第6期
2021年6月
机械设计与制造
Machinery Design & Manufacture
228
三维工艺设计中的制造特征识别方法
黄丰云，刘小磊，徐劲力，刘伟腾
(武汉理工大学机电工程学院，湖北武汉430070)
摘要：从零件的设计MBD 模型中提取制造特征信息是三维工艺设计的基础，也是实现CAD/CAPP/CAM 集成的关键。针 对传统的基于属性邻接图的特征识别方法中存在的特征表达二义性和子图同构算法时间复杂度高等问题，提出了一种 基于扩展属性邻接图和图同构的制造特征识别方法。首先，提取零件设计模型的几何/拓扑信息，并构建扩展属性邻接 图；接着，对扩展属性邻接图进行属性分解，最大限度的分离出扩展特征子图；然后，利用图同构实现对各类相交特征的
准确、高效识别。最后，以某机加工零件为例，对所提方法的可行性进行了实例验证。关键词：特征识别；信息提取；扩展属性邻接图；图分解；图同构
中图分类号:TH16;TP391 文献标识码:A 文章编号:1001-3997(2021)06-0228-04
A Method of Manufacturing Feature Recognition in 3D Process Design
HUANG Feng-yun, LIU Xiao-lei, XU Jing-li, LIU Wei-teng
(School of Mechanical and Electronic Engineering , Wuhan University of Technology , Hubei Wuhan 430070, China)
Abstract is very important to extract manufacturing f eature information f rom part design MBD model to realize 3D process de
sign and integration of CAD/CAPP/CAM. To solve the problem of ambiguity of f eature expression and high time complexity of
subgraph isomorphism in the f eature recognition method bad on attributed adjacency graph , a manufacturing f eature recogni tion algorithm bad on extended attributed adjacency grap
h is propod and graph isomorphism. Firstly, geometric/topological information of p art design model was extracted and extended attribute adjacency graph was constructed. Next, extended attribute
adjacency graph was decompod into a t of e xtended f eature subgraphs. Then, all kinds of i ntercting f eatures were recognized accurately and efficiently by graph isomorphism. Finally, a machining part was taken to verified the f easibility of the propod
method.
Key Words ：Feature Recognition ； Information Extraction ； Extended Attributed Adjacency Graph ； Graph Decom position ;Graph Isomorphism
1引言
近年来，随着三维CAD 和基于模型定义(Model Bad Defi
nition, MBD) 造技术的快速发展，传统的二维工艺设计
方法因其设计效率低、不可视、易出错、不稳定等问题，已无法适 应数字化发展的大环境，而基于MBD 的三维工艺设计已成为数
字化制造发展的新趋势叫从零件设计MBD 模型中提取工艺设 计所需的制造特征信息是三维CAPP 系统的基础。制造特征识
