基于深度學習的孔特征可制造性分析方法

張 航，張樹生，楊 磊

基于深度學習的孔特征可制造性分析方法

張 航，張樹生，楊 磊

(西北工業大學機電學院，陜西 西安 710072)

針對傳統基于知識庫及規則庫的零件可制造性分析方法柔性差，以及現有基于深度學習的可制造性分析方法無法給出零件具體不可制造原因的現狀，提出一種基于深度學習的零件可制造性分析方法。首先，通過數字化建模技術構建大量帶有具體可制造性類別標簽的三維CAD模型，并進行點云提取，從而構建深度學習所需數據集；然后，基于PointNet網絡結構搭建面向孔特征可制造性分析的深度學習網絡，并完成網絡的調參及訓練；之后通過與基于體素表示的三維卷積神經網絡(3D-CNN)及已有方法進行對比，說明所搭建的點云深度學習網絡具有更好的魯棒性和較低的算法時間復雜度；最后通過一個實例零件對網絡的實際性能進行檢驗，對孔特征進行可制造性分析，識別出不可制造的孔特征，并說明其原因。實驗結果表明，該方法能夠在保證較高識別準確率同時得出特征不可制造的具體原因，具有更大的使用價值。

可制造性分析；數字化建模；深度學習；孔特征；點云網絡

目前，在產品開發中，設計和制造過程多是獨立進行的。設計人員往往只考慮產品結構和功能，而忽略后續加工中可能出現的問題并未予以充分考慮，這可能導致零件無法在現有制造資源環境中加工出來。為了解決這個問題，在設計階段對零件進行可制造性分析是十分必要的。可制造性分析是指在產品設計時就考慮與制造相關的因素，使設計人員在制造工藝和制造資源環境的約束下進行零件形狀結構設計，同時基于制造約束進行一定的工藝信息分析和處理。另也是有效開展零件加工的前提，一個經過可制造性分析和優化的設計模型能夠大大降低產品的制造成本及縮短研制周期。

目前廣泛使用的可制造性分析系統主要基于知識庫和規則庫[1-6]，當要添加新的規則或對已有規則進行修改時就需修改程序，而采用基于深度學習的方法只需使用新的數據對已有模型進行重新訓練即可發現新數據中隱含的可制造性知識，具有更強的柔性。進行可制造性分析的目的是為了發現和改正設計缺陷，并給出具體不可制造的原因以反饋給設計人員進行修改。因此，本文基于深度學習方法直接從已有數據中學習孔特征的可制造性知識，對孔特征的可制造性進行判斷，并給出不可制造特征的具體原因，以便設計人員對模型進行修改。

1 相關研究現狀

1.1 產品可制造性分析相關研究現狀

目前，圍繞產品可制造分析的問題，學者們從可制造性分析方法、系統設計以及知識管理等方面進行研究。如胡艷娟[7]提出了基于特征的汽車齒輪的可制造性評價方法，將特征建模和基于智能算法的優化技術納入到可制造性評價體系中。陳垚[8]構建了典型宇航薄壁件產品的設計制造知識資源庫，并提出了與DFM平臺的協同調用策略。張軍和邰艷芳[9]采用了面向制造特征的識別技術，設計幾何拓撲模型建立制造特征模型，通過建立加工工藝性評價知識庫、規則庫，實現基于三維制造特征模型的加工工藝性分析。以往研究大多采用基于人為總結的知識庫和規則庫的方法，取得了不錯的效果，且得到了廣泛地應用。然而，基于規則庫的特征可制造性分析方法存在柔性不足的缺點，于是有學者嘗試將深度學習算法用于可制造性分析，以實現數據驅動的可制造性判斷。

