基于AI的CAD设计智能优化辅助方法与流程

本发明涉及计算机辅助设计，具体为基于ai的cad设计智能优化辅助方法。

背景技术：

1、计算机辅助设计（cad）是机械、汽车、航空航天等领域产品设计的核心手段。设计人员需依据性能要求、制造约束和成本限制，对cad模型进行反复修改与优化。传统cad优化过程依赖设计人员经验和反复仿真分析，形成“设计—仿真—评估—修改”的循环迭代，每一轮修改均需重新进行几何建模和有限元仿真，耗费大量时间与计算资源，难以满足现代产品快速迭代的需求。

2、现有技术中，参数化优化方法通常仅能处理少量设计参数，面对复杂几何拓扑与多参数耦合问题时，优化算法容易陷入局部最优，且设计特征提取与优化决策之间缺乏有效联动，导致优化过程盲目、低效。基于人工智能的生成式设计方法虽能自动生成大量候选设计，但普遍缺乏对工程约束、可制造性和几何一致性的系统验证，生成的模型往往存在无效几何、自相交、特征重建失败或约束不满足等问题，无法直接用于实际生产。此外，现有方法的性能评估依赖耗时的仿真分析，评估与几何修改相互割裂，难以形成智能优化流程，多目标性能之间的权衡亦缺乏统一、可量化的优化目标函数。

3、综上，现有cad设计优化方法存在特征提取与优化决策脱节、多目标权衡困难以及约束验证不足的缺陷，亟需一种将性能评估、优化决策与几何修改验证有机结合的智能优化辅助方法。

技术实现思路

1、为了解决现有cad设计优化方法中特征提取与优化决策相互割裂、性能评估依赖耗时的仿真分析、生成式设计缺乏几何一致性与工程约束验证的问题，本发明设计了基于人工智能的cad设计智能优化辅助方法，该方法通过构建设计特征图并利用图神经网络编码器提取设计特征向量，通过多目标性能评估模型快速预测多个性能指标，通过综合优化目标函数融合加权偏差项与约束惩罚项，通过强化学习智能体在参数化设计变量空间中生成候选设计参数调整量，通过生成式设计修改模型自动生成并应用cad模型修改操作序列，通过几何一致性检查、约束满足检查和特征有效性检查三重验证机制保证修改后的cad模型的工程有效性，通过迭代优化直至满足预设收敛条件后输出优化后的cad模型和优化报告，本发明实现了从特征提取、性能评估、优化决策到几何修改验证的智能优化流程，提高cad设计优化效率、保证多目标性能协同最优，确保输出模型可直接用于工程制造的效果。

2、本发明为解决上述技术问题，提供如下技术方案：基于ai的cad设计智能优化辅助方法，该方法具体为：

3、s100、获取初始cad设计模型以及与所述初始cad设计模型对应的设计约束集；

4、s200、对所述初始cad设计模型进行特征提取，得到设计特征图，利用预训练的图神经网络编码器对所述设计特征图进行编码，得到设计特征向量，将所述设计特征向量输入多目标性能评估模型，得到性能指标向量；

5、s300、根据所述性能指标向量和所述设计约束集构建综合优化目标函数，以所述设计特征向量为状态，利用强化学习智能体在参数化设计变量空间中生成候选设计参数调整量，以优化所述综合优化目标函数；

6、s400、将所述候选设计参数调整量输入生成式设计修改模型，生成cad模型修改操作序列，并将所述cad模型修改操作序列应用至当前cad模型，得到修改后的cad模型；

7、s500、对所述修改后的cad模型进行几何一致性检查、约束满足检查和特征有效性检查，当所述修改后的cad模型通过所有检查时，接受修改后的cad模型并更新当前cad模型，当所述修改后的cad模型存在任一项检查未通过时，拒绝所述修改后的cad模型，并返回s300重新生成候选设计参数调整量；

8、s600、重复执行s200-s500，直至满足预设收敛条件，输出优化后的cad模型和优化报告。

9、更进一步地，所述s100中，所述初始cad设计模型为边界表示模型、特征树模型或网格模型中的任一种，所述初始cad设计模型来源于用户输入、cad软件导出文件或产品数据管理系统；

