集成深度学习与CAD/CAD系统

将人工智能（AI）与计算机辅助设计（CAD）和计算机辅助工程（CAE）相结合的工程设计研究正在积极开展。本研究在概念设计阶段提出一个基于深度学习的CAD/CAE架构，可自动产生3D CAD设计并评估其工程表现。该框架包括7个阶段：（1）二维生成设计，（2）降维，（3）潜空间实验设计，（4）CAD自动化，（5）CAE自动化，（6）迁移学习，（7）可视化与分析。该框架通过一个车轮设计实例进行了验证，表明人工智能可以实际应用到最终产品设计项目中。工程师和工业设计人员可以使用该框架，结合人工智能估计的工程性能结果，共同审查大量生成的三维CAD模型，并为随后的详细设计阶段找到概念设计候选方案。深度学习与CAD集成框架如下图所示。

图引用自：Integrating Deep Learning into CAD/CAE System: Generative Design and Evaluation of 3D Conceptual Wheel

每个步骤如下：

第一阶段。2D生成设计：为了生成各种2D车轮设计，采用深层生成设计过程，这是一种结合拓扑优化和深层学习的有效方法，可以创建许多工程结构设计。首先，收集了一个商业车轮的图像数据作为参考设计；随后，基于这些参考设计，自动生成了一系列新的二维圆盘视轮拓扑设计。在这项研究中，创建了16689个2D车轮设计，有关第1阶段的更多细节见第3节。

• 第二阶段。降维：在这个阶段中，在第1阶段中生成的2D车轮设计的尺寸被降维。降维有助于克服维数灾难，从而使我们能够从二维车轮设计中提取重要特征。在这项研究中，使用了卷积自动编码器，它在降低图像的维数方面表现良好。在我们的研究中，128× 将128幅二维图像映射到128维的潜在空间。随后，在第3和第6阶段使用卷积自动编码器的训练编码器。第2阶段的详情见第4节。

• 第三阶段。潜在空间中的DOE：此阶段涉及从潜在空间中绘制二维车轮设计样本的DOE过程，然后用于创建CAD数据。因为这个潜在空间包含了车轮设计的特征向量，所以数据分布比原来的高维空间更有意义。本研究采用拉丁超立方体抽样（LHS），从潜在空间中抽样1030个2D车轮设计。第5节详细介绍了第3阶段。

• 第四阶段。3D CAD自动化：在此阶段，将自动生成3D CAD数据作为CAE的输入。首先，对二维转轮设计进行预处理，包括四个步骤：（1）边缘的平滑和锐化；（2）边缘提取；（3）将边缘转换为坐标数据；（4）边缘坐标的分组。接下来，基于给定轮辋的2D车轮图像和横截面图像生成3D CAD的过程是自动化的。在这项的研究中，Autodesk Fusion 360（Autodesk，2020b）用于自动化三维CAD建模。第4阶段的详情见第6节。

• 第五阶段。CAE自动化：在这个阶段，CAE模拟数据是使用第4阶段生成的3D CAD数据收集的。在本研究中，我们进行模态分析以验证横向模态的固有频率，并将结果储存为标签资料，以供深入学习。Altair SimLab（Altair，2020）用于CAE自动化。第5阶段的详情见第7节。

• 第六阶段。转移学习：在这一阶段，通过使用带有转移学习的CNN，建立一个代理模型来预测CAE仿真结果。深度学习模型以二维车轮设计为输入，预测其固有频率和质量作为输出。为了解决数据不足的问题，本研究将DNN与第二阶段预训练的卷积式自动编码器的编码器相结合，进行数据扩充和迁移学习。此外，我们使用集成技术来减少过拟合，提高预测性能。第8节详细描述了第6阶段。

• 第七阶段。可视化和分析：在此阶段，CAD/CAE工程师可以可视化和解释深入学习的结果，以获得新的见解并评估结果的可靠性。第二阶段产生的潜在空间可以在二维中可视化，以检查车轮形状与固有频率之间的关系。此外，利用梯度凸轮可以识别出对固有频率有显著影响的车轮形状。关于第7阶段的更多细节见第9节。