冰箱抽屉仿真自动化框架

基于 拉丁超立方采样（LHS） + NX 参数化建模 + ANSYS Mechanical 批量仿真 + ANSYS Discovery 容积计算 + SAEA 代理模型优化 的自动化优化循环系统。支持自定义任意数量设计变量，采用异步任务队列和多实例NX服务实现高效并行仿真，集成Discovery容积计算功能，并支持基于代理模型的自适应加点迭代（如NSGA2、EHVI等）。

✨ 主要特性

• 🎯 参数泛化：支持任意数量的设计变量（如加强筋高度、厚度、角度等），只需在配置文件中定义名称、范围和单位。
• 🔁 智能采样：内置拉丁超立方采样（LHS）生成初始DOE点，提供多种自适应加点策略。
• 🚀 异步多实例：基于Python asyncio实现异步多实例NX服务，支持动态负载均衡和连接池管理。
• 🧩 智能通信：通过 Socket + JSON 与NX服务通信，支持环境变量参数传递，避免重复启动NX。
• ⚙️ 并行仿真：基于工作池并行运行多个 Mechanical 实例，动态任务队列实现负载均衡。
• 📦 容积计算：集成ANSYS Discovery进行封闭腔体容积计算，支持颜色识别和并行处理。
• 🤖 代理模型：集成高斯过程代理模型，支持预测和不确定性估计。
• 📈 多目标优化：支持NSGA2多目标优化算法，自动寻找帕累托前沿。
• 🎯 智能加点：支持EHVI（期望超体积增量）和dHV（超体积增量）等加点策略。
• 🗂️ 轻量数据管理：使用 CSV 存储所有设计点和仿真结果，便于查看和后处理。
• 💾 客户端缓存：失败缓存管理在客户端实现，避免多实例并发访问冲突。
• 📊 可视化分析：自动生成优化过程可视化图表，包括帕累托前沿、收敛曲线等。

📁 项目目录结构

AutoSimProject/
├── README.md
├── requirements.txt
├── config.py                     # 全局配置（变量、路径、并行数等）
├── main.py                       # 主控入口（DOE + SAEA优化）
│
├── apis/                         # 对外API
│   ├── __init__.py
│   ├── doe_api.py                # run_doe_batch() (异步版本)
│   └── adaptive_api.py           # run_adaptive_points()
│
├── nx_integration/               # NX集成模块
│   ├── __init__.py
│   ├── nx_client_async.py        # 异步批量导出客户端（Socket + 连接池）
│   ├── nx_client.py              # 同步批量导出客户端（兼容版本）
│   ├── nx_service.py             # NX服务端（IronPython，在NX中运行）
│   ├── nx_cache_manager.py       # 客户端缓存管理器
│   ├── start_nx_service.bat      # 启动NX服务的批处理
│   ├── cache/                    # 缓存目录
│   │   └── nx_failures_port_9999.csv  # 失败缓存文件（按端口分离）
│   ├── test_params.py            # 参数传递测试脚本
│   └── test_params.bat           # 参数传递测试批处理
│
├── mechanical/                   # Mechanical仿真模块
│   ├── __init__.py
│   ├── simulator.py              # 并行仿真 run_batch_simulation()
│   ├── worker.py                 # 工作进程管理
│   └── simulation_cache.csv      # 仿真缓存文件
│
├── discovery/                    # Discovery容积计算模块
│   ├── __init__.py
│   └── simulator.py              # 容积计算 run_batch_volume_calculation()
│
├── sampling/                     # 采样与优化策略
│   ├── __init__.py
│   ├── lhs_sampler.py            # 拉丁超立方采样
│   ├── adaptive_strategies.py    # 加点策略（LHS最大最小距离等）
│   ├── saea_optimizer.py         # SAEA优化器（NSGA2 + EHVI）
│   ├── surrogate_training.py     # 代理模型训练（高斯过程）
│   └── variable_utils.py         # 变量辅助函数
│
├── utils/                        # 通用工具
│   ├── __init__.py
│   ├── logger.py                 # 统一日志配置
│   ├── file_utils.py             # 目录/文件操作
│   └── validation.py             # 变量校验（如检查NX表达式是否存在）
│
├── data/                         # 运行时数据（自动创建）
│   ├── step_files/               # NX导出的STEP文件
│   ├── results.csv               # 所有仿真结果汇总
│   ├── results_doe.csv           # DOE阶段结果
│   ├── design_points.csv         # 设计点存档
│   ├── simulation_failed.csv     # 仿真失败缓存
│   ├── history_iterations.csv    # 迭代历史记录
│   ├── lhs_all_points.csv        # 所有LHS采样点
│   ├── lhs_feasible_points.csv   # 可行LHS采样点
│   ├── lhs_pareto_front.csv      # LHS帕累托前沿
│   ├── pareto_comparison.csv     # 帕累托前沿对比
│   └── saea_infill_points.csv    # SAEA加点记录
│
└── logs/                         # 日志目录
    ├── main.log
    ├── nx_client.log
    └── mechanical.log