10、所述设计约束集包括几何约束、性能约束、制造约束和材料约束中的至少一种；

11、所述几何约束包括最大外形尺寸、设计空间边界和孔的位置公差中的至少一种；

12、所述性能约束包括最大质量不超过质量阈值、最大应力小于材料屈服强度、最大位移不超过允许位移值和一阶固有频率高于频率阈值中的至少一种；

13、所述制造约束包括最小壁厚、最小圆角半径、拔模角度要求和制造成本预算中的至少一种；所述材料约束包括可选材料列表和材料密度范围中的至少一种；

14、所述设计约束集以结构化数据形式存储，所述设计约束集中的每一条约束包括约束类型、约束目标、约束上下限和约束权重。

15、更进一步地，所述s200中，特征提取过程为：

16、对所述初始cad设计模型进行几何特征提取，得到几何特征向量，所述几何特征包括面面积、面周长、面曲率范围、面类型、实体体积、质心坐标、包围盒尺寸、表面积和截面惯性矩中的至少一种；

17、对所述初始cad设计模型进行拓扑特征提取，得到拓扑特征向量，所述拓扑特征包括面-边-顶点邻接关系、孔洞数量、凸台数量、槽数量、筋数量、特征树父子关系和特征依赖关系中的至少一种；

18、对所述初始cad设计模型进行语义特征提取，得到语义特征向量，所述语义特征包括特征类型和特征定义参数，所述特征类型包括拉伸、旋转、倒角、圆角、孔、阵列、镜像、抽壳、筋和槽中的至少一种，所述特征定义参数包括拉伸深度、草图轮廓参数、旋转角度、圆角半径、孔直径、阵列数量、阵列间距和抽壳壁厚中的至少一种；

19、对所述初始cad设计模型进行材料特征提取，得到材料特征向量，所述材料特征包括材料名称、材料密度、弹性模量、泊松比、屈服强度和热导率中的至少一种；

20、将所述几何特征向量、所述拓扑特征向量、所述语义特征向量和所述材料特征向量进行拼接，得到节点属性；

21、以所述初始cad设计模型中的几何实体或特征节点为节点，以节点之间的关系类型为边，构建所述设计特征图，所述设计特征图包括节点属性矩阵和边属性矩阵，所述节点属性矩阵由每一个节点的节点属性构成，所述边属性矩阵由每一条边的边属性构成，所述边属性包括关系类型和关系参数，所述关系类型为邻接关系、从属关系、约束关系或阵列关系，所述关系参数为距离、角度、阵列方向或阵列间距。

22、更进一步地，所述s200中，所述图神经网络编码器为图同构网络编码器或图注意力网络编码器，所述图神经网络编码器包含至少一个图卷积层；

23、所述图神经网络编码器对所述设计特征图中的每一个节点进行特征更新，节点特征更新为：，其中，表示节点在第图卷积层的节点特征，表示邻居节点在第图卷积层的节点特征，表示节点的邻居节点集合，为第图卷积层的可学习参数，为第图卷积层的多层感知机；

24、经过图卷积层后，对更新后的节点特征进行全局池化，得到图级特征，所述全局池化为平均池化、最大池化或注意力池化；

25、将所述图级特征输入全连接层，得到所述设计特征向量。

26、更进一步地，所述s200中，所述多目标性能评估模型包括共享特征提取层和多个任务头；所述共享特征提取层包括至少一个全连接层，每一个任务头分别包括至少一个全连接层，每一个任务头对应一个性能指标；

27、所述性能指标向量包括质量、最大应力、最大位移、一阶固有频率、制造成本和可制造性评分中的至少一种；

28、所述多目标性能评估模型的训练方式为：构建历史cad设计模型数据集，对每一个历史cad设计模型提取设计特征图并编码得到历史设计特征向量，通过有限元仿真获得每一个历史cad设计模型的真实性能指标标签，以所述历史设计特征向量为输入、以所述真实性能指标标签为监督信号，采用多任务回归损失函数对所述多目标性能评估模型进行训练。

29、更进一步地，所述s300中，获取所述设计约束集中的目标值向量、权重向量和约束条件，所述目标值向量为，所述权重向量为；

30、根据所述性能指标向量、所述目标值向量和所述权重向量计算加权偏差项，计算加权偏差项，其中，为所述性能指标向量中的第个性能指标值，为第个性能指标的目标值，为第个性能指标的权重，为性能指标的总数；

31、根据所述性能指标向量和所述约束条件计算约束惩罚项，其中，为第个约束条件对应的实际值，为第个约束条件的最大允许值，为第个约束条件的惩罚系数；

32、根据所述加权偏差项和所述约束惩罚项构建所述综合优化目标函数，所述综合优化目标函数同时考虑性能指标与目标值的偏差以及约束满足程度，优化目标为最小化所述综合优化目标函数。