别是指以零件的设计MBD 模型为基础，自动识别出具有一定工 程意义的几何形状，并将其转变为可用于后续制造加工的特征叫
目前，制造特征识别被广泛认为是实现CAD/CAPP/CAM 集成的
关舷术。
特征识别方法主要分为四大类：基于属性邻接图的方法，基于体
积分解的方法、基于痕迹的方法以及混合识^方法。其中，基于属
性邻接图的方法是目前研究和应用较多的一种特征识别方法，其 用属性邻接图来表达零件设计模型的几何怖扑信息，并对属性邻
接图进行一系列的属性分解，获得一系列特征子图，然后进行图匹 配识文献w 提出的基于图分解的特征识别方法，属性邻接图
对零件模型信息表达不全面，特征识别过程中存在“二义性”。另
一文献切提出的图与规则相结合的特征识别方法，能有效识别预 定义特征，但其采用子图同构的特征匹配策略，算法时间复杂度
高，识别效率低。还有文献冏提出了虚相交的概念及多属性定义
的方法，克服了基于图的特征识别方法不擅长识别相交特征的缺 点，实现了部分相交特征的识别，但是图分解复杂，不易实现。
针对上述几种特征识别方法中特征表达二义性及识别效率 低下的问题，提出一种基于扩展属性邻接图和图同构的制造特征
来稿日期：2020-04-15
基金项目：轻量化汽车底盘关键零部件智能工厂新模式(政府收支分类2159999，预算号21507707999107);
基于成本约束的乘用车传动系统节能降耗关键技术研究与应用(2017AA10102)
作者简介：黄丰云,(1971-)，男，湖北武汉人，硕士研究生，副教授，主要研究方向：机电一体化、机械设计、微型汽车的NVH 研究等;
刘小磊,(1994-)，男，江西新余人，硕士研究生，主要研究方向：机械设计及理论、汽车零部件设计等
第6期黄丰云等：三维工艺设计中的制造特征识别方法229识别方法，在对属性邻接图中面、边属性进行扩展的基础上，定义
了扩展属性邻接图，接着对其属性分解得到扩展特征子图，与预
定义特征库中的特征原型属性邻接图进行图同构的特征匹配，实
现特征识别，并最后进行了示例验证。
2制造特征识别流程
首先提取零件设计MBD模型的几何術扑信息，构建扩展属
性邻接图，然后将扩展属性邻接图进行属性分解获得扩展特征子
图，最后再与预定义特征库中的特征原型属性邻接图进行同构匹
配，匹配成功，完成特征识别，否则将该特征作为孤立特征添加到
预定义特征库中，扩展预定义特征库。
图1制造特征流程
Fig.l Process of Manufacturing Feature Recognition
3扩展属性邻接图EAAG的创建
3.1几何/拓扑信息的提取
零件设计MBD模型上几何關扑信息的提取是扩展属性邻
接图创建的前提。NX软件是以基于STEP/AP203协议的扩展边
界表示法(B_Rep)为基础，对实体模型进行描述的，所以可通过
NX软件提供的二次开发接口NX/Open API所封装的NX操作函
数来直接查询提取几何術扑信息。
其中，几何信息描述的是设计MBD模型上点(Point)、线
(Curve)、面(Surface)等几何元素大小、形状和位置的基本信息,
其相关查询函数，如表1所示。拓扑信息描述的是设计MBD模
型上顶点(Vertex)、边(Edge)、翼(Fin)、环(Loop)、面(Face)、壳
(Shell)和体(Solid)等拓扑元素的数量及连接等拓扑关系，这些信
息通过询函数UF_BREP_ask_topology()来提取。最终将几何腐
扑信息并以Solid-Shell-Face-Loop-Fin-Edge-Vertex的层次关
系保存在拓扑信息查询函数的输出参数UF_BREP_topology_t结
构中⑺。
表1几何信息查询函数
Tab.1Geometry Information Query Function
几何信息类型查询函数—
查询面的类型UF_MODL_ask_face_type()
面的几查询与面关联的数据UF_MODL_ask_face_data()
何蓿息查询面上指定点(u,v)的法向量UF_M0DL_ask_face_props()
边或点的几启信息
查询面的边界环
查询边的类型
查询边的端点坐标
查询圆弧的圆心坐标
UF_MODL_ask_face_loops()
UF_MODL_ask_edge_type()
UF_MODL_ask_edge_verts()
UF CURVE ask centroid()
3.2属性邻接图AAG及邻接矩阵AAM的扩展
传统的属性邻接图(Attributed Adjacency Graph,A A G)中表
