为多个类别，识别出图像中出现的物体、人物、地物等。
2. 检测和跟踪：检测和跟踪目标对象，如人脸、车辆、动物等。
3. 匹配和对准：将图像匹配或对准到真实场景中，如景深图像、三维模型等。
4. 分割和重构：将图像中的物体进行分割和重构，如手写字体识别、医学图像分析等。
自动识别技术在计算机视觉中的应用场景非常广泛，如自动驾驶、视频监控、医学影像分析、智能家居等领域。
自动驾驶是自动识别技术在计算机视觉中的典型应用，通过摄像头、激光雷达等传感器采集实时数据，并通过计算机对数据进行分析和处理，实现车辆的自主导航和控制。
第二篇：自然语言处理中的自动识别技术自动识别技术在自然语言处理中也具有重要的作用，主要是指通过计算机对自然语言文本进行分析、挖掘和理解，实现信息的自动化处理和对话的自动化交互。
自然语言处理中的自动识别技术包含以下几个方面：1. 文本分类和情感分析：将文本分类或者判断文本情感的好坏、积极或消极。
2. 命名实体识别：识别文本中的人名、地名、组织机构名等实体。
3. 关键词提取和摘要生成：从文本中提取关键词，生成文章摘要。
4. 机器翻译和问答系统：实现机器自动翻译和自动回答用户问题的功能。
自动识别技术在自然语言处理中的应用非常广泛，主要涉及到智能客服、搜索引擎、智能机器人等领域。
了解自然语言处理中的实体识别技术
了解自然语言处理中的实体识别技术一、实体识别技术的介绍与意义在自然语言处理（NLP）领域中，实体识别是指通过分析文本中的实体名词，并将其分类为预定义的类别，如人名、地名、组织机构等。
实体识别技术对于理解和处理自然语言具有重要意义，因为它可以提取出文本中的关键信息，用于各种应用场景，包括问答系统、舆情分析、信息抽取等。
二、基于规则的实体识别方法基于规则的实体识别方法是最早使用的方法之一。
它基于预先定义好的规则模式来匹配文本中出现的特定模式，并将其标记为相应的实体类型。
例如，在处理姓名时，我们可以通过寻找连续出现的姓和名字来确定该文本片段是一个人名实体。
虽然这种方法简单且易于实现，但需要手动编写大量规则，并且难以应对复杂多变的语言结构和不同领域下的语义变化。
三、基于机器学习的实体识别方法近年来，随着深度学习和机器学习技术的发展，基于机器学习的实体识别方法逐渐成为主流。
它利用大规模标注好的数据集进行训练，并通过建立模型来识别文本中的实体。
在基于机器学习的方法中，常用的算法包括条件随机场（CRF）、支持向量机（SVM）和深度神经网络（如循环神经网络和卷积神经网络）。
这些算法可以根据文本中的上下文信息和特征来判断每个词语是否为实体，并将其分类为相应的类型。
四、基于深度学习的实体识别方法近年来，随着深度学习技术的飞速发展，基于深度学习的实体识别方法在自然语言处理领域取得了显著进展。
其中，命名实体识别（NER）任务是最广泛研究和应用的一种形式。
基于深度学习的实体识别方法通常采用序列标注模型，如双向循环神经网络（BiLSTM）和长短时记忆网络（LSTM），以及一些注意力机制等。
这些模型能够通过对文本进行逐字或逐词级别的分析，从而对输入序列中出现的实体进行准确分类。
五、实体识别技术在各领域应用实体识别技术广泛应用于各个领域，为人们提供了便利和实时的信息处理能力。
以下是一些应用实例：1. 搜索引擎优化：通过实体识别技术，搜索引擎可以更准确地理解用户的搜索意图，并提供更相关的搜索结果。
实体造型特征识别技术的研究
特征 问题 ， 能够提 高特征识别 的效率 。
１ ． 基 于体分解 的特征识别方法 ．２ ２
基于体分解进行特征识别的方法是将产品模型分解为凸 体的集合， 通过对分解出的凸体进行重新组合， 产生对应的特
征的体元 ， 对特征体元进行分类 ， 出特征类型后 ， 确定 建立特征 的实体表示 。 这类特征识别方法能够 比较好 的解决基 于边界 特征识别 方法 中难于解决的相交特征识别问题。
其 自动理解 。从产 品中识别 出具有一定工 程意义 的几何形状 ，
② 在草图上绘制一矩形 ， 绕某边旋转 ， 所返回的特征为
一
旋转体 。也没有反应出孔 的特 征。 ③ 先生成一个圆柱， 然后在圆柱顶端采用切除的方法开 通孔。这种方法 在特征树 中可以反应 出孔特征来。
一
即特 征信息 的过程 ， 是特 征识别 。特 征识别 作为 Ｃ Ｄ与 就 Ａ
１２１基于边界 匹配的特征识别方法 ．．
① 做一环状草图， 选取拉伸可以获得此图。此做法实际 上是两圆柱做布尔减运算。并没有表现出孔的特征。
收稿 日期 ：０６ １— 柯常忠（ ５一 ， １ ５ ） 副教授 ， ９ 男 硕士生导师 ， 主要研究方 向： 制造 自动化， 机械产 品造型设计 。
