云制造模式下机械产品自动化智能服务系统的构建①

徐致宇

(延安大学,陕西 延安 716000)

0 引 言

云制造是一种利用云计算技术的新型的网络化制造模式,据其云制造给出的一切即服务的观念,有限元分析(Finite Element Analysis, FEA)可理解为一种服务为构建机械产品自动化智能服务系统的关键技术。云制造模式下有限元分析拥有自动化和远程化的特点,现阶段成熟的有限元分析模型可归结为参数化和智能化有限元分析两种类别[1-3]。这两种分析方法均对于自动化水平有一定的提升作用,但它们通常仅适用于单一或者制定的商品,而当商品的载荷或拓扑结构出现变动时将受到限制。基于此,研究依据云制造环境下有限元分析的需求分析而给出新的有限元分析模型的构建方法,同时通过实验验证了所提出方法的有效性。

1 云制造模式下机械产品自动化智能服务系统设计

1.1 云制造的产品参数化建模过程

云制造模式下有限元分析过程需被封装为服务,由于有限云分析的基础是完成对产品的几何建模,参数模型仍需被封装为服务,研究设计一种自动生成的几何建模方法。该方法首先借助SoildWorks三维建模软件获得几何模型的应用程序接口(Application Program Interface,API)脚本,接着利用可视化基础版6.0(Visual Basic 6.0,VB)语言优化脚本的结构,并将其封装成动态连接库文件(Dynamic Link Library,DLL)放入服务器[4-5]。SoildWorks三维建模软件区别于传统二维建模设计方式,可直接实现三维建模;同时该模型还可借助几百个API函数实现可扩展功能,进而构建适合于用户的产品参数化系统。产品参数建模学习包括产品二次开发过程、控制产品形状及尺寸、控制产品的拓扑结构。

二次开发过程包括程序法和尺寸驱动法,由于尺寸驱动法仅在拓扑结构固定的情况下有效,因此,研究采用程序法[6-8]。建模过程均使用代码来完成,该方法可设置更多的参数,在拓扑结构改变时可通过减少或增加建模操作来实现。二次开发的具体步骤为录制和编辑脚本两个阶段,具体过程如下。其一,打开SoildWorks软件,借助宏工具实现建模过程。其二,选择基准面,绘制和保存草图。其三,设置草图、回转中心、回转角度,形成几何模型。依据不同的零件类型,研究分为回转类零件、拉伸类 零件、扫描和放样类零件、抽壳类零件。回转类零件为草图绕着回转中心回转成型的零件,它可通过回转角度、回转中心、草图的形状等因素实现对尺寸和形状的控制。图1(a)-图1(b)分别是指扫描和放样零件的控制方法。拉伸类零件的控制方法可分为绘制草图和拉伸成型两个过程,控制方法可分为拉伸长度、拉伸方向、控制草图的形状和尺寸等因素。扫描和放样两种成型方式既有相同点又有区别点。扫描是指沿着路径将构建的草图延伸成几何模型,放样是指在放样路径上构建几何体剖面,经连接处理得到几何模型。抽壳成型方法的处理过程为设置轴壳的厚度和方向、选择抽壳面、建立几何模型。

图1 四种零件的控制方法

SoildWorks软件提供了圆角、倒角、抽壳等各种形式的成型方法,所有的几何模型均可看出基本几何体的组合。当仅使用一种成型方法难以完成建模过程,则需考虑不同产品的拓扑结构进行组合控制,以得到不同的几何模型,具体过程如下。构建基本的几何体,以及其他几何体,并实现几何之间的布尔操作。在创建其他几何体过程中需参考基准轴和基准面,确保相互间的位置、阵列方式不发生变化,进而获得几何模型的不同拓扑结构。

1.2 基于正则文法的有限元分析模型

针对目前自动有限元分析方法存在的问题,研究通过正则此文法构建FEA模型,获取方式为自动构建脚本方法。该方法借助正则文法获取FEA脚本的组成规律。然后通过本体构建模型,将常用FEA建模过程组建上层本体,将详细的过程组成具体本体。研究采用机械系统动力学自动分析软件(Automatic analysis of mechanical system dynamics;ANSYS),参数化设计语言为ANSYS参数设计语言(ANSYS Parameter Design Language,APDL)。