达了模型中面与边的拓扑结构以及边的凹凸性属性，而这些信息
并不能满足复杂相交特征识别的需求，因此需对AAG进行属性
扩展。在原有AAG的基础上，对面和边的属性进行了扩展，即定
义扩展属性邻接图(Extended Attributed Adjacency Graph,EAAG)
来全面表达零件模型信息，避免表达的二义性。扩展之后的
EAAG中面、边属性，如表2所示。
表2EAAG中面、边属性
Tab.2Attributes of Face and Edge in EAAG
属性对象
面属性
边属性
属性类别
面的类型(平面、圆柱面、圆锥面或球面等)
面的凹凸性(凹面或凸面)
面的加工类型(加工面或非加工面)
面的环属性(内、外环数量)
边的类型(直线边、圆弧边、椭圆边或B样条曲线)
边的凹凸性(凹边、凸边、凹切边或凸切边)
边的环属性(在内环上或外环上)
同时，传统的属性邻接矩阵(Attribute Adjacency Matrix,
AAM)的元素位数只有一位，使得对零件几何肠扑特征信息的表
达出现歧义。为了解决属性邻接矩阵在表达零件信息时的“二义
性”，特将其中面的类型，边的类型及凹凸性等属性，用属性邻接
矩阵来表达，即对属性邻接矩阵进行扩展，扩展之后的扩展属性
邻接矩阵(Extended Attributed Adjacency Matrix,EAAM)中的兀
素4[i,j]将由四位数字组成，定义如下：
4[i,j]=Z；Zj岭兀(1)
式中：禺一扩展属性邻接矩阵中邻接边的凹凸性属性值;
接边的类型属性值;ZH—相邻面F；与巧的类型属性值。
(1)边的凹凸性属性定义。邻接边的凹凸性属性值禺的计
算如式⑵所示。
'1，如果面耳与巧的公共边坨为凸边；
2，如果面耳与巧的公共边坊为凹边；
■3，如果面F；与片的公共边场为凸切边;
4，如果面耳与巧的公共边E#为凹切边；
、0，如果面F；与巧不相邻或：=/.
⑵
⑵边的类型属性定义。在原属性邻接矩阵元素的基础上
增加一位，用4[万]十位上的数字来描述相邻面的公共边的类型
属性，具体定义，如表3所示。当面F；与巧不相邻或冃时,
A[m]=0；当面F；与巧相邻的时候,A[i,j]=Y^Q
表3EAAM中边的类型属性定义
Tab.3Type Attribute Definition of Edge in EAAM
边的属性类型边属性值定义y
扯讷节点值
或面不相邻面相邻
LINE(直线)101召
CIRCLE(圆)202暫
ELLIPSE(椭圆)303竝
B SPLINE CURVE
(B样条血线)4暫
(3)面的类型属性定义。在原属性邻接矩阵元素的基础上
再增加一位，
用百位上的数字来描述相邻面的类型属性,
No.6
June.2021 230机械设计与制造
具体定义，如表4所示。当面久与巧不相邻时,A[m]=0；当冃
时9A[i,j]=乙；当面X与巧相邻的时候畀[i J]占。
表4EAAM中面的类型属性定义
Tab.4Type Attribute Definition of Face in EAAM
面属性类型面属性值Z
期切节点值
i=j面不相邻面相邻
PLANE(平面)110Z^jYX C Y LINDRIC A L_SURFACE（柱面）220Z^jYX
CONICAL_SURFACE（锥面）330Z^jYX SPHERICAL SURFACE（球面）440Z-Z-YX
3.3扩展属性邻接图EAAG的创建
经过零件设计MBD模型几何術扑信息提取，及其面和边的
属性判定之后冏，紧接着进行扩展属性邻接图EAAG的构建。提
取出的零件设计MBD模型的几何術扑信息保存在UF_BREP_to-pology_t结构中。UF_BREP_topology_t结构是一个树形结构，可采用深度或广度优先算法遍历得到任意Solid、Shell、Face、Loop、Fin、Edge、Vertex的几何術扑结构信息和tag_t^识符。因此健立扩展属性邻接图的过程如下：
⑴从根节点开始遍历UF_BREP_topology_t结构，根据Solid-Shell-Face的层次顺序依次提取每个面耳，建立顶点]与EAAG中的顶点吗对应侗时提取面F；的属性值作为其对应EAAG中顶点s的属性值；
(2)根据Face-Loop-Edge的层次顺序依次提取每个面中
的每条边与建立邻接边数组]与EAAG中的邻
接边勺对应，同时提取边与的属性值作为其对应EAAG中邻接边勺的属性值；
