基于深度学习的孔特征可制造性分析方法

张 航，张树生，杨 磊

基于深度学习的孔特征可制造性分析方法

张 航，张树生，杨 磊

(西北工业大学机电学院，陕西 西安 710072)

针对传统基于知识库及规则库的零件可制造性分析方法柔性差，以及现有基于深度学习的可制造性分析方法无法给出零件具体不可制造原因的现状，提出一种基于深度学习的零件可制造性分析方法。首先，通过数字化建模技术构建大量带有具体可制造性类别标签的三维CAD模型，并进行点云提取，从而构建深度学习所需数据集；然后，基于PointNet网络结构搭建面向孔特征可制造性分析的深度学习网络，并完成网络的调参及训练；之后通过与基于体素表示的三维卷积神经网络(3D-CNN)及已有方法进行对比，说明所搭建的点云深度学习网络具有更好的鲁棒性和较低的算法时间复杂度；最后通过一个实例零件对网络的实际性能进行检验，对孔特征进行可制造性分析，识别出不可制造的孔特征，并说明其原因。实验结果表明，该方法能够在保证较高识别准确率同时得出特征不可制造的具体原因，具有更大的使用价值。

可制造性分析；数字化建模；深度学习；孔特征；点云网络

目前，在产品开发中，设计和制造过程多是独立进行的。设计人员往往只考虑产品结构和功能，而忽略后续加工中可能出现的问题并未予以充分考虑，这可能导致零件无法在现有制造资源环境中加工出来。为了解决这个问题，在设计阶段对零件进行可制造性分析是十分必要的。可制造性分析是指在产品设计时就考虑与制造相关的因素，使设计人员在制造工艺和制造资源环境的约束下进行零件形状结构设计，同时基于制造约束进行一定的工艺信息分析和处理。另也是有效开展零件加工的前提，一个经过可制造性分析和优化的设计模型能够大大降低产品的制造成本及缩短研制周期。

目前广泛使用的可制造性分析系统主要基于知识库和规则库[1-6]，当要添加新的规则或对已有规则进行修改时就需修改程序，而采用基于深度学习的方法只需使用新的数据对已有模型进行重新训练即可发现新数据中隐含的可制造性知识，具有更强的柔性。进行可制造性分析的目的是为了发现和改正设计缺陷，并给出具体不可制造的原因以反馈给设计人员进行修改。因此，本文基于深度学习方法直接从已有数据中学习孔特征的可制造性知识，对孔特征的可制造性进行判断，并给出不可制造特征的具体原因，以便设计人员对模型进行修改。

1 相关研究现状

1.1 产品可制造性分析相关研究现状

目前，围绕产品可制造分析的问题，学者们从可制造性分析方法、系统设计以及知识管理等方面进行研究。如胡艳娟[7]提出了基于特征的汽车齿轮的可制造性评价方法，将特征建模和基于智能算法的优化技术纳入到可制造性评价体系中。陈垚[8]构建了典型宇航薄壁件产品的设计制造知识资源库，并提出了与DFM平台的协同调用策略。张军和邰艳芳[9]采用了面向制造特征的识别技术，设计几何拓扑模型建立制造特征模型，通过建立加工工艺性评价知识库、规则库，实现基于三维制造特征模型的加工工艺性分析。以往研究大多采用基于人为总结的知识库和规则库的方法，取得了不错的效果，且得到了广泛地应用。然而，基于规则库的特征可制造性分析方法存在柔性不足的缺点，于是有学者尝试将深度学习算法用于可制造性分析，以实现数据驱动的可制造性判断。

1.2 深度学习研究现状

三维模型较为复杂，当下无法直接进行三维物体的深度学习。因此，学者们提出了采用体素、点云等方法对三维模型进行表示，并使用深度学习的方法对其数据进行学习。如ZHANG等[10]使用基于体素数据的三维卷积神经网络(3D-convolutional neural networks，3D-CNN)对零件的制造特征进行识别。由于体素数据受分辨率的制约，表示三维物体不够精确且数据量过大，由于点云数据具有无序性，无法直接用于深度学习。针对该现状，CHARLES等[11]提出了直接对点云数据进行学习的PointNet网络，以解决物体分类、场景分割等任务。WANG等[12]提出将八叉树结构与深度学习结合得到基于八叉树法的卷积神经网络(octree-based CNN，O-CNN)，用其进行特征识别，可以减少网络训练数据量。在利用深度学习进行可制造性分析方面，BALU等[13]提出采用基于体素数据的3D-CNN对零件的可制造性进行分析。该方法采用体素对三维模型进行表示，并在体素数据中增加了反映体素到零件最近表面距离的正交距离场信息，最后使用这些数据对其搭建的3D-CNN进行训练。同时，GHADAI等[14]则提出在体素数据中增加体素的表面法线信息，并使用其数据对3D-CNN进行训练。这2种方法能够判断零件是否可制造，但无法判断其不可制造的原因。

