Использование машинного обучения в работе с SolidWorks (1 часть)

Работа инженера-конструктора, помимо творчества, порой заставляет заниматься рутинными задачами, которые отнимают драгоценные силы и время. Из-за выполнения “обезьяньей работы” невозможно полноценно заниматься конструированием. Столкнувшись с постоянным формированием необходимых архивов с деталями, я решил автоматизировать этот процесс и для себя, и для коллег, написав простенькую программку.

В этой статье поделюсь своим опытом и намеченными планами, поскольку работа над программой уже год как простаивает и требует продолжения (но не будем о грустном об этом).

Немного истории (или с чего всё началось)

В начале 2025 года во время обсуждения с коллегой активного развития нейросетей (или, если так будет угодно читателю, ИИ – искусственного интеллекта) был затронут вопрос об автоматизации некоторых конструкторских задач. Я, как представитель этого самого конструкторского класса, сразу предложил: «А давайте я напишу свою нейронку! Чего там сложного!» С того момента началась моя активная факультативная работа над этим проектом.

На чём всё остановилось

Функционал программы довольно прост:

1. Конвертация деталей из листового металла в STEP. Поскольку файл детали SolidWorks .sldprt является собственностью его разработчиков, просто “прочитать” его не так просто, из-за чего приходится конвертировать в стандартный формат (этому мы тоже нашли применение). К тому же, это позволяет использовать другие CAD, например, КОМПАС-3D (в будущем и с большими доработками);

2. Алгоритм машинного обучения определяет класс листовой детали (гибка, вальцовка, либо ни то, ни другое);

3. По результатам создаются DXF-развёртки проанализированных деталей. Для подробностей можно глянуть репозиторий на GitHub.

В итоге получилась небольшая линейная программа с созданной под неё моделью машинного обучения.

Подробнее про функционал и результаты

• Основная функция, отвечающая за конвертацию деталей в STEP представлена функцией convert_sldprt_to_step:

def convert_sldprt_to_step(source_folder, target_folder):
    """Конвертирует .sldprt файлы в .step."""
    # Инициализация COM
    pythoncom.CoInitialize()
    ...
    if filename.endswith(".sldprt") or filename.endswith(".SLDPRT"):
        sldprt_path = os.path.join(source_folder, filename)
        step_filename = os.path.splitext(filename)[0] + ".step"
        step_path = os.path.join(target_folder, step_filename)
        ...
        model = sw.OpenDoc(sldprt_path, 1)  # Открыть файл .sldprt
        ...
        # Экспорт в STEP
        model.SaveAs2(step_path, 0, True, False)

С помощью библиотеки os находим пути к файлам, копируем название детали в название нового STEP-файла. Необходимо также подключить библиотеки win32com.client и pythoncom для работы с SolidWorks через API.
Ещё желательно при проверке расширения файла .sldprt прописать расширение как строчными, так и ЗАГЛАВНЫМИ буквами, чтобы избежать пропуска нужных деталей.

• В текущей реализации моей программы модель машинного обучения не обучается (люблю речевые повторения) внутри GUI-приложения, но создаётся как класс архитектуры, а в работе приложения только загружается как готовый весовой файл формата .pth и используется далее.

Архитектурно модель – свёрточная нейронная сеть (CNN). Её я написал с помощью библиотеки PyTorch:

class Simple3DCNN(torch.nn.Module):
    def __init__(self, num_classes):
        super(Simple3DCNN, self).__init__()
        self.conv1 = torch.nn.Conv3d(1, 64, kernel_size=3, stride=1, padding=1)
        self.bn1 = torch.nn.BatchNorm3d(64)
        self.pool1 = torch.nn.MaxPool3d(kernel_size=2, stride=2, padding=0)
        self.conv2 = torch.nn.Conv3d(64, 128, kernel_size=3, stride=1, padding=1)
        self.bn2 = torch.nn.BatchNorm3d(128)
        self.pool2 = torch.nn.MaxPool3d(kernel_size=2, stride=2, padding=0)
        self.conv3 = torch.nn.Conv3d(128, 256, kernel_size=3, stride=1, padding=1)
        self.bn3 = torch.nn.BatchNorm3d(256)
        self.pool3 = torch.nn.MaxPool3d(kernel_size=2, stride=2, padding=0)
        self.fc1 = torch.nn.Linear(256 * 4 * 4 * 4, 1024)
        self.fc2 = torch.nn.Linear(1024, 512)
        self.fc3 = torch.nn.Linear(512, num_classes)
        self.relu = torch.nn.ReLU()
        self.dropout = torch.nn.Dropout(0.5)

Кратко по архитектуре и функционалу модели:
В системе используется 3D-CNN для классификации геометрии деталей по STEP-модели.Сначала геометрия переводится в воксельный тензор фиксированного размера 32x32x32, после чего проходит через три сверточных 3D-блока с нормализацией, нелинейностью и пулингом. Gjckt признаки разворачиваются и подаются в полносвязный классификатор 1024 - 512 - 3.В итоге предсказывается один из трёх классов обработки.

Обучение проходило на 50 эпохах, и точность модели по данным с матрицы ошибок, графиков точности и потерь вышла довольно высокая – около 90% на тренировочном наборе данных (взял из своей статьи на Producthunt:

Что дальше?

К сожалению, работа над программой приостановилась. Но она обязательно продолжится. Поделюсь мыслями насчёт обновлений:

1. Сделать программу нелинейной и модульной. Хочу реализовать “индивидуальный подход” к каждому пользователю.

2. Доработать функционал: добавить новые модули конвертации, анализа и т.п. Увы, подробностей пока нет, но наработки есть.

3. Улучшить модель, добавить новые определяемые классы деталей (например, метиз, покупное изделие или вообще непонятное нечто).

Это пока основные моменты для дополнений и исправлений. Буду оперативно делиться новостями.

Благодарю всех и каждого за просмотр.

Всем удачи и хорошего проектирования!