⑶搜索包含边码的面巧和巧，建立顶点VertexArray[i]、Ver-texArrayfj']与邻接边EdgeArray[i]之间的邻接关联。重复以上步骤，则可形成完整的扩展属性邻接图EAAG。某机加工零件的扩展属性邻接图EAAG，如图2所示。
图2某机加工零件的三维模型及其扩展属性邻接图
Fig.23D Model and EAAG of the Machining Part
4扩展属性邻接图EAAG的属性分解零件设计MBD模型的EAAG创建完成之后，就可以对其进行属性分解，获得能与预定义特征库中特征原型属性邻接图(Prototype Attributed Adjacency Graph,PAAG)直接进行图同构匹配的扩展特征子图(Extended Feature Subgraph,EFSG)o具体的分解步骤如下：
⑴根据零件设计MBD模型中对各加工面的设计要求，识别出EAAG的非加工面(毛坯面)及过渡特征面，并将这些面的节点及其相邻边从EAAG中移除，将零件模型的EAAG第一次分解为m 个只包含加工面的节点及其邻接边的加工面属性邻接图的集合MFAG[i](lC^m)o将MFAG集合中的每个子集MFAG[i]与预定义特征库中的特征原型属性邻接图PAAG进行图同构的特征匹配，若匹配成功，则表明其为孤
立特征，属性分解结束；若匹配不成
功，则表明其为相交特征,MFAG[嗝继续进行分解，转步骤⑵。
(2)遍历子集MFAG[i]中每一个加工面的属性信息，判断面内是否存在内环，若某一面内存在侧将该面标记为分解基准面,
并将内环(边)从MFAG[i]中删除，将MFAG[i]第二次分解为n个新的加工面属性邻接图(New Manufacturing Face Adjacency Graph,NMFAG)的集合NMFAG[s](lWsWn)□将NMFAG[s]与PAAG进行图同构的特征匹配，若匹配成功，属性分解结束；否则,NMFAG[s]需继续进行分解，转步骤(3)。
⑶遍历子集NMFAG[s]中每一个加工面的属性信息，判断是否存在凸面，若存在则将该面的相邻边从NMFAG[s]中删除，将NMFAG[s]第三次分解为A：个凹面子图(Concave Face Subgraph,CFSG)的集合CFSG[町(100)o再将CFSG[t]与PAAG进行图同构的特征匹配，若匹配成功，属性分解结束；否则,CFSG[t]需继续进行分解，转步骤⑷。
⑷遍历子集CFSG[t]中每一条边的属性信息，判断是否存在凸邻接(凸边或凸切边)，若存在则提取互为凹邻接的面及其相邻
边组成p个扩展特征子图(Extended Feature Subgraph,EFSG)的集合EFSG[g](lWgWp)。再将EFSG[q]
与PAAG进行图同构的特征匹配，若匹配成功，属性分解结束；否则，将EFSG[g]作为某类孤立特征的原型属性邻接图存储到预定义特征库中，扩展预定义特征库以便日后识别。
对图2所示的机加工零件进行上述的属性分解，生成的扩展特征子图EFSG，如图3所示。
(e)(f)
图3EAAG的属性施结果
Fig.3Decomposition Results of EAAG
5制造特征匹配
5.1预定义特征库的建立
将扩展属性邻接图EAAG经过四次属性分解，分解为可以与预定义特征库中特征原型属性邻接图PAAG直接进行特征匹配的扩展特征子图EFSG，至此，制造特征识别问题就转变为EFSG与特征原型属性邻接图PAAG匹配的问题。制造特征能否有效地识别出来，很大程度上取决于预定义特征库中是否包含该类制造特征，即制造特征原型属性邻接图PAAG是否保存至预定义特征数据库中。因此，需要在特征识别之前创建用于与扩展特征子图EFSG进行匹配的制造特征原型属性邻接图PAAG，也就是预定义特征库的建立。通过大量的实例分析，得出机加工零件中几种典型的制造特征原型，如表5所示
。
表5预定义特征库中的特征原型
Tab.5 Feature Prototype in Predefined Feature Library 特征名称零件模型 EAAG EAAM
圆通孔
圆盲孔 圆柱凸台
通台阶
普通盲槽
匕
吕*|| &
12
1X - _ - _2 1212122211
2 112
1 2 22 1
2 1
112 1111111 1A 11
_ - ‘ -- -12
1±12
12
12
12
.1112
111211121 .11214
01112
2114
22114
212201214
1
1112
.1112122211121 .'11112
01112'
1112
1
1112
001112
1
1112.11120
11121 .