综上，本文基于PointNet网络架构搭建面向孔特征可制造性分析的深度学习网络，充分利用深度学习算法自动学习特征可制造性规则的优势，在识别出不可制造零件的同时指出其不可制造的原因。

2 数据集的生成及点云网络搭建

2.1 孔特征的可制造性规则

影响孔的可制造性的因素很多，本文只考虑孔的结构工艺性方面的可制造性规则。文献[14]指出：对于盲孔，孔的深径比应小于5.0；对于通孔，应该小于10.0；对于靠近边缘的孔，孔到边缘的距离应大于孔的半径；对于盲孔，孔底的厚度应该大于孔的半径。

根据以上规则采用参数化建模技术生成一系列包含各类可制造性的孔特征的三维模型，形成可制造性分析数据集。

2.2 可制造性分析数据集生成

由于三维CAD模型大数据难以获取，因此本文采用参数化特征建模的方法，结合孔的可制造性规则，生成训练网络用的可制造性分析数据集。核心思想为使用CATIA在固定尺寸的立方体上随机添加孔特征，同时保证其只有一个孔。具体而言，首先使用CATIA创建一个带有孔特征的零件模版，并导出包含关键参数的设计表。然后，基于孔的可制造性规则随机生成模型的关键参数并写入设计表中。根据表中数据，使用CATIA二次开发相关接口生成对应的若干个零件模型。

为了更明确地对孔做出分类，生成的数据中每个孔至多包含一个不可制造的因素。然后，根据上述规则，使用CATIA二次开发相关接口生成三维CAD模型并传递其对应的标签。图1为不同可制造性类别的孔特征以及标签对应的One-Hot编码。本文采用上述方法共生成5 000个三维CAD模型，并随机选取4 000个模型作为深度学习的训练集，其余1 000个作为验证集。

图1 模型类别及标签((a)标签为00001，可制造；(b)标签为00010，盲孔深径比过大；(c)标签为00100, 通孔深径比过大；(d)标签为01000，孔边距过小；(e)标签为10000，盲孔孔底太薄)

2.3 模型点云数据提取与处理

点云是一组三维空间中点的集合。本文所有三维CAD模型均由CATIA生成，通过CATIA二次开发工具CAA中的相关接口对模型进行离散化处理，并通过采样的方法在每个零件上获取相同数目的点云。对每个三维CAD模型提取2 048个点，每个点仅包含坐标信息。所获取的点云数据需进行归一化处理，即将所有点的坐标值压缩到0~1之间。

2.4 面向孔特征可制造性分析的点云网络搭建

由于点云数据具有无序性及平移旋转不变性，因此无法直接用于深度学习。文献[11]提出的PointNet网络的核心就是解决这2个问题。首先，通过使用Max Pooling技术提取点云数据的全局特征以解决无序性的问题。Max Pooling从输入特征图中提取窗口，并输出每个窗口的最大值，其作用为：①对特征图进行下采样以缩小尺寸，从而减少参数数量；②进行特征提取。其次，PointNet网络通过将点云数据对齐来保证平移旋转不变性。对齐操作即通过训练一个数据变换网络(transformer network，T-Net)得到变换矩阵，并与输入数据相乘实现对输入数据的变换。因此，本文以PointNet网络为基本结构，对其进行修改以学习可制造性知识。面向孔特征可制造性分析的点云网络主要由T-Net和特征提取网络组成(图2)。2个数据变换网络的作用是分别将输入数据以及中间特征数据变换到适合网络学习的状态，特征提取网络的作用是对点云数据进行逐层特征提取。由若干个采用ReLU激活函数式(1)的2D卷积层和批规范化层组成。随后增加一个Spatial Dropout2D层[15]，并进行Max Pooling操作。最终输出层由4个全连接层，3个Dropout层和一个Flatten层组成。相比于PointNet，本文在特征提取网络中的2D卷积层后增加Spatial Dropout2D层以减少过拟合。通常在深度学习网络靠前的卷积层中，其特征图中相邻的像素是强相关的，而使用常规的Dropout技术将无法激活正则化，与其相比，本文中的Spatial Dropout2D层会随机丢弃整个2D的特征图而非丢弃单个元素。因此，Spatial Dropout2D层将有助于提高特征图之间的独立性，更适合于本文网络。同时为了提高识别精度，还加深了网络的深度，在网络最后增加一个全连接层，并采用归一化指数函数作为激活函数。式(2)为归一化指数函数(Softmax)，其可以将任意维实向量压缩到另一个维实向量()中，使得()中每一个元素均在0~1范围内，且所有元素和为1，其中z和()分别表示向量和向量()的第个元素，即