1.2 深度學習研究現狀

三維模型較為復雜，當下無法直接進行三維物體的深度學習。因此，學者們提出了采用體素、點云等方法對三維模型進行表示，并使用深度學習的方法對其數據進行學習。如ZHANG等[10]使用基于體素數據的三維卷積神經網絡(3D-convolutional neural networks，3D-CNN)對零件的制造特征進行識別。由于體素數據受分辨率的制約，表示三維物體不夠精確且數據量過大，由于點云數據具有無序性，無法直接用于深度學習。針對該現狀，CHARLES等[11]提出了直接對點云數據進行學習的PointNet網絡，以解決物體分類、場景分割等任務。WANG等[12]提出將八叉樹結構與深度學習結合得到基于八叉樹法的卷積神經網絡(octree-based CNN，O-CNN)，用其進行特征識別，可以減少網絡訓練數據量。在利用深度學習進行可制造性分析方面，BALU等[13]提出采用基于體素數據的3D-CNN對零件的可制造性進行分析。該方法采用體素對三維模型進行表示，并在體素數據中增加了反映體素到零件最近表面距離的正交距離場信息，最后使用這些數據對其搭建的3D-CNN進行訓練。同時，GHADAI等[14]則提出在體素數據中增加體素的表面法線信息，并使用其數據對3D-CNN進行訓練。這2種方法能夠判斷零件是否可制造，但無法判斷其不可制造的原因。

綜上，本文基于PointNet網絡架構搭建面向孔特征可制造性分析的深度學習網絡，充分利用深度學習算法自動學習特征可制造性規則的優勢，在識別出不可制造零件的同時指出其不可制造的原因。

2 數據集的生成及點云網絡搭建

2.1 孔特征的可制造性規則

影響孔的可制造性的因素很多，本文只考慮孔的結構工藝性方面的可制造性規則。文獻[14]指出：對于盲孔，孔的深徑比應小于5.0；對于通孔，應該小于10.0；對于靠近邊緣的孔，孔到邊緣的距離應大于孔的半徑；對于盲孔，孔底的厚度應該大于孔的半徑。

根據以上規則采用參數化建模技術生成一系列包含各類可制造性的孔特征的三維模型，形成可制造性分析數據集。

2.2 可制造性分析數據集生成

由于三維CAD模型大數據難以獲取，因此本文采用參數化特征建模的方法，結合孔的可制造性規則，生成訓練網絡用的可制造性分析數據集。核心思想為使用CATIA在固定尺寸的立方體上隨機添加孔特征，同時保證其只有一個孔。具體而言，首先使用CATIA創建一個帶有孔特征的零件模版，并導出包含關鍵參數的設計表。然后，基于孔的可制造性規則隨機生成模型的關鍵參數并寫入設計表中。根據表中數據，使用CATIA二次開發相關接口生成對應的若干個零件模型。

為了更明確地對孔做出分類，生成的數據中每個孔至多包含一個不可制造的因素。然后，根據上述規則，使用CATIA二次開發相關接口生成三維CAD模型并傳遞其對應的標簽。圖1為不同可制造性類別的孔特征以及標簽對應的One-Hot編碼。本文采用上述方法共生成5 000個三維CAD模型，并隨機選取4 000個模型作為深度學習的訓練集，其余1 000個作為驗證集。

圖1 模型類別及標簽((a)標簽為00001，可制造；(b)標簽為00010，盲孔深徑比過大；(c)標簽為00100, 通孔深徑比過大；(d)標簽為01000，孔邊距過小；(e)標簽為10000，盲孔孔底太薄)

2.3 模型點云數據提取與處理

點云是一組三維空間中點的集合。本文所有三維CAD模型均由CATIA生成，通過CATIA二次開發工具CAA中的相關接口對模型進行離散化處理，并通過采樣的方法在每個零件上獲取相同數目的點云。對每個三維CAD模型提取2 048個點，每個點僅包含坐標信息。所獲取的點云數據需進行歸一化處理，即將所有點的坐標值壓縮到0~1之間。