6示例验证
根据上述制造特征识别方法，基于Visual Studio 2012和
NX10.0开发平台，利用NX/Open 开发工具及C++语言，开发了 _
个集成化的制造特征识别功能模块。该功能模块可以实现零件
设计模型几何術扑信息的提取、制造特征识别及特征关联的非 几何信息的提取。如图4所示，首先是设计模型的导入与修改, 抑制模型中的过渡特征，接着提取零件设计模型中的几何術扑
信息，并根据 Solid-Shell-F a ce-Loop-Fin-Edge-V e rtex 的层次关
系以树列表的形式展现。然后，根据上述基于扩展属性邻接图及 图同构的特征识别算法，快速真确地识别出模型中的单独平面、
圆通孔、通台阶、盲台阶、键槽及其矩形凹槽等特征，并且提取出
各特征关联的非几何信息（尺寸及公差、表面粗糙度等），如图5 所示。最终将特征信息以XML 文件的形式保存，创建特征信息
库，为以后的三维工艺设计提供制造特征信息。
111120
111211121112
111120
1112011121111211121112
0111211112
1112111211121112111111
01111
1111'111111111
11110
111111111
111111110
1111111111111
1111
1111
1111
1 .
图4几何/拓扑信息提取界面
Fig.4 Interface of Geometric/Topological Information Extraction
2o
2
1
o
5.2基于图同构的特征匹配
图同构的常见定义为：对于给定的两个图G 严（匕，乞）和
Gp =（岭,Ej，其中V a =（v al , %，…，%｝是图E 的顶点集合,
叭二｛（如，—）必％丘是图©的边的集合；V p = ｛險，啦,｝是图坊的顶点集合，场二｛（加，邛）咖,％丘巾是
图©的边的集合。对于任意给定的吩、/丘匕，若存在映射f,
使得亠％, V 窗亠V 肿乙、％ e Vp，且若他、％）eE “ 他、Vfi,） w E ”那么就定义图亿与陽是同构的叫
假设存在两个待匹配的图G 。和G ”图G 。和陽的顶点集合、
顶点数、扩展属性邻接矩阵分别为V a ^M a 和畑必。根据图 同构的定义，若图G 。和匂同构，则必有顶点数尬="，统一计为m 。 因此，定义映射矩阵M 是m 维方阵，映射矩阵M 的行表示图中 的顶点，列表示图G ”中的顶点，映射矩阵M 中的值％（OWWm-l ,0
今Wm-1）表示两图任意顶点的对应关系，若图G°的顶点％与切
图的顶点伽对应，则叫=1 ；否则，叫=0。
其中，图亿的顶点％与陽图的顶点伽对应，表示为扩展属 性邻接矩阵矶、峰的各行元素的对应。因此，映射矩阵M 可通过
依次遍历其对应的扩展属性邻接矩阵矶丿如的各行元素来确定,
若矩阵叽第i 行元素集合M 窗（OVsWm-1）和矩阵%第j 行元素集 合％,（OWtWm-l ）相等，则叫 =1，否则,M.=0o 根据数学证明，如 果仇和G ”的映射矩阵M 是一个每行和每列均有且只有一个元素
“ 1”，其余均为元素“0”的方阵，则该方阵就是映射方阵/，则可判
定图仇和陽同构。
图5特征识别与信息提取界面
Fig.5 Interface of Feature Recognition and Information Extraction
7结论
针对基于属性邻接图的制造特征识别方法的不足，提出了
一种基于扩展属性邻接图和图同构的制造特征识别方法，该方法 全面地表达了零件设计MBD 模型信