🔧 环境要求

• 操作系统：Windows（因为NX和ANSYS仅支持Windows）
• NX：Siemens NX 12.0 或更高版本（需包含NXOpen Python API）
• ANSYS Mechanical：2021 R2 或更高版本（需授权）
• ANSYS Discovery：2023 R1 或更高版本（可选，用于容积计算）
• Python：3.8～3.10（推荐3.9）
• Python 包：见 requirements.txt

📦 安装步骤

1. 克隆或创建项目文件夹

git clone <your-repo-url> AutoSimProject
cd AutoSimProject

2. 创建虚拟环境（推荐）

python -m venv venv
venv\Scripts\activate

3. 安装依赖

pip install -r requirements.txt

4. 配置 ANSYS Mechanical 路径

• 打开 config.py，设置 ANSYS_EXE_PATH 为你的 AnsysWBU.exe 实际路径。

  ANSYS_EXE_PATH = r"F:/RUANJIAN/ANSYS Inc/v251/aisol/bin/winx64/AnsysWBU.exe"

5. 准备 NX 参数化模板

• 在 NX 中创建一个部件，建立 与 config.DESIGN_VARS 中变量名完全一致 的表达式。
• 将该部件保存为固定路径，并修改 config.py 中的 NX_TEMPLATE_PATH 变量。
• 重要：为需要计算容积的模型设置颜色标识：
  • 封口面：RGB (246, 160, 104)
  • 底面：RGB (255, 102, 0)

6. 配置 NX 服务

• 系统会自动检测 NX 安装路径，也可手动配置 NX_JOURNAL_PATH。
• 默认配置：常驻实例端口 9999，临时实例从 10000 开始分配。
• 可在 config.py 中调整 NX_TOTAL_WORKERS 等参数。

7. 启动 NX 常驻服务（可选）

• 双击 nx_integration/start_nx_service.bat 启动常驻服务（端口 9999）。
• 或者让系统自动按需启动实例。

8. 配置 Discovery（可选）

• 如果需要容积计算功能，确保已安装ANSYS Discovery。
• 在 config.py 中设置 DISCOVERY_ENABLED = True。
• 可调整 DISCOVERY_WORKERS 控制并行实例数。

🚀 快速开始

运行完整优化循环（DOE + SAEA优化）

python main.py

该脚本将自动：

1. 根据 config.py 中的变量范围生成初始LHS样本。
2. 通过异步多实例NX服务批量导出 STEP 文件。
3. （可选）使用Discovery批量计算容积。
4. 启动多个 Mechanical 实例并行仿真。
5. 训练高斯过程代理模型。
6. 使用NSGA2算法进行多目标优化。
7. 基于EHVI/dHV策略智能加点。
8. 重复步骤2-7，完成多轮迭代优化。
9. 生成可视化分析图表。

仅运行初始 DOE（不优化）

from apis.doe_api import run_doe_batch

df = run_doe_batch(n_samples=100)
print(df.head())

使用Discovery计算容积

from discovery.simulator import run_batch_volume_calculation, init_pool, shutdown_pool
import glob

# 初始化Discovery池
init_pool(n_workers=2, hidden=False)  # hidden=False显示窗口

# 获取STEP文件列表
step_files = glob.glob("data/step_files/*.step")

# 批量计算容积
results = run_batch_volume_calculation(step_files)

# 输出结果
for result in results:
    if result["success"]:
        print(f"{result['step_path']}: {result['volume_mm3']:.2f} mm³")

# 关闭Discovery池
shutdown_pool()

使用SAEA优化器进行多目标优化

import pandas as pd
from sampling.saea_optimizer import nsga2_optimize, select_new_points
from sampling.surrogate_training import SurrogateModel

