ترجمه فارسی مقاله شناسایی خودکار ویژگی ها و استخراج ویژگی های ابعادی از مدل های CAD برای ساخت ترکیبی افزایشی-کاهشی

چکیده

The integration of Computer-Aided Design (CAD), Computer-Aided Process Planning (CAPP), and Computer-Aided Manufacturing (CAM) plays a crucial role in modern manufacturing, facilitating seamless transitions from digital designs to physical products. However, a significant challenge within this integration is the Automatic Feature Recognition (AFR) of CAD models, especially in the context of hybrid manufacturing that combines subtractive and additive manufacturing processes. Traditional AFR methods, focused mainly on the identification of subtractive (machined) features including holes, fillets, chamfers, pockets, and slots, fail to recognize features pertinent to additive manufacturing. Furthermore, the traditional methods fall short in accurately extracting geometric dimensions and orientations, which are also key factors for effective manufacturing process planning. This paper presents a novel approach for creating a synthetic CAD dataset that encompasses features relevant to both additive and subtractive machining through Python Open Cascade. The Hierarchical Graph Convolutional Neural Network (HGCNN) model is implemented to accurately identify the composite additive-subtractive features within the synthetic CAD dataset. The key novelty and contribution of the proposed methodology lie in its ability to recognize a wide range of manufacturing features, and precisely extracting their dimensions, orientations, and stock sizes. The proposed model demonstrates remarkable feature recognition accuracy exceeding 97% and a dimension extraction accuracy of 100% for identified features. Therefore, the proposed methodology enhances the integration of CAD, CAPP, and CAM within hybrid manufacturing by providing precise feature recognition and dimension extraction. It facilitates improved manufacturing process planning, by enabling more informed decision-making.

چکیده به فارسی (ترجمه ماشینی)

ادغام طراحی به کمک رایانه (CAD) ، برنامه ریزی فرآیند به کمک رایانه (CAPP) و تولید به کمک رایانه (CAM) نقش مهمی در تولید مدرن دارد و انتقال یکپارچه از طرح های دیجیتال به محصولات فیزیکی را تسهیل می کند.با این حال ، یک چالش مهم در این ادغام ، شناخت ویژگی اتوماتیک (AFR) مدل های CAD است ، به ویژه در زمینه تولید ترکیبی که ترکیبی از فرآیندهای تولیدی تفریق و افزودنی است.روشهای سنتی AFR ، که عمدتاً بر شناسایی ویژگی های تفریحی (ماشین کاری شده) از جمله سوراخ ، فیله ، محفظه ، جیب و اسلات متمرکز شده است ، در تشخیص ویژگی های مربوط به تولید افزودنی ناکام هستند.علاوه بر این ، روشهای سنتی در استخراج دقیق ابعاد و جهت گیری های هندسی ، که همچنین عوامل اصلی برای برنامه ریزی فرایند تولید مؤثر هستند ، کوتاه می آیند.در این مقاله یک رویکرد جدید برای ایجاد یک مجموعه داده CAD مصنوعی ارائه شده است که شامل ویژگی های مربوط به ماشینکاری افزودنی و تفریق از طریق آبشار باز پایتون است.مدل شبکه عصبی Convolutional نمودار سلسله مراتبی (HGCNN) برای شناسایی دقیق ویژگی های افزودنی کامپوزیت در مجموعه داده های CAD مصنوعی اجرا شده است.تازگی و سهم اصلی روش پیشنهادی در توانایی آن در تشخیص طیف گسترده ای از ویژگی های تولید و دقیقاً استخراج ابعاد ، جهت گیری ها و اندازه های سهام آنها نهفته است.مدل پیشنهادی دقت تشخیص ویژگی قابل توجه را بیش از 97 ٪ و دقت استخراج ابعاد 100 ٪ برای ویژگی های مشخص شده نشان می دهد.بنابراین ، روش پیشنهادی با ارائه تشخیص دقیق ویژگی و استخراج ابعاد ، ادغام CAD ، CAPP و CAM را در تولید ترکیبی تقویت می کند.این برنامه ریزی با برنامه ریزی فرآیند تولید را با امکان تصمیم گیری آگاه تر تسهیل می کند.