[发明专利]多内孔零件的基于神经网络的二维结构网格自动分解方法

权利要求书

1.多内孔零件的基于神经网络的二维结构网格自动分解方法，其特征在于：该方法具体如下：

步骤1、制作用于神经网络学习二维区域分解的样本集，具体如下：

1.1选取只有局部变动的10个以上多内孔零件，针对每个多内孔零件制作一个用于神经网络学习二维区域分解的训练样本数据；该训练样本数据的每个样本点包含的特征为标架向量、标架向量所在网格点的位置信息、标架向量所在网格点与最近边界的距离、标架向量所在网格点与最近奇异点的距离和标架向量标注信息；训练样本数据的制作过程为：

首先将多内孔零件离散为三角化网格并约束三角网格顶点数量在2020-2050个之间；然后，生成刻画多内孔零件区域内部结构的标架场，并基于该标架场生成适用于分块结构化四边形网格生成的区域分解数据，即由奇异线构成的奇异结构；接着，对位于三角化网格每一个网格点上的标架向量做出如下标注信息：对于位于奇异线流经的网格点上的标架向量，将与奇异线流向一致的标架向量标注为1、与奇异线流向不一致的标架向量标注为0；对于奇异线未流经的网格点上的标架向量则全标注为0；最后，确定各标架向量所在网格点的位置信息、各标架向量所在网格点与最近边界的距离和各标架向量所在网格点与最近奇异点的距离，从而得到每个样本点包含的特征，最终根据所有样本点得到训练样本数据；

1.2针对每一个多内孔零件的三角化网格进行网格变形操作，并对网格变形操作后的三角化网格也制作训练样本数据；

1.3将所有训练样本数据归入样本集；

步骤2：通过样本集中各网格点的位置信息以及各标架的标架向量标注信息训练神经网络模型，具体如下：

将多内孔零件样本集输入神经网络模型得到特征为二阶的张量T，张量T的第一阶表达网格点上标架向量标注为0的概率，第二阶表达网格点上标架向量标注为1的概率；张量T的第一阶索引为0，第二阶索引为1；然后，从多内孔零件样本集中随机选取80％的数据作为训练集，20％作为测试集，设置训练周期为200，在每次训练中计算张量T相对样本集中标注信息的损失量loss，再通过反向传播算法优化神经网络参数以降低loss；达到训练周期后便得到训练后的神经网络模型；其中，loss的计算过程如下：

loss＝0.5*loss₀+0.5*loss₁，

其中，loss₀通过交叉熵损失函数计算，loss₁通过Dice损失函数计算；

loss₀＝labels*-log(z)+(1-labels)*-log(1-z)，

其中，z＝sigmoid(T)，即z的值为对张量T使用Sigmoid激活函数后的结果，labels为样本集的标架向量标注信息，sum为对张量中各元素求和；

步骤3：对待划分结构网格的多内孔零件的预测样本数据进行神经网络预测，具体如下：

3.1对待划分结构网格的多内孔零件生成不含标架向量标注信息的预测样本数据，具体如下：将待划分结构网格的多内孔零件离散为三角化网格并约束三角网格顶点数量在2020-2050个之间；然后，生成刻画该多内孔零件区域内部结构的标架场；最后，得到预测样本数据，该预测样本数据的每个样本点包含的特征为标架向量、标架向量所在网格点的位置信息、标架向量所在网格点与最近边界的距离、标架向量所在网格点与最近奇异点的距离；

3.2将预测样本数据输入训练后的神经网络模型中，得到预测样本数据中每一个网格点处包含标架向量标注信息概率的二阶概率向量，该二阶概率向量中概率最大的元素的索引便是神经网络预测的标架向量标注信息；

步骤4：利用神经网络预测的标架向量标注信息对预测样本数据进行处理，得到最终的区域分解数据，具体如下：

4.1确定奇异点位置和奇异线初始流向；定义矢量场u(x，y)，其中(x，y)为网格点的二维坐标；给定待划分结构网格的多内孔零件的三角化网格网格点(x_p，y_p)，如果u(x_p，y_p)＝0，则该网格点为奇异点；之后根据奇异点的价计算从奇异点延伸的射线与奇异点所在网格的网格边相交的交点，将奇异点指向交点的向量作为奇异线的初始流向向量；