对于图 ２ 中零件 ，Ａ Ｐ Ｃ Ｐ 系统所能接受的信息应该是外 圆
柱体特征包含有一个孔特征 。 但是 Ｓｌ ｗ ｒｓ０ ６系统 中生成 ｏｄ ｏｋ２０ ｉ 此零件的方法基本上有 以下三种 ：
圈 ３ 特征识别 系统结构示意圈
特征识别的方法整体 上可以分为两大类 ： 于边界匹配 的特征 基 识别方法 和基于体信息 的特征识别方法。
设计一实例 实现 了 特征信 息的提取。 关键词 ： 特征识 剐： 实体造 型： 息提取 信
知识图谱构建中的实体识别与关系抽取方法
知识图谱构建中的实体识别与关系抽取方法知识图谱是一种描述事物之间关系的结构化数据模型，它将实体以及它们之间的关系以图的形式进行表示和存储。
在构建知识图谱的过程中，实体识别和关系抽取是两个重要的任务，对于知识图谱的准确性和完整性具有至关重要的作用。
本文将介绍实体识别和关系抽取的一些常用方法和技术。
一、实体识别实体识别是指从文本中识别出具有特定含义的实体，如人名、地名、组织机构等。
实体识别一般包括命名实体识别和指代消解两个方面。
1. 命名实体识别（Named Entity Recognition, NER）：命名实体识别旨在从文本中识别出特定类型的命名实体，如人名、地名、组织机构等。
常用的方法包括规则方法、基于词典的方法和基于机器学习的方法。
规则方法根据事先定义的规则，通过正则表达式或模式匹配的方式进行识别。
基于词典的方法则通过构建实体词典，并利用词典进行匹配和查找。
而基于机器学习的方法则通过训练模型，提取文本中的特征，并进行分类来实现识别。
2. 指代消解（Coreference Resolution）：指代消解是指在文本中解决代词、名词短语等指代关系的问题。
常用的方法包括基于规则的方法和基于机器学习的方法。
基于规则的方法借助规则和语法知识进行指代关系的判断和消解。
而基于机器学习的方法则通过训练模型，将指代消解问题转化为分类问题，并利用特征提取和分类算法进行解决。
二、关系抽取关系抽取是指从文本中抽取实体之间的关系，如人与公司之间的就职关系、产品与厂商之间的生产关系等。
关系抽取一般包括两个主要步骤：实体识别和关系分类。
1. 实体识别：实体识别在关系抽取中起着重要的作用，它可以帮助识别出文本中的实体，并构建实体对。
常用的实体识别方法已在前文中介绍，可以借鉴相应的方法进行实体识别。
2. 关系分类：关系分类是指将实体对归类到预定义的关系类别中。
常用的方法包括基于规则的方法和基于机器学习的方法。
基于规则的方法根据事先定义的规则和关系模式，通过模式匹配的方式进行分类。
自然语言处理中的实体识别技术详解
自然语言处理中的实体识别技术详解自然语言处理（Natural Language Processing，NLP）是人工智能领域中一个重要的研究方向，旨在使计算机能够理解和处理人类语言。
实体识别（Named Entity Recognition，NER）是NLP中的一个关键任务，它的目标是从文本中识别和分类出具有特定意义的实体，如人名、地名、组织机构名等。
本文将详细介绍实体识别技术的原理和应用。
实体识别技术的基本原理是通过分析文本中的词语、语法和上下文等信息，识别出具有特定意义的实体。
这一过程通常包括以下几个步骤：分词、词性标注、句法分析和实体分类。
首先，将文本切分成一个个的词语，这个过程称为分词。
然后，为每个词语标注其词性，如名词、动词等，这个过程称为词性标注。
接下来，根据词语之间的语法关系，进行句法分析，以捕捉词语之间的依存关系。
最后，根据词语的上下文信息和已有的实体分类模型，对识别出的实体进行分类。
实体识别技术在自然语言处理中有着广泛的应用。
首先，实体识别是信息抽取、问答系统和机器翻译等任务的重要预处理步骤。
通过识别出文本中的实体，可以更好地理解文本的含义，从而提取出相关的信息。
其次，实体识别对于搜索引擎的优化也具有重要意义。
通过识别出搜索关键词中的实体，可以提高搜索引擎的准确性和效率。
此外，实体识别还可以应用于社交媒体分析、舆情监测等领域，帮助人们更好地理解社会和舆论动态。
实体识别技术的发展离不开大数据和深度学习的支持。
随着互联网的快速发展，越来越多的文本数据被产生和积累，这为实体识别提供了丰富的训练和测试数据。
深度学习作为一种强大的机器学习方法，通过构建深层神经网络模型，可以自动地从大规模数据中学习特征和模式。