2.4 面向孔特征可制造性分析的點云網絡搭建

由于點云數據具有無序性及平移旋轉不變性，因此無法直接用于深度學習。文獻[11]提出的PointNet網絡的核心就是解決這2個問題。首先，通過使用Max Pooling技術提取點云數據的全局特征以解決無序性的問題。Max Pooling從輸入特征圖中提取窗口，并輸出每個窗口的最大值，其作用為：①對特征圖進行下采樣以縮小尺寸，從而減少參數數量；②進行特征提取。其次，PointNet網絡通過將點云數據對齊來保證平移旋轉不變性。對齊操作即通過訓練一個數據變換網絡(transformer network，T-Net)得到變換矩陣，并與輸入數據相乘實現對輸入數據的變換。因此，本文以PointNet網絡為基本結構，對其進行修改以學習可制造性知識。面向孔特征可制造性分析的點云網絡主要由T-Net和特征提取網絡組成(圖2)。2個數據變換網絡的作用是分別將輸入數據以及中間特征數據變換到適合網絡學習的狀態，特征提取網絡的作用是對點云數據進行逐層特征提取。由若干個采用ReLU激活函數式(1)的2D卷積層和批規范化層組成。隨后增加一個Spatial Dropout2D層[15]，并進行Max Pooling操作。最終輸出層由4個全連接層，3個Dropout層和一個Flatten層組成。相比于PointNet，本文在特征提取網絡中的2D卷積層后增加Spatial Dropout2D層以減少過擬合。通常在深度學習網絡靠前的卷積層中，其特征圖中相鄰的像素是強相關的，而使用常規的Dropout技術將無法激活正則化，與其相比，本文中的Spatial Dropout2D層會隨機丟棄整個2D的特征圖而非丟棄單個元素。因此，Spatial Dropout2D層將有助于提高特征圖之間的獨立性，更適合于本文網絡。同時為了提高識別精度，還加深了網絡的深度，在網絡最后增加一個全連接層，并采用歸一化指數函數作為激活函數。式(2)為歸一化指數函數(Softmax)，其可以將任意維實向量壓縮到另一個維實向量()中，使得()中每一個元素均在0~1范圍內，且所有元素和為1，其中z和()分別表示向量和向量()的第個元素，即

損失函數使用交叉熵損失函數，即

其中，y為指示變量，若預測類別和樣本的實際類別相同，則為1，否則為0；為類別的數量；p為觀測樣本屬于類別的概率。對網絡參數的調整采用Adam優化器。將經過處理后得到的點云數據和所對應的標簽一并輸入到點云網絡中，對網絡進行訓練。

圖2 面向孔特征可制造性分析的點云網絡結構圖

Fig. 2 PointNet diagram for hole feature manufacturability analysis

3 實驗結果與討論

3.1 不同優化器學習率下點云網絡的實驗結果

深度學習網絡具有一系列需要在實際訓練過程中進行調整的超參數，如卷積核的尺寸、優化器學習率以及批樣本數量等。本文僅給出學習率的調整過程，見表1。

對點云網絡進行訓練，通過調整優化器得到不同學習率的實驗結果，并進行對比分析。本文將學習率分別設置為0.001 0，0.000 1和0.000 5，使用TesltaK80GPU(14 GB)進行實驗。最終結果如圖3所示，當學習率為0.000 1時，網絡的收斂性和魯棒性最好。不同學習率下的點云網絡實驗結果見表2。在實際應用中，需要網絡具有較好的收斂性和魯棒性。

表1 點云網絡部分參數設置

3.2 對比實驗

為了通過對比更好地驗證點云網絡的性能，還搭建了能夠進行孔特征可制造性分析實驗且效果較好的基于體素數據的3D-CNN，并使用同一數據集對其進行訓練和驗證。

圖3 不同優化器學習率下的驗證精度對比圖

表2 不同優化器學習率下點云網絡的實驗結果

3.2.1 三維CAD模型體素化處理

體素化是指在3D光柵圖形中，三維模型被分為多個均勻的單元體(也稱體素)的過程。本文綜合考慮精度及數據量大小，選取體素的分辨率為64×64×64。模型中的每個體素取值為0或1，位于模型內部的體素值為1，反之為0。