损失函数使用交叉熵损失函数，即

其中，y为指示变量，若预测类别和样本的实际类别相同，则为1，否则为0；为类别的数量；p为观测样本属于类别的概率。对网络参数的调整采用Adam优化器。将经过处理后得到的点云数据和所对应的标签一并输入到点云网络中，对网络进行训练。

图2 面向孔特征可制造性分析的点云网络结构图

Fig. 2 PointNet diagram for hole feature manufacturability analysis

3 实验结果与讨论

3.1 不同优化器学习率下点云网络的实验结果

深度学习网络具有一系列需要在实际训练过程中进行调整的超参数，如卷积核的尺寸、优化器学习率以及批样本数量等。本文仅给出学习率的调整过程，见表1。

对点云网络进行训练，通过调整优化器得到不同学习率的实验结果，并进行对比分析。本文将学习率分别设置为0.001 0，0.000 1和0.000 5，使用TesltaK80GPU(14 GB)进行实验。最终结果如图3所示，当学习率为0.000 1时，网络的收敛性和鲁棒性最好。不同学习率下的点云网络实验结果见表2。在实际应用中，需要网络具有较好的收敛性和鲁棒性。

表1 点云网络部分参数设置

3.2 对比实验

为了通过对比更好地验证点云网络的性能，还搭建了能够进行孔特征可制造性分析实验且效果较好的基于体素数据的3D-CNN，并使用同一数据集对其进行训练和验证。

图3 不同优化器学习率下的验证精度对比图

表2 不同优化器学习率下点云网络的实验结果

3.2.1 三维CAD模型体素化处理

体素化是指在3D光栅图形中，三维模型被分为多个均匀的单元体(也称体素)的过程。本文综合考虑精度及数据量大小，选取体素的分辨率为64×64×64。模型中的每个体素取值为0或1，位于模型内部的体素值为1，反之为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主要由多个三维卷积层和最大池化层构成(图4)。在该层之后增加批规范化层以减少过拟合。还需增加一个最大池化层，对特征图进行下采样以实现特征筛选及数据压缩。然后多次使用卷积层、批量标准化层以及最大池化层来组成特征提取网络。最终输出层使用卷积层代替传统的全连接层，该方法可以大量减少需要训练的参数。

图4 面向孔特征可制造性分析的3D-CNN结构图

3.2.3 实验结果对比

为了验证本文基于深度学习的孔特征可制造性分析方法的有效性，与文献[13]和文献[14]方法进行定量和定性的比较见表3。

表3 不同网络对比结果

由表3可知：

(1) 文献[13]和文献[14]对三维CAD模型均进行了体素化处理，并使用提取的体素化数据对其搭建的3D-CNN进行训练。其数据量远大于本文的点云网络训练所需数据量。

(2) 文献[13]与文献[14]中所采用的方法仅能判断孔特征是否可以制造，却无法得知其不可制造的原因。而本文2种方法均克服了该问题。

(3) 文献[13]和文献[14]方法的验证精度分别为84.5%和79.4%，均低于本文采用的2种方法。

基于点云数据的点云网络相比于本文采用的3D-CNN具有以下优势：

(1) 点云数据量远小于体素数据量，是体素数据量的2.3%；

(2) 三维卷积代价很高。本文对体素数据训练100次，耗时约7 000 s，而对点云数据训练200次，仅耗时6 000 s，点云数据的训练可节约大量时间；

(3) 对零件进行体素化处理，会导致大量的格栅处于空白状态(零件内部实为空白)，而网络对其进行卷积也难以提取到有用的信息。点云数据均提自零件表面，因而不存在该问题；

(4) 由于本文采用的孔特征形状较为简单，因此基于体素数据的3D-CNN对其进行可制造性分析的效果较好，验证精度可达94.5%。当零件的形状较为复杂时，体素数据将无法表示一些细节特征，只有对零件进行更高分辨率的体素化才能获得较好的结果，但此时体素数据量呈三次方增长。而点云数据量与零件的复杂度呈线性关系。若需要处理复杂的零件，训练所需点云数据量要远小于体素数据量。

