AI4CAD:利用 Python 实现 SolidWorks 自动化建模小尝试(基于Python的Solidworks二次开发)

AI4CAD:利用 Python 实现 SolidWorks 自动化建模小尝试(基于Python的Solidworks二次开发)

近年来,AI 已经逐渐渗透到我们工作的方方面面。你是否曾想过,如果建模也能交给 AI 来完成,我们只需告诉它:“帮我画一个杯子,高 12 厘米,直径 8 厘米,壁厚 2 毫米”,它就能自动完成?这听起来可能像是未来科幻,但如今借助 SolidWorks 的开放接口和 Python 的强大生态,我们正一步步迈向这个目标。
🧠 AI 建模设想:告诉它“我要一个杯子”
想象一个未来的建模流程:
你说:“我要一个杯子”
AI 追问:“多高?多大直径?底厚多少?是否带把手?”
你回答参数
AI 自动在 SolidWorks 中建模并保存。
当然以上还只是个美好的幻想,想要实现还需要发展自动化建模技术以及大语言模型交互。
这里我基于pycharm+anaconda实现了与SolidWorks 的关联,实现了以下小操作:
1、建立 Python 与 SolidWorks 的连接
2、通过代码新建零件文档
3、在前视基准面绘制一个正八边形
4、对该草图进行拉伸
5、保存生成的零件文件
当然了,重点是如何建立 Python 与 SolidWorks 的连接。其他不管是新建零件绘图什么的都是通过调用SolidWorks 里的API实现。
如何建立 Python 与 SolidWorks 之间的连接呢?
1、找到你项目所在的虚拟环境下的makepy.py。
我的虚拟环境是Myenv1:

在这里插入图片描述


2、运行后分别选择SOLIDWORKS 20XX Type library和SOLIDWORKS 20XX Constant type library的文件,选择ok后,运行窗会出现一行地址,根据地址找到对应的文件。

在这里插入图片描述


地址里的文件如下:

在这里插入图片描述


3、将上方红色的py文件复制出一份副本,命名为为swconnect(8开头的)和swconst(4开头的)。
4、将起复制到虚拟环境下win32com的client。

在这里插入图片描述


大功告成!
接下来就是写代码实现了:
运行结果:

在这里插入图片描述


在这里插入图片描述


代码如下:

import time import math import win32com.client from win32com.client import VARIANT import pythoncom swApp = win32com.client.Dispatch("SldWorks.Application") swApp.Visible =True time.sleep(2)# 新建零件 template_path =r"C:\ProgramData\SolidWorks\SOLIDWORKS 2021\templates\gb_part.prtdot" swModel = swApp.NewDocument(template_path,0,0,0)if swModel isNone:raise RuntimeError("❌ 新建失败")print("✅ 成功新建零件文档") modelView = swModel.ActiveView if modelView: modelView.FrameState =1 swModelExt = swModel.Extension swSketchMgr = swModel.SketchManager swFeatMgr = swModel.FeatureManager arg_null = VARIANT(pythoncom.VT_DISPATCH,None)# === 正八边形 === swModelExt.SelectByID2("Front Plane","PLANE",0,0,0,False,0, arg_null,0) swSketchMgr.InsertSketch(True) R =1/(2* math.sin(math.pi /8)) points =[]for i inrange(8): angle = i *(2* math.pi /8) x = R * math.cos(angle) y = R * math.sin(angle) points.append((x, y))for i inrange(8): x1, y1 = points[i] x2, y2 = points[(i +1)%8] swSketchMgr.CreateLine(x1, y1,0, x2, y2,0) swSketchMgr.InsertSketch(True)# === 拉伸 0.5 m === extrude = swFeatMgr.FeatureExtrusion2(True,False,False,0,0,0.5,0.0,False,False,0.0,0.0,False,False,0.0,0.0,False,False,False,0,0,False,False,False)if extrude isNone:raise RuntimeError("❌ 拉伸失败")print("✅ 已完成拉伸")

代码挺简单的,一看就知道意图,也没什么好讲的。
既然已经打通了,那就可以学习 SolidWorks 的API,然后尽情开发吧!