在实体识别中，深度学习方法已经取得了显著的成果，如基于循环神经网络（Recurrent Neural Network，RNN）的模型和基于卷积神经网络（Convolutional Neural Network，CNN）的模型等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第39卷第2期 上海师范大学学报(自然科学版)Vol.39,No.2 2010年4月 Journal of Shanghai Nor mal University(Natural Sciences)Ap r.,2010基于实体模型的自动特征识别技术蔡丽安,徐 颖,张友梅(上海师范大学信息与机电工程学院,上海200234)摘 要:提出一种基于特征实体模型的自动特征识别方法,该方法依据特征实体造型的特点,从零件的设计特征入手,通过遍历零件的造型特征,获取零件模型上所有特征的几何关系及对应的特征参数、约束,实现形状特征的自动识别,为CAD/CAPP的集成提供支持.应用实例验证该方法具有较强的适用性.关键词:特征识别;实体模型;特征造型中图分类号:TP391 文献标识码:A 文章编号:100025137(2010)022*******0 引 言目前,先进制造技术正向制造柔性化、集成化和智能化方向发展,CAD/CAPP/CAM的全信息集成是产品开发与过程设计实现并行化、集成化的基本支持工具,也是实现C I M S的前提条件.但因为CAD 系统通常采用二维造型、实体模型或设计特征表示零件,而CAPP系统所需要的却是零件的加工特征,这就需要在CAD与CAPP之间建立智能接口,将CAD系统设计时产生的设计特征转换为能供CAPP系统使用的加工特征,因此特征识别技术一直是CAD/CAPP/CAM领域的研究热点.所谓特征识别就是从产品的实体模型出发自动识别出其中具有一定工程意义的几何形状,即特征,进而生成产品的特征模型方便后续的自动加工.特征识别的研究工作最早开始于1970年代的英国剑桥大学CAD中心,该中心的研究人员最早提出了基于边界表示的特征识别.此后,特征识别技术以及特征的概念受到了学术界以及工业界的普遍重视,研究工作广泛展开,取得了相当丰硕的研究成果.总结起来,可以将特征识别方法分为两大类,一类是边界匹配特征识别方法,包括规则法、图形法、痕迹法等;另一类是立体分解的特征识别方法,包括立体交替和分解法、单元体分解法等.这些特征识别方面大都从最底层的零件模型入手,从最基本的点、线、面开始识别,基于某种规则对拾取的点、线、面等几何特征要素进行组合匹配,构造特征几何实体、然后按预定义的特征对此特征实体进行比较、判定特征的类型,提取相应的特征参数.这对一些特征简单的模型是适用的,而对那些特征复杂,特别是有许多相交特征的零件,识别效率不是很理想[1,2].近年来,以特征设计(Design by feature)为基础的特征造型软件日益流行,它们所提供的特征造型方法为特征识别提供了新的思路[3].本文作者以特征造型为出发点,探讨基于特征实体模型的特征识别方法.该方法依据特征造型的特点,从单个造型特征入手进行特征识别,获取零件加工所需的几何形状信息和加工工艺信息.收稿日期:2009212228基金项目:上海师范大学一般科研基金项目(SK200868).作者简介:蔡丽安(1971-),女,上海师范大学信息与机电工程学院讲师,主要研究方向:机械设计及理论. 上海师范大学学报(自然科学版)2010年 1 特征识别及功能1.1 特征的概念特征是产品信息的集合,广义上特征是含有特定的设计和制造信息的集合,不仅具有按一定拓扑关系组成的特定形状.且反映特定的工程语义.具体地说,特征是一组相互关联的几何实体及其属性所构成的特定形状,并且具有一定的设计和制造含义.从功能上讲,特征应具备以下要素:具有在工程管理部门进行几何形状的构造、分类和传输的能力;具有建立和导出重要尺寸、公差和公共特征关系的能力;具有能表达面特征的能力;具有在特征间建立各种关系的能力;具有唯一的标识,并允许在特征层次上表示零件更改的能力;表达制造信息的能力等.特征兼有形状和功能两种属性,从它的名称和语义足以联想其特定几何形状、拓扑关系、典型功能、绘图表示方法、制造技术和公差要求.特征分类的主要目的在于对零件信息作进一步的抽象化和形式化,以便灵活、有效地组织和处理零件的有关信息,特征的分类方法很多,其严格依赖于特征定义,兼顾抽象、语义和形状因素.从特征语义方面将特征分为形状特征、精度特征、材料特征、技术特征、管理特征装配特征等.其中形状特征的分类具有严密的数学形式,对特征库具有指导意义[4].