息，并创建了信息表达更为
完整的扩展属性邻接图和扩展属性邻接矩阵。在此基础上，对扩 展属性邻接图进行属性分解，分离出可与预定义特征库中的特征
原型属性邻接图进行同构匹配的扩展特征子图。接着将图同构 的问题转变为映射矩阵的计算及其特性判定问题，最终实现了各 相交特征的识别。该特征识别方法提高了特征识别的准确性，同 时大大降低了同构算法的时间复杂度，提高了特征识别效率，为
三维工艺设计和CAD/CAPP/CAM 的集成打下基础。
参考文献
[1] Al-Wswasi M, Ivanov A, Makatsoris H. A survey on smart automated
computer-aided process planning (ACAPP )techniques[j ].International
Journal of A dvanced Manufacturing Technology ,2018(1):1-24.[2] Joshi S, Chang T C. Graph-bad heuristics for recognition of machined
features from a 3D solid model [J ]. Computer Aided Design, 1988, 20
(2):58-66.
(下转第 235
页)
压缩精度。三维死区算法是针对轨迹数据常用的压缩算法叫为了更进一步的验证算法的有效性，针对同一组试验数据，采用三维死区算法对原始数据进行压缩试验，如图3所示。
图3三种算法对比
Fig.3Comparison of Three Algorithms
图3的试验结果表明，三种算法中，三维死区算法虽然在压缩比上与另两种算法接近，但压缩时间和平均误差都远远落后于另外两种压缩算法。与NBPC算法相比，三维死区算法的平均误差增大了156%，同时压缩时间增加了46%。虽然无反馈的NBPC算法在压缩误差上相对NBPC增大了43%，但是误差的绝对数值并不大，且在压缩比和压缩时间上略微优于NBPC算法。因此，提出的NBPC算法和无反馈的NBPC算法显然更适合于数控机床三维轨迹数据的压缩，当对压缩精度要求较高时,NBPC 算法更满足压缩需求。
5总结
针对数控机床可视化监控中产生的海量机床实时三维轨迹数据，提出了一种基于解析NC程序的数据压缩方法，并编写程序对试验数据进行了压缩测试。NBPC算法可以很好地完成数控机床刀具三维运动轨迹数据的数据压缩工作，且可以自适应地调整压缩的误差限AE来显著地减小压缩误差，提高压缩精度。提出的三维轨迹压缩算法同样适用于数控机床二维运动轨迹数据的压缩。将本算法应用于某公司开发的数控机床可视化监控系统中，取得了显著的效果，降低了数据存储消耗，提高了数据访问效率。
参考文献
[1 ]夏端武，薛小凤.智能制造技术在工业自动化中的应用研究[J].机械
设计与制造,2018(2)：206-209.
(Xia Duan-wu,Xue Xiao-feng.Rearch on the application of intelligent manufacturing technology in industrial automation[J].Machine Design and Manufacture,2018(2):206-209.)
[2]杨永军，徐江，舒逸•实时数据库中历史数据无损压缩算法的研究[J].
计算机与现代化,2012,1(6):165-168.