# 加载已有数据
existing_data = pd.read_csv("data/results.csv")

# 训练代理模型
model = SurrogateModel()
model.fit(existing_data)

# NSGA2优化
pareto_points = nsga2_optimize(model, n_generations=100)

# 智能加点
new_points = select_new_points(model, pareto_points, strategy='ehvi', n_points=10)

⚙️ 核心配置说明 (config.py)

设计变量配置

变量名	说明
DESIGN_VARS	设计变量字典，键为变量名（与NX表达式一致），值为 (min, max, unit) 元组。

NX 服务配置

变量名	说明
NX_HOST	NX 服务地址（默认 localhost）。
NX_PORT	默认端口（9999，常驻实例）。
NX_TOTAL_WORKERS	总NX服务数量（包括固定端口9999）。
NX_START_PORT	起始端口（默认 9999）。
NX_CONNECT_TIMEOUT	连接超时（秒）。
NX_RECV_TIMEOUT	接收超时（秒）。
NX_DEFAULT_BATCH_SIZE	默认批次大小。

ANSYS 配置

变量名	说明
ANSYS_EXE_PATH	Mechanical 可执行文件路径。
MECHANICAL_WORKERS	并行 Mechanical 实例数（不超过许可证数量）。

Discovery 配置

变量名	说明
DISCOVERY_ENABLED	是否启用Discovery容积计算。
DISCOVERY_WORKERS	并行Discovery实例数（建议2个）。
DISCOVERY_TRANSPORT_MODE	传输模式（默认"insecure"）。
DISCOVERY_HIDDEN	窗口显示模式：False=显示，True=隐藏。

采样与优化配置

变量名	说明
DOE_SAMPLES	初始拉丁超立方样本数。
ADAPTIVE_POINTS_PER_ITER	每轮加点数量。
ADAPTIVE_MAX_ITER	最大加点轮数。
INFILL_STRATEGY	加点策略：'dhv'（超体积增量）或 'ehvi'（期望超体积增量）。
STRESS_LIMIT_MULTIPLIER	应力约束上限系数。

📡 NX 通信协议（统一报文）

请求格式（主控 → NX）

{
  "type": "batch_doe",
  "task_id": "20250506_001",
  "export_root": "D:/sim_models/doe_batch/",
  "file_type": "step",
  "params_list": [
    {"rib_h": 12.0, "rib_w": 2.5, ...},
    ...
  ]
}

响应格式（NX → 主控）

{
  "task_id": "20250506_001",
  "global_status": "success",
  "code": 0,
  "msg": "",
  "detail": [
    {"idx": 0, "params": {...}, "status": "success", "model_path": "...", "error_msg": ""},
    ...
  ]
}

🔄 异步多实例架构

实例管理

• 常驻实例：端口 9999，任务结束后保持运行，下次任务快速响应。
• 临时实例：端口 10000+，任务开始时启动，任务结束后自动关闭。

连接池策略

• 采用 LRU（Least Recently Used）负载均衡策略。
• 自动检测实例可用性，按需启动临时实例。
• 支持连接超时、重试机制和错误处理。

任务队列

• 基于 asyncio.Queue 实现动态任务分配。
• 工作协程从队列获取任务，自动处理失败重试。
• 确保任务按原始顺序处理，保持文件命名一致性。

缓存管理

• 客户端实现失败缓存管理（nx_cache_manager.py）。
• 按端口分离缓存文件，避免多实例冲突。
• 自动去重，避免重复处理失败任务。

📦 Discovery 容积计算

功能特点

• 颜色识别：通过RGB颜色自动识别封口面和底面。
• 容积提取：使用VolumeExtract功能计算封闭腔体容积。
• 并行处理：支持多实例并行计算，提高效率。
• 灵活配置：支持显示/隐藏窗口模式。

颜色标识要求

在NX建模时，需要为特定面设置颜色：

• 封口面：RGB (246, 160, 104) - 橙色
• 底面：RGB (255, 102, 0) - 深橙色

使用示例

from discovery.simulator import init_pool, run_batch_volume_calculation, shutdown_pool

