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

Resumen Técnico: Aprendizaje Automático Mejorado con Características CAD para la Estimación del Esfuerzo de Fabricación en Piezas de Doblado de Chapa

Planteamiento del Problema
El Diseño para la Fabricación (DFM) busca identificar las restricciones de producción de manera temprana para reducir costos y complejidad. Aunque las Redes Neuronales de Grafos (GNN) que operan sobre Representaciones de Frontera (B-rep) han demostrado ser prometedoras para aprender directamente de modelos CAD, las representaciones puramente geométricas a menudo carecen de las semánticas específicas del proceso necesarias para una predicción precisa de la fabricabilidad. Factores críticos de fabricación, como los roles de las superficies, la intención de doblado o las relaciones específicas entre características, no se codifican explícitamente en la forma por sí sola y son difíciles de inferir de manera fiable por modelos basados en datos. Además, el campo sufre de escasez de datos debido a restricciones de propiedad intelectual, lo que hace difícil desplegar enfoques puramente basados en datos, mientras que las herramientas tradicionales basadas en reglas son rígidas y laboriosas. Existe una brecha significativa en la validación de estos métodos con datos reales de producción industrial; la mayoría de la literatura existente se basa exclusivamente en conjuntos de datos sintéticos.

Metodología
Los autores proponen un enfoque híbrido que integra el reconocimiento de características de chapa basado en reglas con el aprendizaje profundo basado en grafos. La metodología consta de dos etapas principales:

1. Reconocimiento de Características Basado en Reglas: Un módulo opera directamente sobre archivos STEP nativos para extraer información relevante para la fabricación. Este proceso ocurre en tres etapas:

   • Abstracción Geométrica: Identificación de superficies cilíndricas (radio, longitud, ángulo) y etiquetado de las caras como superiores, inferiores o laterales.
   • Extracción de Características de Fabricación: Reconocimiento de dobleces, agujeros, agujeros laterales y contornos exteriores. Las características de doblez incluyen propiedades como radio interior/exterior, ángulo, orientación y longitudes de pestaña agregadas.
   • Análisis Relacional: Detección de características relacionales, específicamente esquinas de doblez donde los dobleces se encuentran o intersectan.
     El módulo logra un 100% de precisión en el reconocimiento de superficies de doblez y propiedades en pruebas de validación.

2. Aprendizaje de Grafos Mejorado con Fabricación: Las características reconocidas se inyectan como atributos de nodo en el grafo de adyacencia de caras B-rep (Grafo de Adyacencia Atribuido o AAG).

   • Representación de Entrada: Cada nodo de cara se representa mediante un vector de 92 dimensiones. Esto combina una incrustación geométrica de 64 dimensiones (derivada de arquitecturas UV-Net o FoV-Net mediante CNNs o proyección de rayos) con un vector de 28 dimensiones de características de fabricación (indicadores booleanos para dobleces/agujeros, parámetros continuos y estadísticas de doblez).
   • Arquitectura: El modelo utiliza operaciones de paso de mensajes y agrupación para agregar las incrustaciones de caras en una única representación a nivel de grafo. Los atributos de diseño globales (espesor de chapa, área total, volumen de la caja delimitadora) se adjuntan antes de que los datos se alimenten a una Red Neuronal de Capas Completas (FCNN) para la predicción final.

Contribuciones Clave

• Estrategia de Modelado Híbrido: El artículo introduce un método para enriquecer los grafos B-rep con características de fabricación reconocidas, permitiendo que el modelo razone conjuntamente sobre la estructura geométrica y las semánticas de fabricación. A diferencia de trabajos anteriores que descartan la geometría cruda en favor de grafos solo de características, este enfoque conserva la topología completa B-rep.
• Validación en el Mundo Real: El estudio valida el enfoque en un conjunto de datos industrial propietario (KUL-bend) que contiene 503 diseños de chapa con tiempos de doblado medidos en una planta de producción. Esto representa una de las primeras validaciones del aprendizaje B-rep para el esfuerzo de fabricación con datos industriales genuinos, abordando la dependencia de puntos de referencia sintéticos.
• Evaluación Exhaustiva: El método se evalúa tanto en un conjunto de datos sintético a gran escala (BenDFM) para la detección de colisiones de herramientas como en el conjunto de datos real KUL-bend para la estimación de esfuerzo.

Resultados Experimentales
El estudio compara modelos de aprendizaje puro B-rep (UV-Net, FoV-Net) con sus contrapartes mejoradas con características de fabricación (UV-Net (MF), FoV-Net (MF)).

• Estimación de Esfuerzo (KUL-bend):

  • La línea base (predicción de la media) arrojó un RMSE de 49.8s.
  • Los modelos geométricos puros tuvieron un mejor rendimiento, con FoV-Net alcanzando un RMSE de 35.10s.
  • Mejora con Características: La adición de características de fabricación mejoró consistentemente el rendimiento. FoV-Net (MF) logró los mejores resultados con un RMSE de 31.16s y un MAE de 20.38s. UV-Net (MF) mostró el MAPE más bajo (43.86%).
  • Los resultados indican que el conocimiento explícito de fabricación proporciona información complementaria que beneficia el análisis CAD basado en aprendizaje, particularmente en escenarios del mundo real con alta variabilidad.

• Detección de Colisiones (BenDFM):

  • Los modelos geométricos puros superaron significativamente a la línea base aleatoria (50%), con FoV-Net alcanzando una precisión del 80.60%.
  • La mejora con características proporcionó ganancias consistentes pero menores (FoV-Net (MF) alcanzó el 81.26%). Los autores sugieren que esta mejora menor puede deberse al gran tamaño del conjunto de datos que permite a los modelos aprender patrones directamente de la geometría, o a que las características geométricas ya capturan gran parte de la información relevante para la detección de colisiones.

Significado y Afirmaciones
El artículo afirma que el modelado híbrido ofrece un camino viable y efectivo hacia herramientas implementables para la evaluación de fabricabilidad y la estimación de esfuerzo en entornos CAD industriales. Al concentrar la señal de aprendizaje en patrones geométricos relevantes para el proceso, el enfoque mejora la precisión de la predicción tanto en tareas sintéticas como en el mundo real.

Los autores mantienen un tono modesto respecto al alcance del estudio. Reconocen que el conjunto de datos KUL-bend se limita a una sola planta de producción y que los objetivos de tiempo de doblado incluyen ruido irreducible derivado de la variabilidad del operador y de la configuración, que no se codifica en el modelo CAD. No afirman aplicabilidad universal, sino que sugieren que el trabajo futuro debería investigar la transferencia de esta estrategia de enriquecimiento híbrido a otros procesos (por ejemplo, fresado, moldeo por inyección) y a conjuntos de datos industriales más grandes y diversos. El trabajo se posiciona como un paso hacia la reducción de la brecha entre el aprendizaje basado en datos y el conocimiento de ingeniería específico del dominio.