CAD-feature enhanced machine learning for manufacturing effort estimation on sheet metal bending parts

ملخص تقني: تعزيز تعلم الآلة بميزات التصميم بمساعدة الحاسب (CAD) لتقدير جهد التصنيع في قطع ثني الصفائح المعدنية

بيان المشكلة
يهدف التصميم من أجل التصنيع (DFM) إلى تحديد قيود الإنتاج مبكراً لتقليل التكلفة والتعقيد. وبينما أظهرت الشبكات العصبية الرسومية (GNNs) التي تعمل على تمثيلات الحدود (B-reps) واعدةً في التعلم مباشرة من نماذج الـ CAD، إلا أن التمثيلات الهندسية البحتة غالباً ما تفتقر إلى الدلالات الخاصة بالعملية التصنيعية المطلوبة للتنبؤ الدقيق بالقابلية للتصنيع. فالعوامل التصنيعية الحرجة، مثل أدوار الأسطح، أو قصد الثني، أو علاقات الميزات المحددة، لا يتم ترميزها صراحة في الشكل وحده، ويصعب على النماذج القائمة على البيانات استنتاجها بشكل موثوق. علاوة على ذلك، يعاني المجال من ندرة البيانات بسبب قيود الملكية الفكرية، مما يجعل النهج القائم على البيانات وحدها صعب التطبيق، بينما تظل الأدوات التقليدية القائمة على القواعد جامدة وتتطلب جهداً يدوياً كبيراً. وتوجد فجوة كبيرة في التحقق من هذه الأساليب باستخدام بيانات إنتاج صناعية حقيقية؛ حيث تعتمد معظم الدراسات الحالية حصرياً على مجموعات بيانات اصطناعية.

المنهجية
يقترح المؤلفون نهجاً هجيناً يدمج التعرف على ميزات الصفائح المعدنية القائم على القواعد مع التعلم العميق القائم على الرسوم البيانية. تتكون المنهجية من مرحلتين أساسيتين:

1. التعرف على الميزات القائم على القواعد: تعمل وحدة برمجية مباشرة على ملفات STEP الأصلية لاستخراج المعلومات ذات الصلة بالتصنيع. وتتم هذه العملية عبر ثلاث مراحل:

   • التجريد الهندسي: تحديد الأسطح الأسطوانية (نصف القطر، الطول، الزاوية) وتصنيف الأوجه كأوجه علوية، أو سفلية، أو جانبية.
   • استخراج ميزات التصنيع: التعرف على عمليات الثني، والثقوب، والثقوب الجانبية، والحدود الخارجية. وتشمل ميزات الثني خصائص مثل نصف القطر الداخلي/الخارجي، والزاوية، والاتجاه، وأطوال الحواف المجمعة.
   • التحليل العلاقاتي: اكتشاف الميزات العلاقاتية، وتحديداً زوايا الثني حيث تلتقي عمليات الثني أو تتقاطع.
     حققت هذه الوحدة دقة بنسبة 100% في التعرف على أسطح وخصائص الثني في اختبارات التحقق.

2. التعلم الرسومي المعزز بالتصنيع: يتم حقن الميزات التي تم التعرف عليها كسمات للعقد في الرسم البياني لتجاور الأوجه الخاص بتمثيل الحدود (Attributed Adjacency Graph أو AAG).

   • تمثيل المدخلات: يتم تمثيل كل عقدة وجه بمتجه ذي 92 بُعداً. يجمع هذا المتجه بين تضمين هندسي مكون من 64 بُعداً (مشتق من بنيات UV-Net أو FoV-Net عبر الشبكات العصبية الالتفافية أو إسقاط الأشعة) ومتجه مكون من 28 بُعداً من ميزات التصنيع (مؤشرات منطقية للثني/الثقوب، ومعاملات مستمرة، وإحصائيات الثني).
   • البنية: يستخدم النموذج عمليات تمرير الرسائل والتجميع (pooling) لتجميع تضمينات الأوجه في تمثيل واحد على مستوى الرسم البياني. تُضاف سمات التصميم العالمية (سُمك الصفيحة، المساحة الإجمالية، حجم الصندوق المحيط) قبل تغذية البيانات في شبكة عصبية متصلة بالكامل (FCNN) للحصول على التنبؤ النهائي.