3.2.2 面向孔特征可制造性分析3D-CNN搭建

面向孔特征可制造性分析3D-CNN主要由多個三維卷積層和最大池化層構成(圖4)。在該層之后增加批規范化層以減少過擬合。還需增加一個最大池化層，對特征圖進行下采樣以實現特征篩選及數據壓縮。然后多次使用卷積層、批量標準化層以及最大池化層來組成特征提取網絡。最終輸出層使用卷積層代替傳統的全連接層，該方法可以大量減少需要訓練的參數。

圖4 面向孔特征可制造性分析的3D-CNN結構圖

3.2.3 實驗結果對比

為了驗證本文基于深度學習的孔特征可制造性分析方法的有效性，與文獻[13]和文獻[14]方法進行定量和定性的比較見表3。

表3 不同網絡對比結果

由表3可知：

(1) 文獻[13]和文獻[14]對三維CAD模型均進行了體素化處理，并使用提取的體素化數據對其搭建的3D-CNN進行訓練。其數據量遠大于本文的點云網絡訓練所需數據量。

(2) 文獻[13]與文獻[14]中所采用的方法僅能判斷孔特征是否可以制造，卻無法得知其不可制造的原因。而本文2種方法均克服了該問題。

(3) 文獻[13]和文獻[14]方法的驗證精度分別為84.5%和79.4%，均低于本文采用的2種方法。

基于點云數據的點云網絡相比于本文采用的3D-CNN具有以下優勢：

(1) 點云數據量遠小于體素數據量，是體素數據量的2.3%；

(2) 三維卷積代價很高。本文對體素數據訓練100次，耗時約7 000 s，而對點云數據訓練200次，僅耗時6 000 s，點云數據的訓練可節約大量時間；

(3) 對零件進行體素化處理，會導致大量的格柵處于空白狀態(零件內部實為空白)，而網絡對其進行卷積也難以提取到有用的信息。點云數據均提自零件表面，因而不存在該問題；

(4) 由于本文采用的孔特征形狀較為簡單，因此基于體素數據的3D-CNN對其進行可制造性分析的效果較好，驗證精度可達94.5%。當零件的形狀較為復雜時，體素數據將無法表示一些細節特征，只有對零件進行更高分辨率的體素化才能獲得較好的結果，但此時體素數據量呈三次方增長。而點云數據量與零件的復雜度呈線性關系。若需要處理復雜的零件，訓練所需點云數據量要遠小于體素數據量。

3.2.4 網絡預測結果可靠性評價

使用訓練好的網絡對一個新零件的可制造性進行分析時，會出現預測錯誤的情況，但無法判斷是否預測錯誤。當不確定網絡預測結果是否可靠時，需要結合其他方法對零件可制造性進行分析。為了確定是否需要采用其他方法判斷零件的可制造性，本文提出一種新的網絡性能評估指標——網絡的“自負程度”。網絡的自負程度指當網絡預測得出的結果為錯時，網絡認為結果為正確的強烈程度。本文通過以下方法對網絡的自負程度進行衡量。

提取網絡預測錯誤的數據并進行分析。由于網絡的最終輸出層的激活函數為歸一化指數函數，因此使用網絡對數據進行預測，最終輸出的是5個類所對應的概率，其中概率最大的類即為預測結果。分析方法為：在驗證集的1 000個數據(圖5)中，使用點云網絡和3D-CNN判斷錯誤的零件分別計為98個和51個。找出所有被判斷錯誤的零件，并分別對這些零件所對應每個類別的預測概率進行觀察。理論上，最大預測概率值越大，表明網絡對預測結果越“自負”，此時，為了保險起見，需要結合其他方法對特征進行可制造性分析。對于點云網絡和3D-CNN，當零件對應類別的最大預測概率超過95%時，其出錯的概率分別為1.1%和2.9% (表4)，說明3D-CNN的“自負程度”較高。在實際應用中，由于設計人員無法判斷網絡預測結果是否正確，因此自負程度較高的網絡會對特征可制造性分析起到反作用。對于一個新的零件，需通過觀察網絡預測結果中最大預測概率值來判斷其結果是否可靠，若不可靠則需要采用傳統方法對其進行可制造性分析。