(Yang Yong-jun,Xu Jiang,Shu Yi.Rearch on lossless data compression algorithm for historical data of real-time databa[j].Computer and Modernization,2012,1(6):165-168.)
[3]聂艳明，吕耀，朱鹏•一种三维轨迹数据有损压缩算法研究与实现[J].
信息系统工程,2017(12):149-150.
(Lie Yan-ming,Lv Yao,Zhu Peng.A lossless compression algorithm for 3D trajectory data[j].China CIO News.2017(12):149-150.)
[4]龙浩，张书奎，孙鹏辉.自适应参数的轨迹压缩算法[J].计算机应用研
究,2018(3).
(Long Hao,Zhang Shu-kui,Sun Peng-hui.Trajectory compression algorithm with adaptive parameter[j].Application Rearch of Computers.
2018(3).)
[5]吴青华.基于相对同步欧氏距离筛选的在线GPS轨迹数据压缩算法
[J].计算机应用与软件,2018⑶：282-28&
(Wu Qin-hua.Online GPS trajectory data compression algorithm bad on relative synchronous ruclidean distance filtering[J].Computer Application and Software,2018(3)：282-288.)
⑹郭晓然，张总.数控机床几何误差非接触圆轨迹检测方法研究[J].自
动化与仪器仪表,2014,48(1)：18-19.
(Guo Xiao-ran,Zhang Zong.Rearch on noncontact measurement by circular contouring for geometric error of NC machine tools[J].A utomation and Instrumentation,2014,48(l):18-19.)
[7]徐慧.实时数据库中数据压缩算法的研究[D].浙江大学,2006.
(Xu Hui.Rearch on data compression algorithm in real-time databa
[D].Zhejiang University,2006.)
(上接第231页)
[3]郭付龙，孙根正，周竞涛.基于图二次分解的加工特征识别算法[J].机
械设计与制造,2013(5)：56-59.
(Guo Fu-long,Sun Gen-zheng.Machining feature recognition bad on graph twice decomposition[J].Machinery Design&Manufacture,2013
(5):56-59.)
[4]韩娟，张发平，高博.基于图和规贝啲混合式特征识别技术[J].机械设
计与制造,2013(3)：97-100+104.
(Han Juan,Zhang Fa-ping,Gao Bo.The hybrid characteristics identification technology bad on the diagram and rules[J].M achinery Design &Manufacture,2013(3)：97-100+104.)
[5]Sunil V B,Agarwal R,Pande S S.An approach to recognize interacting
features from B-Rep CAD models of prismatic machined parts using a hybrid(graph and rule bad)technique[j].Computers in Industry, 2010,61(7):686-701.
[6]Venkataraman S,Sohoni M,Kulkarni V.A graph bad framework for
feature recognition[C]//6th ACM Symposium on Solid Modeling and Ap
plications,2001:194-205.
[7]左晓娟，王华昌，李建军.基于特征识别的型腔零件数控自动编程系统
的研究[口模具制造,2014,14Q：69-74.
(Zuo Xiao-juan,Wang Hua-chang,Li Jian-jun.The automatic NC programming system of cavity parts bad on process feather recognition]J].
Die&Mould Manufacture,2014,14(2)：69-74.)
⑻鄭国秀，刘克非.基于属性邻接图的加工特征识别[J].机械设计与制
造,2010(11):49-51.
(Wu Guo-xiu,Liu Ke-fei.Study on machining feature recognition bad on attribute adjacency graph from STEP files[j].Machinery Design& Manufacture,2010(11):49-51.)
⑼王飞，张树生，白晓亮•基于子图同构的三维CAD模型局部匹配[J].
计算机辅助设与图形学学报,2008(8)：1078-1084.
(Wang Fei,Zhang Shu-sheng,Bai Xiao-liang.Local matching of3D CAD models bad on subgraph isomorphism[j].Journal of Computer-Aided Design&Computer Graphics,2008(8):
1078-1084.