# 初始化（显示窗口，便于调试）
init_pool(n_workers=2, hidden=False)

# 批量计算
step_files = ["path/to/model1.step", "path/to/model2.step"]
results = run_batch_volume_calculation(step_files)

# 查看结果
for r in results:
    if r["success"]:
        print(f"容积: {r['volume_mm3']:.2f} mm³")

# 关闭池
shutdown_pool()

性能优化

• 建议使用2个Discovery实例并行处理
• 隐藏窗口模式（hidden=True）可提升性能
• 确保STEP文件路径正确且可访问

🤖 SAEA 代理模型优化

高斯过程代理模型

• 基于GPyTorch实现的高斯过程回归模型。
• 支持多目标预测和不确定性估计。
• 自动超参数优化，确保模型精度。

NSGA2 多目标优化

• 基于pymoo库实现的NSGA-II算法。
• 支持任意数量目标函数优化。
• 自动生成帕累托前沿解集。

智能加点策略

• EHVI（Expected Hypervolume Improvement）：考虑预测不确定性的期望超体积增量。
• dHV（direct Hypervolume Improvement）：直接超体积增量策略。
• 自动平衡探索与利用，提高优化效率。

🧪 扩展与自定义

1. 添加新设计变量

• 在 config.py 的 DESIGN_VARS 中添加新条目。
• 在 NX 模板部件中创建同名的表达式，并关联到几何特征。
• 运行代码即可，其他模块自动适配。

2. 自定义加点策略

• 在 sampling/saea_optimizer.py 中实现新的加点函数。
• 支持基于代理模型预测的各种策略。

3. 修改求解类型（如模态分析、热分析）

• 编辑 mechanical/simulator.py 中的 IronPython 脚本。
• 替换结果提取函数以获取所需物理量。

4. 调整并行策略

• 修改 config.py 中的 NX_TOTAL_WORKERS、MECHANICAL_WORKERS 和 DISCOVERY_WORKERS。
• 调整 NX_DEFAULT_BATCH_SIZE 优化批次处理效率。

5. 自定义可视化

• 修改 main.py 中的matplotlib配置。
• 添加自定义图表和分析功能。

6. 自定义Discovery颜色识别

• 编辑 discovery/simulator.py 中的 DISCOVERY_VOLUME_SCRIPT。
• 修改 SEAL_RGB 和 BOTTOM_RGB 常量以匹配你的颜色标识。

🐛 常见问题

Q: NX 服务启动后，客户端连接超时？
A: 检查防火墙是否允许相应端口；确认 config.py 中的 NX_HOST 与服务器实际IP一致（本地用 localhost）。

Q: Mechanical 抛出 "No valid licenses available"
A: 减少 MECHANICAL_WORKERS 数值，或确认你的许可证支持并行多个实例。

Q: Discovery 容积计算失败？
A: 检查STEP文件中是否正确设置了封口面和底面的颜色；确认颜色RGB值是否为 (246, 160, 104) 和 (255, 102, 0)。

Q: 部分样本仿真失败，但整体流程继续运行？
A: 每个样本的异常会被捕获并记录日志，主控不会中断。失败样本会被记录到缓存中，避免重复处理。

Q: 如何从已有 CSV 恢复未完成的批次？
A: 系统会自动检查失败缓存，跳过已标记失败的任务。可以手动编辑 nx_integration/cache/nx_failures_port_*.csv 来管理失败任务列表。

Q: 多实例NX会导致文件名冲突吗？
A: 不会。系统使用确定性命名策略，基于原始任务索引生成文件名，确保串行和并行执行结果一致。

Q: 如何查看NX实例运行状态？
A: 每个NX实例都有独立的CMD窗口，显示实时日志。常驻实例（端口9999）保持运行，临时实例在任务结束后自动关闭。

Q: 代理模型训练需要多少数据？
A: 建议至少有50-100个样本点才能训练出可靠的代理模型。数据越多，模型精度越高。

Q: EHVI和dHV策略有什么区别？
A: EHVI考虑预测不确定性，更适合探索阶段；dHV直接优化超体积，更适合利用阶段。可以根据优化阶段选择合适策略。

Q: Discovery计算容积的精度如何？
A: Discovery基于几何体积提取，精度取决于STEP模型的几何质量。建议在NX中确保模型封闭且无几何错误。

Q: 如何提高Discovery计算速度？
A: 使用隐藏窗口模式（hidden=True），适当增加并行实例数（建议不超过2个），确保STEP文件在本地磁盘上。

📄 许可证

本项目仅供内部研究和学习使用。涉及的商业软件（NX、ANSYS）请遵循各自授权协议。

🤝 贡献与支持

如有问题或改进建议，请在项目中提交 Issue 或联系维护者。

---

愿你的优化循环永不中断！ 🚀