33、更进一步地，所述s300中，获取当前cad模型对应的参数化设计变量，所述参数化设计变量包括特征尺寸、特征位置、阵列数量、草图约束参数和材料选择索引中的至少一种，构建状态向量，所述状态向量包括所述设计特征向量以及当前性能指标向量与目标值向量之间的差异；

34、利用所述强化学习智能体的策略网络根据所述状态向量生成动作向量，所述动作向量表示所述参数化设计变量的调整量，所述策略网络采用近端策略优化算法进行训练输出动作向量的均值和标准差，根据所述均值和所述标准差构建高斯分布，并从所述高斯分布中采样得到所述动作向量；

35、在推理阶段直接取所述动作向量的均值作为输出，将所述动作向量作为所述候选设计参数调整量；

36、所述强化学习智能体的奖励函数基于所述综合优化目标函数的变化量定义，奖励为：，其中，为当前综合优化目标函数值，为应用所述候选设计参数调整量后的综合优化目标函数值，当所述修改后的cad模型使得综合优化目标函数减小时，奖励为正，反之奖励为负，当所述修改后的cad模型满足所有硬约束时，给予额外正奖励。

37、更进一步地，所述s400中，所述生成式设计修改模型为transformer编码器-解码器模型，通过获取当前cad模型对应的特征树编码，所述特征树编码是将cad特征树中每一个特征节点的特征类型、特征参数和父子关系进行序列化后得到的编码向量，将所述候选设计参数调整量和所述特征树编码输入所述生成式设计修改模型，生成所述cad模型修改操作序列；

38、所述cad模型修改操作序列包括修改特征尺寸命令、添加圆角命令、删除特征命令、修改草图约束命令和调整阵列参数命令中的至少一种；

39、通过cad内核应用程序接口将所述cad模型修改操作序列应用至当前cad模型，得到所述修改后的cad模型。

40、更进一步地，所述s500中，对修改后的cad模型进行几何一致性检查、约束满足检查和特征有效性检查，具体包括：

41、对修改后的cad模型进行实体封闭性检查、自相交检查、无效边/面检查、布尔运算有效性检查和法向一致性检查，得到几何一致性检查结果；

42、读取所述设计约束集，验证修改后的cad模型的尺寸、质量、应力和位移是否满足所述设计约束集中的约束条件，得到约束满足检查结果；对于尺寸约束，直接从所述修改后的cad模型中读取相应尺寸进行验证；对于质量、应力和位移约束，利用多目标性能评估模型对修改后的cad模型进行快速预测，将预测结果与所述约束条件进行比较；

43、遍历修改后的cad模型的特征树，验证每一个特征定义参数是否处于合规范围内且特征重建成功，得到特征有效性检查结果；所述合规范围包括圆角半径大于零且不超过相邻面的最小曲率半径、孔直径大于零且不超过所在面的边界、阵列数量为正整数中的至少一种。

44、与现有技术相比，该基于ai的cad设计智能优化辅助方法具备如下有益效果：

45、一、本发明通过将初始cad设计模型转化为包含节点属性矩阵和边属性矩阵的设计特征图，利用预训练的图神经网络编码器提取深层次设计特征向量，并将设计特征向量输入包含共享特征提取层和多个任务头的多目标性能评估模型，同时预测质量、最大应力、最大位移、一阶固有频率、制造成本和可制造性评分的多个性能指标，避免了每一轮优化迭代均需执行耗时的有限元仿真分析；在此基础上，以设计特征向量为状态，利用强化学习智能体在参数化设计变量空间中生成候选设计参数调整量，并通过生成式设计修改模型将调整量自动转换为cad模型修改操作序列，实现从设计状态感知、性能快速评估到几何自动修改的优化流程，提升了cad设计优化的效率与自动化程度，同时通过综合优化目标函数融合加权偏差项和约束惩罚项，实现多目标性能的协同优化。

46、二、本发明在生成修改后的cad模型之后，执行几何一致性检查、约束满足检查和特征有效性检查三重验证，只有通过全部检查的修改才被接受并更新当前cad模型，未通过任一项检查的修改被拒绝并返回优化决策模块重新生成候选设计参数调整量，该机制确保每一轮迭代所接受的cad模型在几何拓扑上有效、在工程约束上满足要求、在特征建模上具备可重建性，从而保证最终输出的优化后cad模型可直接用于后续工程分析和实际生产制造，避免了现有生成式设计方法输出模型几何无效或不可制造的问题，提升了优化结果的工程实用性与可靠性。

47、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。