一种基于卷积神经网络的飞机结构件设计方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及飞机设计技术领域，尤其涉及的是一种基于卷积神经网络的飞机结构件设计方法。背景技术：2.随着飞机先进制造技术的快速发展，对飞机结构件设计与制造提出了更高的要求。为了提升飞机的设计效率，节约经济成本，美国首先在飞机结构件设计领域中采用数字化技术，同时通过数字化技术对传统飞机结构件的设计过程进行修改和优化。飞机结构件正在逐步向零件结构整体化、大型化发展，复杂程度也越来越高，飞机结构件设计领域存在着设计效率低、设计建模过程繁琐复杂和知识利用率低等问题，这也成为实现飞机大型结构件智能制造道路上的重要障碍。3.现阶段的专利公开以及文献资料显示：1)专利(cn201911335707.7)基于图像的飞机结构件腹板加工区域自动构造方法,该方法适用于构造零件模型中包含碎面碎边、开闭角、夹紧凸台等各种复杂元素的飞机结构件腹板加工区域，但是没有实现飞机结构件的多种类构造，不能满足当前飞机结构件种类繁多，设计多样化的需求。2)专利(cn201510577537.9)飞机结构件特征点自动采集系统及其采集方法，该方法提供的飞机结构件特征点自动采集系统及采集方法在基准位置设置后就能够实现特征点的自动采集,解决了传统工人采集特征点误差大的问题，但是该方法仅能适用于特征点的采集，适用范围较窄，飞机结构件设计的知识利用率低。4.综上所述，现有的研究成果和方法虽然在一定的程度上可以实现复杂飞机结构件的智能设计，但是存在容错率较高、设计方法有限的问题，且飞机结构件的种类繁多，结构复杂，现有方法的设计知识利用率低、设计效率低，不能满足我国当前在飞机结构件设计领域的高效率、高设计质量和参数化设计的要求。技术实现要素：5.本发明所要解决的技术问题在于:基于设计人员或者系统的飞机结构件设计知识的利用率低、设计效率低的问题，本发明提出一种基于卷积神经网络的飞机结构件设计方法，该方法充分将卷积神经网络和飞机结构件设计相结合，由二维设计图可快速建立飞机结构件的三维参数化模型，缩短了飞机结构件设计周期和研发周期。6.本发明通过以下技术方案来实现上述目的：一种基于卷积神经网络的飞机结构件设计方法，其技术架构分为四个部分，即知识获取及构建模块、基于规则推理和特征信息集成模块、卷积神经网络模型训练模块、三维模型建立及存储系统模块，具体为：7.(1)知识获取及构建模块8.知识获取及构建模块是大量搜集不同飞机结构件的二维设计图纸，设计人员通过人机交互界面输入飞机结构件的特征点，把飞机结构件的特征参数描述出来搭建卷积神经网络模型。9.(2)基于规则推理和特征信息集成模块10.基于规则推理和特征信息集成模块是通过规则推理机进行推理分析，得到特征信息中特征点之间的相对空间位置信息和曲线信息。11.(3)卷积神经网络模型训练模块12.卷积神经网络模型训练模块是把特征点的相对空间位置信息和曲线信息作为数据集通过cnn卷积神经网络算法进行筛选并训练，检测关键点，实现飞机结构件的特征信息细化和典型化，将多层次特征信息进行连接，使卷积网络具有输入、输出对之间的映射能力，从而建立卷积神经网络模型的训练库。13.(4)三维模型建立及存储系统模块14.三维模型建立及存储系统模块是通过对卷积神经网络模型的训练库中的特征信息进行处理，通过opencv对节点中的重要部分检测，通过节点、曲线、构建要素、尺寸要素的信息模块进行处理，建立参数化三维模型，完成飞机结构件设计，并将此实例实时保存至知识-模型库，持续更新知识-模型库。15.进一步地，所述知识获取及构建模块中的飞机典型结构件二维设计图纸包括飞机结构件的主视图、俯视图、向视图、局部视图。16.进一步地，所述知识获取及构建模块中的特征点的确立原则应包括：1)每次特征点的选取可进行参数化设计；2)特征点的选取能够初步确定某种飞机结构件的类型。17.进一步地，所述基于规则推理和特征信息集成模块中相对空间位置信息为x，y，z的空间直角坐标系下的坐标值。