ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ

Формальная проверка комплектов технологических баз по STEP-модели на основе матрицы геометрических связей

Авторы

  • Марина Олеговна Журавлева https://orcid.org/0009-0001-9282-2807 МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Андрей Дмитриевич Назаров МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Иван Вениаминович Григорьев МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78

Как цитировать

ГОСТ Журавлева М. О., Назаров А. Д., Григорьев И. В. Формальная проверка комплектов технологических баз по STEP-модели на основе матрицы геометрических связей // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 10. С. 140-151. DOI: 10.25726/p4303-1009-1079-y
APA Журавлева, М. О., Назаров, А. Д. & Григорьев, И. В. (2026). Формальная проверка комплектов технологических баз по STEP-модели на основе матрицы геометрических связей. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(10), 140-151. https://doi.org/10.25726/p4303-1009-1079-y

Аннотация

Цель работы – формализовать проверку комплектов технологических баз по граничному представлению (B-Rep) STEP-модели и отделить кинематическую допустимость комплекта от статистического ранжирования граней. Решались три задачи: перевод положений ГОСТ 21495-76 в проверяемые программные правила; построение матрицы геометрических связей, в которой опорной точке соответствует строка [n, r × n], ранг задает число исключенных степеней свободы, а ядро – сохраненные движения; оценка воспроизводимости экспертной разметки. На 48 синтетических STEP-моделях восьми семейств требуемый ранг получен для 54 из 54 эталонных комплектов, все 48 негативных комплектов отклонены с заданным статусом. В перекрестной проверке с исключением семейства macro F1 составил 0,333 для геометрических правил, 0,416 для многослойного перцептрона и 0,465 для гибридного режима. Два инженера-технолога независимо разметили 200 граней шести внешних моделей, второй – вслепую; совпали все 200 меток (κ Коэна = 1,000) и 6 из 6 комплектов. Пилотный классификатор на экспертных метках верно определил 7 из 11 граней контрольной детали. Метод применим для предварительной проверки схем базирования при проектировании технологических процессов: протокол указывает число независимых связей, свободные движения и пункт стандарта, на котором основано решение.

Ключевые слова

технологические базы базирование ГОСТ 21495-76 STEP-модель матрица геометрических связей степени свободы экспертная разметка машинное обучение

Финансирование

Авторы не заявили о внешнем финансировании исследования.

Библиографические ссылки

Базров Б.М., Гайнутдинов Т.М. Определение минимального числа технологических баз детали // Вестник машиностроения. 2020. № 9. С. 73-75.

ГОСТ 21495-76. Базирование и базы в машиностроении. Термины и определения. Введ. 1977-01-01. Москва: Изд-во стандартов, 1990. 35 с.

Cao W., Robinson T., Hua Y., Boussuge F., Colligan A.R., Pan W. Graph representation of 3D CAD models for machining feature recognition with deep learning // Proceedings of the ASME 2020 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. 2020. Vol. 11A. Art. V11AT11A003.

Colligan A.R., Robinson T.T., Nolan D.C., Hua Y., Cao W. Hierarchical CADNet: learning from B-Reps for machining feature recognition // Computer-Aided Design. 2022. Vol. 147. Art. 103226.

Ding D., Liu Y.H., Wang M.Y., Wang S. Automatic selection of fixturing surfaces and fixturing points for polyhedral workpieces // IEEE Transactions on Robotics and Automation. 2001. Vol. 17. № 6. pp. 833-841.

Fu X., Peddireddy D., Zhou F., Xi Y., Aggarwal V., Li X., Jun M.B.-G. Boundary representation compatible feature recognition for manufacturing CAD models // Manufacturing Letters. 2023. Vol. 35. Suppl. pp. 895-903.

Jayaraman P.K., Sanghi A., Lambourne J.G., Willis K.D.D., Davies T., Shayani H., Morris N. UV-Net: learning from boundary representations // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. pp. 11703-11712.

Koch S., Matveev A., Jiang Z., Williams F., Artemov A., Burnaev E., Alexa M., Zorin D., Panozzo D. ABC: a big CAD model dataset for geometric deep learning // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. pp. 9601-9611.

Lambourne J.G., Willis K.D.D., Jayaraman P.K., Sanghi A., Meltzer P., Shayani H. BRepNet: a topological message passing system for solid models // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. pp. 12773-12782.

Lee J., Yeo C., Cheon S.-U., Park J.H., Mun D. BRepGAT: graph neural network to segment machining feature faces in a B-rep model // Journal of Computational Design and Engineering. 2023. Vol. 10. № 6. pp. 2384-2400.

Liu X., Yang H., Wang Y., Qiu L., Zhang S., Tan J. A workpiece setup optimization method for 5-axis machining with motion coherence and stiffness enhancement // Precision Engineering. 2024. Vol. 88. pp. 867-883.

Mei J., Hong-C.Z., Oldham W.J.B. A neural network approach for datum selection in computer-aided process planning // Computers in Industry. 1995. Vol. 27. № 1. pp. 53-64.

Samsonov V., Chrismarie E., Köpken H.-G., Bär S., Lütticke D., Meisen T. Deep representation learning and reinforcement learning for workpiece setup optimization in CNC milling // Production Engineering. 2023. Vol. 17. № 6. pp. 847-859.

Wakhare M., Šormaz D.N., Fuloria M. Artificial intelligence-based setup planning expert system for 3-axis and 4-axis machining for Industry 4.0 // The International Journal of Advanced Manufacturing Technology. 2026. Vol. 144. № 9-10. pp. 7461-7486.

Wu H., Lei R., Peng Y., Gao L. AAGNet: a graph neural network towards multi-task machining feature recognition // Robotics and Computer-Integrated Manufacturing. 2024. Vol. 86. Art. 102661.

Xia M., Zhao X., Hu X. Machining feature and topological relationship recognition based on a multi-task graph neural network // Advanced Engineering Informatics. 2024. Vol. 62. Part B. Art. 102721.

Zhang S., Guan Z., Jiang H., Wang X., Tan P. BrepMFR: enhancing machining feature recognition in B-rep models through deep learning and domain adaptation // Computer Aided Geometric Design. 2024. Vol. 111. Art. 102318.

Zhang Y., Yu X., Sun J., Zhang Y., Xu X., Gong Y. Intelligent STEP-NC-compliant setup planning method // Journal of Manufacturing Systems. 2022. Vol. 62. pp. 62-75.

Выпуск

Раздел

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ

Метрики

13 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Похожие статьи

1 2 3 4 5 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.