图1 特征识别系统结构1.2 特征识别原理特征识别就是从零件的实体模型出发,自动识别其中具有一定工程意义的几何形状,进而生成零件的特征模型.特征识别是对零件实体模型进行解释,从低层信息中抽取数据形成零件高层信息的过程.图1给出特征识别系统的结构.特征识别的基本原理是将实体模型中的实体与预定义的特征类进行比较,确定相匹配的特征实体,从而识别出相应的特征.特征识别过程一般有以下几个步骤[5]:(1)搜索产品几何数据库,匹配特征的几何/拓扑类型;(2)从数据库中提取已识别出的特征实体;(3)确定特征描述参数;(4)构造特征几何模型;(5)对能够合并成组合特征的基本特征进行组合,获取高级特征.1.3 特征识别系统总体功能特征识别系统总体功能结构如图2.整个系统包括CAD 建模模块、CAD /CAPP 过渡功能模块和CAPP 系统特征数据库[6].1.3.1 CAD 建模模块CAD 建模模块的基本功能是利用特征设计软件建立用户需要的零件模型,建模的方法和步骤相对独立,可参考相关的资料.1.3.2 CAD /CAPP 过渡功能模块CAD /CAPP 过渡功能模块的基本功能是使用程序接口调用特征设计软件中对应的AP I 函数,提取CAPP 系统所必需的零件信息.对于零件CAD 模型中已经存在的总体信息和特征几何信息可以通过对应的信息提取模块得到,对于在CAD 建模时无法定义的加工工艺信息,可以通过开发的加工工艺信息输入模块进行添加,同时将其存储在加工工艺数据表中,通过特征信息分类组合模块同该加工工艺信息所依附的几何特征相关联.261 第2期蔡丽安,徐 颖,张友梅:基于实体模型的自动特征识别技术图2 特征识别系统总体功能结构1.3.3 CAPP特征数据库CAPP特征数据库的基本功能是将分类组合后的零件特征信息和零件总体特征信息按一定的规则和关联关系加以存储,供CAPP专家系统利用.2 特征实体模型的特征识别2.1 特征造型的特点特征造型方法是将特征技术应用到几何造型中的一种方法.与前几代的几何造型方法相比有以下特点[6]:(1)在特征模型中,除去反映零件几何的形状特征之外,还定义了面向设计和制造的非几何信息,如材料信息、热处理和表面处理信息、零件尺寸公差、形状公差、表面粗糙度信息及加工时使用的机床、刀具、工艺等信息.特征本身作为相对独立的单元,具有较高的灵活性和可传输性,引人变量设计和参数设计之后,特征更显示出极好的柔性,特征可以满足CAD/CAPP/CAM一体化对零件模型功能极高的期望.(2)使产品设计工作在更高的层次上进行,设计人员的操作对象不再是原始的线条和体素,而是产品的功能要素,如定位孔、键槽等.特征的引用直接体现设计意图,使得建立的产品模型容易为别人理解和组织生产,设计的图样更容易修改设计人员可以将更多精力用在创造性构思上.(3)过去的CAD技术从二维绘图起步,经历了线框、曲面和实体造型发展阶段,都是着眼于完善产品的几何描述能力;而特征造型则是为更好表达产品的完整技术和生产管理信息,建立产品的集成信息模型服务,目的是用计算机可以理解和处理的统一产品模型,替代传统的产品设计和施工成套图纸以及技术文档,使得一个工程项目或机电产品的设计和生产准备等环节可以并行展开,信息流畅通.2.2 特征实体模型构造特征实体模型的生成分为2个过程:造型特征定义和实例化操作.造型特征定义就是增加造型特征,通过特征单元的组合操作和约束关系构造整个实体模型,这种层次模型构造特征通常采用CSG模式记录拓扑元素标志号的命名和继承.特征实例化一般以特征形体中的几何元素为基准元素,按特定的定位和定向方式构建形状特征模型,这需要以B2Rep模式实现.因此,特征实体模型一般采用混合CSG/ B2Rep模式来组织.该模型可分为3个层次:实体层、特征层和元素层,见图3.2.3 特征实体模型特征识别通常的特征识别方法采用“自下而上”的路线进行识别,即从模型的元素层着手,在零件模型空间上搜寻CSG树的叶节点———点、线、面等几何特征体素,然后按照一定的规则重新构造几何实体,对此361 上海师范大学学报(自然科学版)2010年 几何实体进行预定义匹配识别.这种方法存在相交特征识别以及对复杂零件特征识别等困难问题.为了解决这些问题,本文作者提出“自上而下”的思路,即从实体模型中的特征层入手,利用CSG 树的数据结构特点,首先对实体模型的CSG 树和B 2Rep 表示进行造型特征遍历,通过其独立的参数接口,得到实体模型造型特征树上所有特征的标志,以此标志为线索,读取对应于每个标志的特征信息,从而实现对实体模型的特征提取.具体实现算法如图4.