4.2寻找待划分结构网格的多内孔零件的三角化网格中组成奇异线的离散点，具体如下：

4.2.1令奇异线的上一个离散点p_i1-1指向当前离散点p_i1的向量为除离散点p₁的当前流向向量设为奇异线的初始流向向量外，其余离散点p_i1的当前流向向量即为离散点p_i1的标架向量；其中，当i1＝1时，离散点p₀为设定的一个虚点，离散点p₁即为奇异点，离散点p₀为满足以下条件的点：离散点p₀指向离散点p₁的向量为与奇异线初始流向向量共线的单位向量；将p_i1的m个最近邻域点按神经网络预测的标架向量标注信息分为n个标架向量标注为1的结果点集合和m-n个标架向量标注为0的非结果点集合然后，求得Pⁱ¹上的标架向量集合中每个元素与之间的最小角度和该元素与之间的最小角度之和P′ⁱ¹上的标架向量集合中每个元素与之间的最小角度和该元素与之间的最小角度之和接着，求得中的最小值θⁱ¹，以及中的最小值θ′ⁱ¹；若θⁱ¹＞θ′ⁱ¹且θⁱ¹＞35°，则将θ′ⁱ¹对应的非结果点集合中元素作为奇异线的下一个离散点，将作为下一个离散点的当前流向向量；否则选择θⁱ¹对应的结果点集合中元素作为奇异线的下一个离散点，将作为下一个离散点的当前流向向量；

4.2.2重复步骤4.2.1，直到确定出组成整条奇异线的所有离散点，从而得到整条奇异线；

4.3重复步骤4.1和4.2，得到所有奇异点位置以及所有奇异线；

4.4合并待划分结构网格的多内孔零件中重复的奇异线，合并完后对所有奇异线进行光顺处理得到奇异结构；奇异线S₀和奇异线S₁是否重复的判断准则如下：取奇异线S₀的离散点总数除以2向下取整后位置对应的离散点q_i2，在所有奇异线的离散点集合中提取q_i2的k′个最近邻域点的集合Q，k′＝15，若Q中存在离散点q′_j3，该q′_j3所在奇异线S₁的初始点是奇异线S₀的终止点，奇异线S₁的终止点是奇异线S₀的起始点，且则将S₀和S₁为重复的奇异线；其中，q′_j3-1为奇异线S₁上离散点q′_j3的前一个离散点，为q_i2所在网格的法向量，为q′_j3所在网格的法向量；

步骤5：在步骤4生成的奇异结构基础上，利用映射法生成待划分结构网格的多内孔零件的四边形网格。

2.根据权利要求1所述多内孔零件的基于神经网络的二维结构网格自动分解方法，其特征在于：所述神经网络模型包含的主要结构设计如下：

结构①：全局特征提取层；第1层全局特征提取层X¹由样本集通过卷积操作得到；l≥2时，第l层全局特征提取层由第l-1层特征张量通过卷积操作得到，卷积公式为X^l＝conv(F^l-1)，X^l表示第l层全局特征提取层的特征张量，conv()表示卷积操作，F^l-1表示第l-1层特征提取层的特征张量；

结构②：局部特征提取层；定义第i个样本点F′ⁱ的k个最近邻域点(与样本点F′ⁱ最近的k个样本点)的集合为k在20-30中取值；其中，i遍历样本集中所有网格点；令第1层的第j个局部特征为第l-1层的第j个局部特征为则第1层局部特征提取层的特征张量Y¹＝∑_1≤j≤kconv(F′ⁱ-F′_jⁱ)¹，l≥2时，第l层局部特征提取层的特征张量Y^l＝∑_1≤j≤kconv(F′ⁱ-F′_jⁱ)^l-1；

结构③：特征拼接层；该层拼接结构①中得到的全局特征X^l，l≥1和结构②中得到的局部特征Y^l，l≥1，得到F^l＝concat(X^l+Y^l)，其中concat()为特征拼接操作；

结构④：将结构①、结构②和结构③组合为一个特征组合层，共采用连续的三个特征组合层，并在三个特征组合层后接一个最大池化层以减少参数；然后，在最大池化层后依次接卷积层和Dropout操作层。