18.进一步地，所述基于规则推理和特征信息集成模块中规则推理是包含飞机结构件特征相关的领域知识，具有if(条件)then(行为)结构，当规则的条件被满足时，触发规则，继而执行行为。19.进一步地，所述基于规则推理和特征信息集成模块中特征信息集成是指基于结构件设计要求通过规则库推理得到特征参数，然后对特征点的空间位置信息和曲线信息进行分析，初步确定结构件的特征参数，最后通过人工评价来优化、确定结构件最终参数方案。20.进一步地，所述卷积神经网络模型训练模块中的相对空间位置信息和曲线信息中都至少需要保留三个特征点。21.进一步地，所述卷积神经网络模型训练模块中的特征信息细化是通过cnn卷积网络结构中的池化层来实现的，即特征信息较多，有些信息对于构建三维化模型没有太多用途或者有重复，池化层进行采集特征，然后通过傅里叶变换后提取图像频域的特征进行稀疏处理，从而把冗余信息去除，把最重要的特征提取出来。22.进一步地，所述三维模型建立及存储系统模块中参数化模型是通过利用节点之间的空间相对位置约束和飞机结构件的特征信息，在人机交互系统中基于catia caa完成对飞机结构件的参数优化，形成三维模型。23.与现有技术相比，本发明具有以下有益效果：24.本发明基于卷积神经网络的飞机结构件设计方法通过二维设计图可快速建立飞机结构件的三维参数化模型，提高了飞机结构件设计知识的利用率，提高了设计效率，缩短了飞机结构件设计周期和研发周期。附图说明25.图1是本发明的运行流程图；26.图2是本发明的人机交互系统示意图；27.图3是本发明的特征信息集成流程图；28.图4是本发明中规则推理的规则库示意图；29.图5是本发明的特征信息集成示意图。具体实施方式30.下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本技术的一部分，用来对本发明作进一步解释，但并不构成对本发明的限定。31.本发明提供一种基于卷积神经网络的飞机结构件设计方法，包括以下步骤：32.(1)知识获取及构建是大量搜集不同飞机结构件的二维设计图纸，其中包括飞机结构件的主视图、俯视图、向视图、局部视图，然后设计人员通过人机交互界面输入飞机结构件的特征点，把飞机结构件的特征参数描述出来搭建卷积神经网络模型，人机交互系统如图2所示。33.(2)基于规则推理和特征信息集成是通过规则推理机进行推理分析，规则推理机具有if(条件)then(行为)结构，当规则的条件被满足时，触发规则，继而执行行为，进而得到特征信息中特征点之间的相对空间位置信息和曲线信息，规则库如图4所示。34.(3)卷积神经网络模型训练是把特征点的相对空间位置信息和曲线信息作为数据集通过cnn卷积网络结构进行筛选并训练，对关键点的检测，实现飞机结构件的特征信息细化和典型化，将多层次特征信息进行连接，使卷积网络具有输入、输出对之间的映射能力，从而建立卷积神经网络模型的训练库，特征信息集成步骤如图3所示。35.(4)三维模型建立及存储系统是通过对卷积神经网络模型的训练库中的特征信息进行处理，通过opencv对节点中的重要部分检测，通过节点、曲线、构建要素、尺寸要素的信息模块进行处理，利用节点之间的空间相对位置约束和飞机结构件的特征信息，在人机交互系统中基于catia caa完成对飞机结构件的参数优化，建立参数化三维模型，完成飞机结构件设计，并将此实例实时保存至知识-模型库，持续更新知识-模型库。36.综上，本发明将卷积神经网络和飞机结构件设计结合到一起进行产品设计，将二维图纸转化为三维参数化建模模型，极大提高了设计效率，并且设计知识的利用率得到了显著提高，能够缩短飞机结构件的研制周期。37.最后应说明的是：以上实施例仅用于说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换，而这些并未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!