Read more

什么是人工智能?AI、机器学习、深度学习的关系

什么是人工智能?AI、机器学习、深度学习的关系

文章目录 * 什么是人工智能 * 人工智能的定义 * 人工智能的分类 * 什么是机器学习 * 机器学习的基本概念 * 机器学习的工作流程 * 机器学习的主要类型 * 什么是深度学习 * 深度学习的基本概念 * 深度学习的优势 * 深度学习的应用领域 * AI、机器学习、深度学习的关系 * 三者的层次关系 * 三者的发展历程 * 如何选择合适的方法 * 实际应用案例分析 * 案例一:垃圾邮件过滤 * 案例二:图像识别 * 案例三:推荐系统 * 学习路径建议 * 第一阶段:打好基础 * 第二阶段:深入学习 * 第三阶段:实战提升 * 总结 本篇文章将带你深入理解人工智能的核心概念,厘清AI、机器学习、深度学习之间的关系,为后续的学习打下坚实的基础。 什么是人工智能 人工智能的定义 人工智能,英文名称为Artificial Intelligence,简称AI,这个概念最早由约翰·麦卡锡在1956年的达特茅斯会议上提出。那么什么是人工智能呢?简单来说,人工智能就

By Ne0inhk
会提问的人,正在用AI收割下一个十年

会提问的人,正在用AI收割下一个十年

文章目录 * 引言:一场关于AI的颠覆性对话 * 从对话到收入:AI时代的新型生产关系 * 会说话就能赚钱?这不是天方夜谭 * 从想法到产品:三天的魔法 * 技术民主化:AI不再是工程师的专属 * 打破技术壁垒的革命 * 文科生的优势在哪里? * AI时代的商业逻辑:用户付费意愿超预期 * 价值认知的转变 * 为什么用户愿意付费? * 新的商业模式 * AI的边界:思考仍然是人类的专属 * 技术的局限性 * 人机协作的最佳模式 * 实践指南:如何开始你的AI创作之旅 * 第一步:转变思维方式 * 第二步:从小项目开始 * 第三步:快速迭代 * 第四步:关注用户价值 * 第五步:建立商业模式 * 《脉向AI》:探索AI时代的无限可能 * 为什么要关注这期访谈? * 这不仅仅是一次访谈 * 结语:属于每个人的AI时代 引言:一场关于AI的颠覆性对话 在这个技术迅猛发展的时代,我们总是习惯性地认为,掌握AI技术是程序员和工程师的专属特权。但如果我告诉你,文科生可能才是A

By Ne0inhk
2026年AI大模型应用开发保姆级教程:从入门到精通,这一篇就够了!AI大模型应用开发学习路线

2026年AI大模型应用开发保姆级教程:从入门到精通,这一篇就够了!AI大模型应用开发学习路线

🚀 AI大模型应用开发:从入门到精通的体系化学习路线 (2026版) 摘要: 随着ChatGPT、文心一言、通义千问等大模型的爆发,掌握AI大模型应用开发已成为开发者进阶、获取高薪的黄金技能!本文由深耕AI领域的ZEEKLOG专家撰写,为你梳理一条清晰、高效、可落地的学习路线,涵盖必备基础、核心理论、关键技术、工具链、项目实战全流程,助你从“小白”快速成长为能独立开发AI应用的高手!文末附赠精选学习资源清单! 📌 一、 为什么学习AI大模型应用开发? * 时代风口: AI大模型是当前科技革命的核心驱动力,重塑各行各业(办公、教育、医疗、金融、娱乐等),人才缺口巨大,薪资水平水涨船高。 * 降本增效: 利用大模型强大的生成、理解、推理能力,可以自动化大量重复性工作,大幅提升开发效率和产品智能化水平。 * 创新机遇: 大模型为开发者提供了前所未有的能力基石,催生无数创新应用场景(智能助手、个性化推荐、代码生成、内容创作、智能客服等)。 * 开发者必备技能: 未来,

By Ne0inhk
人工智能:扩散模型(Diffusion Model)原理与图像生成实战

人工智能:扩散模型(Diffusion Model)原理与图像生成实战

人工智能:扩散模型(Diffusion Model)原理与图像生成实战 1.1 本章学习目标与重点 💡 学习目标:掌握扩散模型的核心原理、前向扩散与反向扩散过程,以及基于扩散模型的图像生成任务实战流程。 💡 学习重点:理解扩散模型的噪声添加与噪声消除机制,学会使用 PyTorch 搭建 DDPM 模型,完成手写数字图像生成任务。 1.2 扩散模型的核心思想 1.2.1 为什么需要扩散模型 💡 传统的生成模型(如 GAN)存在训练不稳定、模式崩溃等问题。扩散模型作为一种基于概率的生成模型,通过逐步添加噪声和逐步去除噪声的双向过程,实现了更稳定的训练和更高质量的生成效果。 扩散模型的灵感来源于非平衡热力学,它的核心是将复杂的生成问题拆解为多个简单的马尔可夫链步骤。在图像生成、文本生成、语音合成等领域,扩散模型的表现已经超越了传统生成模型。 1.2.2 扩散模型的基本框架 💡 扩散模型包含两个核心过程:前向扩散过程和反向扩散过程。 1. 前向扩散过程:从真实数据出发,

By Ne0inhk