本文是一篇关于特征识别技术的综述性论文，发表在《computer-aided design & applications》期刊2020年第17卷第5期，作者包括Yang Shi、Yicha Zhang、Kaishu Xia和Ramy Harik，分别来自南卡罗来纳大学和贝尔福-蒙贝利亚尔技术大学。本文对特征识别技术进行了系统的回顾，探讨了其在计算机辅助设计（CAD）、计算机辅助制造（CAM）、计算机辅助工程（CAE）和计算机辅助工艺规划（CAPP）中的重要性，并分析了现有技术的优缺点。
特征（feature）是设计和制造过程中不可或缺的概念，它能够捕捉专家知识并促进从设计到产品生命周期各阶段的信息流动。然而，现有的CAD系统主要关注通过布尔操作创建几何形状，而忽略了制造特征的定义。特征识别（Feature Recognition, FR）技术旨在从CAD模型中提取特定应用的信息，以支持下游的工程活动。尽管过去几十年中，研究者们开发了多种特征识别方法，如基于规则、基于图、体积分解和人工神经网络等，但这些技术在实际应用中仍面临诸多挑战，如缺乏鲁棒性、计算复杂度高等问题。本文旨在对这些方法进行批判性回顾，并探讨其未来的发展方向。
特征的定义和表示是特征识别系统的核心组成部分。特征可以分为隐式定义和显式定义。隐式定义通常基于形状模式，而显式定义则根据具体的应用需求将特征分解为设计特征、制造特征、装配特征和分析特征等子类。制造特征是最常见的特征识别目标，通常用于制造性分析和工艺规划活动。特征表示则是将低层次的几何实体转换为高层次的功能形状描述，常见的表示方法包括线框模型、表面模型和体积模型。
本文详细讨论了四种主要的特征识别方法：基于规则和提示的方法、基于图的方法、体积分解方法和人工神经网络方法。
基于规则的方法是最早被研究的特征识别方法之一，它通过预定义的规则来识别特征。然而，这种方法在处理复杂特征和交互特征时存在局限性。提示（hint）方法则通过搜索不完整的表示来推断特征的存在，能够更好地处理特征交互问题。提示方法通常分为两步：首先生成提示，然后通过规则匹配或体积构建来识别特征。
基于图的方法利用图的结构与CAD模型的边界表示（B-rep）相似性，通过图的分解和子图匹配来识别特征。尽管这种方法在处理孤立特征时非常有效，但在处理任意特征交互时存在困难。研究者们通过引入虚拟链接和最小条件子图（MCSG）等概念来改进图方法的鲁棒性。
体积分解方法通过将材料的移除体积分解为中间体积，然后根据规则将这些体积组合成特征。常见的体积分解方法包括凸包分解和基于单元的体积分解。凸包分解通过递归计算零件的凸包来分解体积，而基于单元的方法则将体积分解为最小单元，然后重新组合为可识别的体积特征。尽管体积分解方法在处理特征交互时表现出色，但其计算复杂度较高，且难以处理自由曲面。
人工神经网络（ANN）通过训练样本来自动推导隐含的模式，具有强大的泛化能力和鲁棒性。ANN的输入表示和网络架构设计是影响其性能的关键因素。常见的输入表示方法包括基于2D投影的表示、基于图的表示和面评分向量。ANN的网络架构主要包括前馈神经网络、自组织映射和递归神经网络。尽管ANN在处理非正交和交互特征时表现出色，但其训练过程复杂，且难以扩展到复杂零件。
为了克服单一方法的局限性，研究者们提出了多种混合方法。例如，将基于图的方法与提示方法结合，以处理特征交互问题；或将ANN与基于图的方法结合，以提高特征识别的鲁棒性。此外，体积分解方法与基于图的方法的结合也被广泛研究，以生成多种解释并支持下游的制造应用。
本文对特征识别技术进行了全面的回顾，总结了现有方法的优缺点，并探讨了未来的研究方向。尽管特征识别技术在过去的几十年中取得了显著进展，但仍有许多问题亟待解决，如处理复杂特征交互、提高计算效率和扩展应用领域等。未来的研究可能会集中在开发更高效的混合方法、改进ANN的输入表示和网络架构，以及探索新的特征识别算法。
本文的亮点在于对特征识别技术的系统性回顾，涵盖了多种方法的优缺点及其在实际应用中的挑战。特别是对基于图的方法和体积分解方法的详细讨论，为研究者提供了宝贵的参考。此外，本文还提出了未来研究的方向，为特征识别技术的发展提供了新的思路。
本文的学术价值在于为特征识别领域的研究者提供了全面的文献综述，帮助他们了解现有技术的进展和挑战。同时，本文也为工业界提供了实用的参考，帮助他们选择适合的特征识别方法以支持设计和制造活动。通过本文的回顾，读者可以更好地理解特征识别技术的现状，并为未来的研究提供方向。