图3 特征实体模型图4 实体模型特征提取算法3 应用实例本研究中采用的特征识别系统的特征造型CAD 支撑软件是Solid Works 2004.Solid Works 2004提供了多个AP I (Ap 2p licati on Pr ogra mm ing I nterface )函数来获取零件的造型特征信息[8],例如:s w Mode1::GetTitle 用于提取零件名称;s w Mode1::Get M assPr operties 用于提取零件重量;s w Mode1::Cust o m lnfo2用于提取零件毛坯类别;s w Mode1::Get B ox 可以获取零件在系统坐标系下x 、y 、z方向上的最大尺寸值.采用特征造型方法构建一个法兰盘造型(图5).造型时尽量采用多种方法以检验识别方法对各种造型特征识别的适应性.由图6可以看出,在原CAD 模型中,使用到的造型方法包括拉伸、切除、镜像以及圆角等,这些信息都是面向几何建模操作的操作,不是零件的加工特征.经过特征识别,系统将这些设计特征映射成相应的槽、孔、台阶、倒角等加工特征,并生成了描述依附关系的特征树才能供后续CAPP 系统使用.图7为识别后的特征树,图8为特征参数及约束.图5 法兰盘设计模型图6 法兰盘造型方法461 第2期蔡丽安,徐 颖,张友梅:基于实体模型的自动特征识别技术图7 法兰盘造型特征树图8 法兰盘特征参数及约束4 结 论基于特征实体模型提了一种特征识别方法,实现了零件加工特征的自动识别与信息提取,解决了CAD到CAPP系统的信息传递和转化,为企业零件库的建立提供了途径,也为CAD/CAPP系统集成提供了数据基础.实践证明,该种方法具有较强的通用性,能从根本上缩短产品的研制、开发周期,有较广阔的应用前景.参考文献:[1] 高曙明.自动特征识别技术综述[J].计算机学报,1998,21(3):281-288.[2] 柯常忠,曾霞.实体造型特征识别技术的研究[J].装备制造技术,2009,(1):7-11.[3] 王波,宋长新.自动特征识别的新方法[J].西安交通大学学报,2002,36(8):806-809.[4] 赵松,黄昕昕.特征造型理论和方法的分析与研究[J].哈尔滨师范大学自然科学学报,2003,19(5):37-40.[5] 邱彦东,王晶晶.基于SolidEdge的集成化C AD/C APP系统开发[J].模具技术,2005,(6):47-51.[6] 易荣庆,李文辉.基于自组织神经元网络的特征识别[J].吉林大学学报(工学版),2009,39(1):148-153.[7] 高曙明,何发智.异构C AD系统集成技术综述[J].计算机辅助设计与图形学学报,2009,21(5):562-568.[8] Solid works公司.Solid works AP I二次开发[M].北京:机械工业出版社,2005.Auto ma ti c fea ture recogn iti on ba sed on en tity m odelCA IL i2an,XU Ying,ZHANG You2mei(College of I nfor mati on,Mechanical and Electr onic Engineering,Shanghai Nor mal University,Shanghai200234,China)Abstract:I n this paper,a method of aut omatic characteristics recogniti on based on the feature of the entity model is p r oposed t o obtain all the features of the part model,such as:the geometric t opol ogy,the corres ponding characteristic para meters and con2 straints.It achieves the aut omatic recogniti on of the shape features and p r ovides support t o the CAD/C APP integrati on.The app li2 cati on exa mp le verifies that this method is app licability.Key words:aut omatic characteristics recogniti on;part model;shape feature(责任编辑:顾浩然)561。