3.2.4 网络预测结果可靠性评价

使用训练好的网络对一个新零件的可制造性进行分析时，会出现预测错误的情况，但无法判断是否预测错误。当不确定网络预测结果是否可靠时，需要结合其他方法对零件可制造性进行分析。为了确定是否需要采用其他方法判断零件的可制造性，本文提出一种新的网络性能评估指标——网络的“自负程度”。网络的自负程度指当网络预测得出的结果为错时，网络认为结果为正确的强烈程度。本文通过以下方法对网络的自负程度进行衡量。

提取网络预测错误的数据并进行分析。由于网络的最终输出层的激活函数为归一化指数函数，因此使用网络对数据进行预测，最终输出的是5个类所对应的概率，其中概率最大的类即为预测结果。分析方法为：在验证集的1 000个数据(图5)中，使用点云网络和3D-CNN判断错误的零件分别计为98个和51个。找出所有被判断错误的零件，并分别对这些零件所对应每个类别的预测概率进行观察。理论上，最大预测概率值越大，表明网络对预测结果越“自负”，此时，为了保险起见，需要结合其他方法对特征进行可制造性分析。对于点云网络和3D-CNN，当零件对应类别的最大预测概率超过95%时，其出错的概率分别为1.1%和2.9% (表4)，说明3D-CNN的“自负程度”较高。在实际应用中，由于设计人员无法判断网络预测结果是否正确，因此自负程度较高的网络会对特征可制造性分析起到反作用。对于一个新的零件，需通过观察网络预测结果中最大预测概率值来判断其结果是否可靠，若不可靠则需要采用传统方法对其进行可制造性分析。

图5 部分验证集数据

表4 点云网络和3D-CNN的预测错误零件数目分析表

4 结束语

本文提出通过对PointNet网络进行修改和改进，得到新的基于点云数据的点云网络，并进行可制造性分析。实验结果表明，经过训练的点云网络可以对实际零件中孔特征的可制造性进行准确分析，同时可有效地判断特征不可制造的原因。对本文的网络重新进行训练可以对其他类型的特征(槽、型腔等)进行可制造性分析。

但是，该方法只能对至多具有一个不可制造因素的、孤立的特征进行分析。目前，对具有多个特征的复杂零件进行可制造性分析存在以下问题：①零件中相邻或相交的特征之间会相互影响，因此在分析时需要综合考虑周围的其他特征；②零件中不同类型的特征具有不同的可制造性规则；③零件中可能存在同时具有多个不可制造因素的特征。上述问题均增加了特征可制造性分析的难度。对于前2个问题，首先需对零件中的特征进行识别，再根据识别结果对特征进行可制造性分析的方式来解决；同时，对本文采用的网络模型结构进行修改使其能够解决第3个问题。在后续研究中，将通过上述策略对本文所述的方法进行改进，使其具有更大的实际应用价值。

[1] 张聪聪, 张树生, 黄瑞, 等. 飞机结构件三维CAD模型缺陷识别方法[J]. 计算机集成制造系统, 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] 杨洪君, 宁汝新. 基于工艺知识库的面向制造设计系统的研究[J]. 机械设计与制造, 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. 面向制造的设计(DFM)方法及其关键技术的研究[D]. 上海: 上海交通大学, 1999. LI F. Research on manufacturing oriented design method and its key technology[D]. Shanghai: Shanghai Jiao Tong University, 1999 (in Chinese).

[4] 刘红军, 莫蓉, 范庆明, 等. 并行工程下基于特征的零件可制造性及其评价方法研究[J]. 计算机应用研究, 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, 姜晓平, 等. 基于三维几何模型的可制造性评价技术研究[J]. 计算机仿真, 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] 李纬宇. 基于零件制造成本的可制造性评价技术研究[D]. 北京: 北京理工大学, 2015. LI W Y. Research on manufacturability analysis based on part manufacturing cost[D]. Beijing: Beijing Institute of Technology, 2015 (in Chinese).

[7] 胡艳娟. 汽车齿轮的可制造性评价与制造资源优化技术研究[D]. 长春: 吉林大学, 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] 陈垚. 面向可制造的薄壁件产品设计方法及应用研究[D]. 西安: 西北工业大学, 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] 张军, 邰艳芳. 基于零件三维模型的可制造性分析技术研究[J]. 现代制造技术与装备, 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

国家自然科学基金项目(51875474)；装备预研领域基金项目(61409230102)

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

张 航(1998–)，男，陕西榆林人，硕士研究生。主要研究方向为数字化设计与制造。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

张树生(1956–)，男，山东东阿人，教授，博士。主要研究方向为CIMS、先进制造技术、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