实体造型中复杂特征的声明式定义与识别

Feature recognition is the key to the analyzing and manufacturing of the solid models. The research has always been driven by real industry demands. Traditional feature recognition approaches often need to develop specific algorithms for specific features. Thus, it is difficult to meet the needs in emerging industries of recognizing the increasingly complex and diverse features. In the previous work, we have developed a declarative feature definition language and achieved linear complexity feature recognition for the first time. The approach allows the users to define and identify common features efficiently, which has attracted interest from the industry. After an extensive investigation, we realized that the approach is limited to recognize common features and is insufficient to satisfy real industry demands. This proposal intends to extend the previous work, studying two kinds of typical complex feature recognition problems (complex structure feature and spatial feature) which could not be solved well using traditional approaches. It includes 1). Extended declarative language and grammatical framework for complex features. We will introduce recursion declaration to make a Turing complete feature language and define a complete predicate set to support spatial feature definition. 2). Automatic translate declarations to procedural algorithms, which provides a test bed for the following performance optimization. 3). Optimize the performance of complex feature recognition by comprehensively utilizing geometric parameters, element topology, medial axis, compiler optimization and so on. The project expects to achieve a relatively complete declarative feature definition language and innovate its scalability performance.

特征识别是有效利用实体模型信息的关键环节。相关研究历来为实际工业需求所驱动。传统特征识别方法往往需要对特定特征开发特定算法，已经难以满足新兴工业中日趋复杂和多样的特征识别的需要。在前期工作中，申请人提出了声明式特征定义语言并首次实现了线性复杂度的特征识别。该方法允许用户定义和快速识别常见特征，受到工业界的关注。申请人经过广泛调研，认识到原方法识别特征种类有限及定义相对复杂等不足。本申请拟扩展前期工作，研究两类经典方法尚未很好解决的复杂特征（复杂结构特征和空间特征）的识别问题。具体包括：1）. 复杂特征的声明式语言和语法框架。拟引入递归实现图灵完备的语言并定义完备谓词以支持空间特征定义。2）. 自动解析声明式定义为过则程式编码，为性能优化提供测试平台；3）. 综合运用几何参数、元素拓扑结构，中轴等信息并借鉴编译优化等实现复杂特征识别的性能优化。项目预期实现相对完备的声明式特征识别语言并对其性能优化进行创新。

该研究主要包括CAD模型优化处理和基于CAD模型的扩展应用两方面。其中针对CAD模型优化处理方面，基于特征模型的直接编辑任务所面临的自动更新问题的研究。直接建模技术发展迅速已经成为近些年CAD领域的研究亮点之一。直接建模技术融合传统特征建模和CSG建模的技术的优点，避免了参数化建模缺乏建模历史信息的约束，可以直接实现边界表达模型的直接编辑。这一优点能够大大提升实际的建模编辑的效率和灵活性。在该课题上与浙江大学高曙明教授合作研究，我们对直接建模技术进行问题定义、分析框架，并针对其中的核心模块（如边界变化检测，变动特征集合检测等）提出相应算法，相关算法在小批量测试集上取得了比较鲁棒的结果，目前正在进一步测试和分析，撰写相应英文论文。在复杂拓扑特征识别的研究方面，大量查阅关于声明式建模、递归表达、递归约束，动态特征理论，复杂网络等相关文献，已经搜集和创建了若干具体复杂特征的真实模型，针对实际需求，在复杂拓扑特征模型基础上进行分析，会进一步推进相关研究。在基于CAD模型优化处理的基础上，我们认识到CAD模型的特征识别和优化处理本质上是网络数据分析，而网络数据例如复杂网络、社交网络、随机网络是广泛存在于生产和生活中各个方面的，将CAD模型分析中的特征识别和模型优化应用于社交网络分析，具有广泛的应用前景。由于CAD模型分析自身就是计算科学与机械科学的交叉学科研究，它的意义在于能够将实际领域问题转换为可计算问题并利用高效的算法结构进行改进。在此方面，我们进行了一系列有意义的尝试。我们基于CAD模型分析所学习到的知识，探索了：如何使用基于人机交互的可视分析方法支撑金融网络中违约传播风险的探索；如何使用基于人机交互的可视分析方法支撑实现金融网络风险缓释辅助决策支持：如何使用深度神经网络实现金融网络中违约风险的量化评估等。截至目前共发表CCF-A论文2篇（分别为第一作者和通讯作者），SCI一区期刊3篇（分别为第一作者、共同一作、共同通讯作者），SCI二区期刊2篇（通讯作者、共同通讯作者）；申报发明专利2项。

内容获取失败，请点击重试