المساهمات الرئيسية

• استراتيجية النمذجة الهجينة: يقدم البحث طريقة لإثراء رسوم B-rep البيانية بميزات التصنيع المكتشفة، مما يسمح للنموذج بالاستدلال المشترك على الهيكل الهندسي ودلالات التصنيع. وخلافاً للأعمال السابقة التي تتخلص من الهندسة الخام لصالح الرسوم البيانية المعتمدة على الميزات فقط، فإن هذا النهج يحتفظ بكامل طوبولوجيا B-rep.
• التحقق من الواقع الصناعي: تحقق الدراسة من صحة النهج باستخدام مجموعة بيانات صناعية مملوكة (KUL-bend) تحتوي على 503 تصميماً للصفائح المعدنية مع أوقات ثني مقاسة من أرضية الإنتاج. ويمثل هذا واحداً من أوائل عمليات التحقق من تعلم B-rep لجهد التصنيع باستخدام بيانات صناعية حقيقية، مما يعالج الاعتماد على المعايير الاصطناعية.
• المقارنة المرجعية الشاملة: تمت تقييم الطريقة على كل من مجموعة بيانات اصطناعية واسعة النطاق (BenDFM) للكشف عن تصادم الأدوات، ومجموعة بيانات KUL-bend الواقعية لتقدير الجهد.

النتائج التجريبية
تقارن الدراسة بين نماذج تعلم B-rep النقية (UV-Net، FoV-Net) ونظيراتها المعززة بميزات التصنيع (UV-Net (MF)، FoV-Net (MF)).

• تقدير الجهد (KUL-bend):

  • حقق خط الأساس (التنبؤ بالمتوسط) خطأ جذر متوسط المربعات (RMSE) قدره 49.8 ثانية.
  • أدت النماذج الهندسية النقية إلى أداء أفضل، حيث حقق FoV-Net خطأ RMSE قدره 35.10 ثانية.
  • تعزيز الميزات: أدى إضافة ميزات التصنيع باستمرار إلى تحسين الأداء. حقق FoV-Net (MF) أفضل النتائج بـ RMSE قدره 31.16 ثانية وMAE قدره 20.38 ثانية. كما أظهر UV-Net (MF) أدنى نسبة خطأ متوسط مطلق (MAPE) وهي 43.86%.
  • تشير النتائج إلى أن المعرفة التصنيعية الصريحة توفر معلومات تكميلية تفيد التحليل القائم على التعلم لـ CAD، خاصة في السيناريوهات الواقعية ذات التباين العالي.

• الكشف عن التصادم (BenDFM):

  • تفوقت النماذج الهندسية النقية بشكل كبير على خط الأساس العشوائي (50%)، حيث وصلت دقة FoV-Net إلى 80.60%.
  • وفر تعزيز الميزات مكاسب ثابتة ولكنها أصغر (وصل FoV-Net (MF) إلى 81.26%). يشير المؤلفون إلى أن هذا التحسن الطفيف قد يعود إلى حجم مجموعة البيانات الكبير الذي يسمح للنماذج بتعلم الأنماط مباشرة من الهندسة، أو أن الميزات الهندسية تستوعب بالفعل الكثير من المعلومات ذات الصلة بالكشف عن التصادم.

الأهمية والادعاءات
يزعم البحث أن النمذجة الهجينة توفر مساراً قابلاً للتطبيق وفعالاً نحو أدوات يمكن نشرها لتقييم القابلية للتصنيع وتقدير الجهد في بيئات الـ CAD الصناعية. ومن خلال تركيز إشارة التعلم على الأنماط الهندسية ذات الصلة بالعملية، يحسن هذا النهج دقة التنبؤ عبر المهام الاصطناعية والواقعية على حد سواء.

يحافظ المؤلفون على نبرة متواضعة فيما يتعلق بنطاق الدراسة؛ حيث يقرون بأن مجموعة بيانات KUL-bend تقتصر على منشأة إنتاج واحدة، وأن أهداف وقت الثني تتضمن ضوضاء لا يمكن تجنبها ناتجة عن تباين المشغلين والإعدادات والتي لا يتم ترميزها في نموذج الـ CAD. هم لا يدعون إلى قابلية التطبيق الشامل، بل يقترحون أن العمل المستقبلي يجب أن يبحث في نقل استراتيجية الإثراء الهجين هذه إلى عمليات أخرى (مثل التفريز، أو قوالب الحقن، أو غيرها) وإلى مجموعات بيانات صناعية أكبر وأكثر تنوعاً. ويضع هذا العمل نفسه كخطوة نحو سد الفجوة بين التعلم القائم على البيانات والمعرفة الهندسية المتخصصة.