圖5 部分驗證集數據

表4 點云網絡和3D-CNN的預測錯誤零件數目分析表

4 結束語

本文提出通過對PointNet網絡進行修改和改進，得到新的基于點云數據的點云網絡，并進行可制造性分析。實驗結果表明，經過訓練的點云網絡可以對實際零件中孔特征的可制造性進行準確分析，同時可有效地判斷特征不可制造的原因。對本文的網絡重新進行訓練可以對其他類型的特征(槽、型腔等)進行可制造性分析。

但是，該方法只能對至多具有一個不可制造因素的、孤立的特征進行分析。目前，對具有多個特征的復雜零件進行可制造性分析存在以下問題：①零件中相鄰或相交的特征之間會相互影響，因此在分析時需要綜合考慮周圍的其他特征；②零件中不同類型的特征具有不同的可制造性規則；③零件中可能存在同時具有多個不可制造因素的特征。上述問題均增加了特征可制造性分析的難度。對于前2個問題，首先需對零件中的特征進行識別，再根據識別結果對特征進行可制造性分析的方式來解決；同時，對本文采用的網絡模型結構進行修改使其能夠解決第3個問題。在后續研究中，將通過上述策略對本文所述的方法進行改進，使其具有更大的實際應用價值。

[1] 張聰聰, 張樹生, 黃瑞, 等. 飛機結構件三維CAD模型缺陷識別方法[J]. 計算機集成制造系統, 2014, 20(9): 2099-2106. ZHANG C C, ZHANG S S, HUANG R, et al. Detecting defects method of 3D aircraft-structure model[J]. Computer Integrated Manufacturing Systems, 2014, 20(9): 2099-2106 (in Chinese).

[2] 楊洪君, 寧汝新. 基于工藝知識庫的面向制造設計系統的研究[J]. 機械設計與制造, 2006(2): 110-112. YANG H J, NING R X. Research on process knowledge-base DFM system[J]. Machinery Design & Manufacture, 2006(2): 110-112 (in Chinese).

[3] 李峰. 面向制造的設計(DFM)方法及其關鍵技術的研究[D]. 上海: 上海交通大學, 1999. LI F. Research on manufacturing oriented design method and its key technology[D]. Shanghai: Shanghai Jiao Tong University, 1999 (in Chinese).

[4] 劉紅軍, 莫蓉, 范慶明, 等. 并行工程下基于特征的零件可制造性及其評價方法研究[J]. 計算機應用研究, 2009, 26(3): 980-983. LIU H J, MO R, FAN Q M, et al. Research of manufacturability and evaluation methods of parts based on feature under concurrent engineering environment[J]. Application Research of Computers, 2009, 26(3): 980-983 (in Chinese).

[5] 戴忠, 金亮, 姜曉平, 等. 基于三維幾何模型的可制造性評價技術研究[J]. 計算機仿真, 2019, 36(4): 137-141.DAI Z, JIN L, JIANG X P, et al. 3-D Geometric model-based manufacturability evaluation study[J]. Computer Simulation, 2019, 36(4): 137-141 (in Chinese).

[6] 李緯宇. 基于零件制造成本的可制造性評價技術研究[D]. 北京: 北京理工大學, 2015. LI W Y. Research on manufacturability analysis based on part manufacturing cost[D]. Beijing: Beijing Institute of Technology, 2015 (in Chinese).

[7] 胡艷娟. 汽車齒輪的可制造性評價與制造資源優化技術研究[D]. 長春: 吉林大學, 2011. HU Y J. Study on the technology of manufacturability evaluation and manufacturing resources optimization for automobile gears[D]. Changchun: Jilin University, 2011 (in Chinese).