文法可称作语法,用四元组G={VN,VT,P,S}表示,利用文法获得语言中所有的句子。P,VT,VN,S分别是指产生式集合、终结符集、非终结符集、开始符号。由于3型(正则)文法描述语言非常简单清晰,产生式左部为单一的非终结符,右部可能会存在非终结符和中级符,这和有限元分析过程的特点相同,研究利用正则文法对此进行描述。为了克服现有参数化分析方法的问题,研究分离FEA参数模型和几何模型,提出了正则文法的FEA脚本生成方法。这种方法将FEA脚本划分为脚本片段,通过文法重新组织脚本。图2是指该方法的的工作示意图。首先,构建FEA上层本体。然后,构建FEA具体本体。其次,参数化处理FEA脚本片段。再者,输入参数,利用FEA脚本生成算法推导获得新的FEA脚本。最后,经份有限元分析软件获得分析结果并传递给用户。

图2 正则文法的FEA脚本生成方法

FEA本体包含FEA具体本体和上层本体。FEA上层本体的构建是指拆分、映射通用FEA过程,拆分过程可分为前处理、加载求解、后处理三个分析阶段,这些过程可设置为实体,上层实体中的每个实体均有着自身的属性,同时能为具体的实体扩展提供接口。在构建好上层本体后可依据扩展原则获得FEA具体本体。FEA具体本体和FEA的需求一一对应,不同系列产品的FEA具体本体的子实体之间的关系存在差异。对于正则文法的自动生成,研究采用宽度优先搜索算法(Breadth First Search,BFS)。BFS的特点是通过宽度方向对每层节点进行遍历。正则文法的起始符为FEA本体的根节点,非终结符为全部的非叶节点。当碰到任何子树的根节点时,依据顺序统计该节点的所有子节点。对于FEA模型的自动生成,研究首先构建前处理和加解求解阶段的APDL脚本,然后利用深度优先搜索算法(Deepth First Sreach,DFS)顺着深度方向遍历所有的节点。

表1 FEA模型的参数设置情况

2 正则文法的有限元分析模型的性能分析

为了验证所设计的云制造模式下机械产品自动化智能服务系统的性能,研究使用的硬件环境为Intel I7-4790、NVDIA GTX1050TI,操作系统为Windows10 64位,框架为Django,服务器为Nginx,数据库为SQLite,语言为Python。研究所设计的系统按照要求完成了系统功能模块、运行流程、数据库的设计。表1是指FEA模型的参数设置情况。

为了验证正则文法的有限元分析模型的性能,研究提出利用精准率-召回率(Precision-Recall,PR)曲线与多种有限元分析方法进行对比,分别是全FEA模型的参数化方法、可变参数的FEA模型、知识管理的智能化FEA模型,用方法一、方法二、方法三指代,结果如图3所示。设置分类阈值分别为0.4和0.6,模型的性能分别如图3(a)和3(b)。整体来看,结合正则文法的有限元分析模型相比较于其他FEA模型而言,该模型的性能更佳,其次为全FEA模型的参数化方法、可变参数的FEA模型,性能最差的模型为知识管理的智能化FEA模型。当精准率与召回率相同时,结合正则文法的有限元分析模型的精准率分别为0.85和0.86。

图3 四种FEA模型的性能对比

图4 四种FEA模型不同数据规模下的运行效率

图4是指四种FEA模型不同数据规模下的运行时间。随着数据规模的不断增加,四种FEA模型的运行效率逐渐降低。整体来看,结合正则文法的有限元分析模型相比较于其他FEA模型而言,该模型的运行效率更快。以10GB数据规模为例,结合正则文法的有限元分析模型的运行时间为1.9s,全FEA模型的参数化方法、可变参数的FEA模型、知识管理的智能化FEA模型的运行时间为2.2s,3.5s,4.0s。因此,研究所给出的FEA模型在相同数据规模下具有更高的运行效率。

3 结 语

为了解决云制造模式下自动化服务效率低等问题,研究设计了机械产品自动化智能服务系统的有限元分析模型。随着数据规模的不断增加,四种FEA模型的运行效率逐渐降低。结合正则文法的有限元分析模型相比较于其他FEA模型而言,该模型的性能更佳,其次为全FEA模型的参数化方法、可变参数的FEA模型,性能最差的模型为知识管理的智能化FEA模型。当精准率与召回率相同时,分类阈值为0.4和0.6时,结合正则文法的有限元分析模型的精准率分别为0.85和0.86。结合正则文法的有限元分析模型相比较于其他FEA模型而言,该模型的运行效率更快。该方法极大程度提升了FEA建模的工作效率和灵活性,可应用于机械制造产品的自动化服务领域。