[8] 陳垚. 面向可制造的薄壁件產品設計方法及應用研究[D]. 西安: 西北工業大學, 2015. CHEN Y. Research on product design method and application of thin--wall parts for manufacturability[D]. Xi’an: Northwestern Polytechnical University, 2015 (in Chinese).

[9] 張軍, 邰艷芳. 基于零件三維模型的可制造性分析技術研究[J]. 現代制造技術與裝備, 2018(1): 23-25. ZHANG J, TAI Y F. Research on manufacturability evaluation based on three-dimensional model of part[J].Modern Manufacturing Technology and Equipment, 2018(1): 23-25 (in Chinese).

[10] ZHANG Z B, JAISWAL P, RAI R. FeatureNet: machining feature recognition based on 3D convolution neural network[J]. Computer-Aided Design, 2018, 101: 12-22.

[11] CHARLES R Q, SU H, MO K, et al. PointNet: deep learning on point sets for 3D classification and segmentation[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2017: 77-85.

[12] WANG P S, LIU Y, GUO Y X, et al. O-CNN: octree-based convolutional neural networks for 3D shape analysis[J]. ACM Transactions on Graphics, 2017, 36(4): 72.

[13] BALU A, GHADAI S, YOUNG G, et al. A machine-learning framework for design for manufacturability[EB/OL]. (2017-03-15) [2019-12-22]. https://arxiv.org/abs/1703.01499.

[14] GHADAI S, BALU A, SARKAR S, et al. Learning localized features in 3D CAD models for manufacturability analysis of drilled holes[J]. Computer Aided Geometric Design, 2018, 62: 263-275.

[15] TOMPSON J, GOROSHIN R, JAIN A, et al. Efficient object localization using convolutional networks[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2015: 648-656.

Deep learning based manufacturability analysis approach for hole features

ZHANG Hang, ZHANG Shu-sheng, YANG Lei

(School of Mechanical Engineering, Northwestern Polytechnical University, Xi’an Shaanxi 710072, China)

In view of the current situation that the traditional methods of manufacturability analysis based on knowledge and rules are not flexible and the existing methods of manufacturability analysis based on deep learning are unable to give the specific reasons for the non-manufacturability of parts, a method of manufacturability analysis based on deep learning was proposed. Firstly, a large number of CAD models with manufacturability category labels were constructed through digital modeling technology, and the point cloud was extracted to build the data set needed for deep learning. Then, based on the PointNet network, a deep learning network for hole feature manufacturability analysis was built, and the network training and parameter adjusting process were completed. Then, compared with the 3D-convolutional neural networks (3D-CNN), the deep learning network constructed in this paper exhibits better robustness and lower time complexity. Finally, the manufacturability analysis of hole feature in a sample part was carried out to identify the non-manufacturable hole feature, and the reason of non-manufacturability was explained. The experimental results show that the method can not only ensure high recognition accuracy, but also identify the reason why the feature cannot be manufactured, which is of greater application value.

manufacturability analysis; digitization modeling; deep learning; hole features; PointNet

TP 391

10.11996/JG.j.2095-302X.2021010117

A

2095-302X(2021)01-0117-07

2020-08-03；

3 August，2020；

2020-08-13

13 August，2020

國家自然科學基金項目(51875474)；裝備預研領域基金項目(61409230102)

：National Natural Science Foundation of China (51875474); Equipment Pre-Research Fund (61409230102)

張 航(1998–)，男，陜西榆林人，碩士研究生。主要研究方向為數字化設計與制造。E-mail：2015301048@mail.nwpu.edu.cn

ZHANG Hang(1998–), male, master student. His main research interests cover digital design and manufacturing. E-mail：2015301048@mail.nwpu.edu.cn

張樹生(1956–)，男，山東東阿人，教授，博士。主要研究方向為CIMS、先進制造技術、CAGD&CG等。E-mail：zssnet@nwpu.edu.cn

ZHANG Shu-sheng (1956–), male, professor, Ph.D. His main research interests cover CIMS, advanced manufacturing technology, CAGD&CG, etc. E-mail：zssnet@nwpu.edu.cn