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

기술 요약: 시트 금속 벤딩 부품의 제조 노력 추정을 위한 CAD 기능 강화 머신러닝

문제 제기
제조를 위한 설계 (DFM) 는 비용과 복잡성을 줄이기 위해 생산 제약 조건을 조기에 식별하는 것을 목표로 합니다. 경계 표현 (B-rep) 에서 작동하는 그래프 신경망 (GNN) 이 CAD 모델에서 직접 학습하는 데 유망한 결과를 보여주고 있지만, 순수한 기하학적 표현은 종종 정확한 제조 가능성 예측에 필요한 공정별 의미론을 결여하고 있습니다. 표면 역할, 벤딩 의도, 또는 특정 기능 관계와 같은 중요한 제조 요소는 형태 자체에 명시적으로 인코딩되지 않으며, 데이터 기반 모델이 이를 신뢰할 수 있게 추론하기 어렵습니다. 또한, 지적 재산권 제약으로 인한 데이터 부족으로 인해 이 분야는 순수 데이터 기반 접근법의 배포가 어렵고, 전통적인 규칙 기반 도구는 경직되어 있으며 노동 집약적입니다. 이러한 방법들을 실제 산업 생산 데이터로 검증하는 데에는 상당한 격차가 존재합니다. 대부분의 기존 문헌은 합성 데이터셋에만 의존하고 있습니다.

방법론
저자들은 규칙 기반 시트 금속 기능 인식과 그래프 기반 딥러닝을 통합한 하이브리드 접근법을 제안합니다. 방법론은 두 가지 주요 단계로 구성됩니다:

1. 규칙 기반 기능 인식: 모듈은 네이티브 STEP 파일에서 직접 작동하여 제조 관련 정보를 추출합니다. 이 과정은 세 단계로 이루어집니다:

   • 기하학적 추상화: 원통형 표면 (반지름, 길이, 각도) 식별 및 면을 상단, 하단, 측면으로 레이블링.
   • 제조 기능 추출: 벤딩, 구멍, 측면 구멍, 외곽 윤곽 인식. 벤딩 기능은 내부/외부 반지름, 각도, 방향, 그리고 집계된 플랜지 길이와 같은 속성을 포함합니다.
   • 관계 분석: 벤딩이 만나거나 교차하는 벤딩 모서리와 같은 관계형 기능 탐지.
     이 모듈은 벤딩 표면 및 속성 인식에 대한 검증 테스트에서 100% 정확도를 달성했습니다.

2. 제조 강화 그래프 학습: 인식된 기능은 노드 속성으로 B-rep 면 인접 그래프 (Attributed Adjacency Graph 또는 AAG) 에 주입됩니다.

   • 입력 표현: 각 면 노드는 92 차원 벡터로 표현됩니다. 이는 CNN 또는 레이 캐스팅을 통해 UV-Net 또는 FoV-Net 아키텍처에서 파생된 64 차원 기하학적 임베딩과 벤딩/구멍에 대한 불리언 지표, 연속 매개변수, 벤딩 통계가 포함된 28 차원 제조 기능 벡터를 결합한 것입니다.
   • 아키텍처: 모델은 메시지 전달 및 풀링 연산을 사용하여 면 임베딩을 단일 그래프 수준 표현으로 집계합니다. 글로벌 설계 속성 (시트 두께, 총 면적, 경계 상자 부피) 이 추가된 후 Fully Connected Neural Network (FCNN) 에 입력되어 최종 예측을 수행합니다.

주요 기여

• 하이브리드 모델링 전략: 이 논문은 인식된 제조 기능으로 B-rep 그래프를 풍부하게 하는 방법을 소개하여, 모델이 기하학적 구조와 제조 의미론을 함께 추론할 수 있도록 합니다. 기능 전용 그래프를 선호하여 원시 기하학을 폐기하는 이전 연구와 달리, 이 접근법은 전체 B-rep 토폴로지를 유지합니다.
• 실제 세계 검증: 이 연구는 생산 현장에서 측정된 벤딩 시간을 포함하는 503 개의 시트 금속 디자인이 포함된 독점 산업 데이터셋 (KUL-bend) 에서 접근법을 검증했습니다. 이는 합성 벤치마크에 대한 의존성을 해결하고 진정한 산업 데이터에 대한 B-rep 학습의 제조 노력 검증 중 하나를 나타냅니다.
• 종합 벤치마킹: 이 방법은 툴링 충돌 감지를 위한 대규모 합성 데이터셋 (BenDFM) 과 노력 추정을 위한 실제 세계 KUL-bend 데이터셋 모두에서 평가되었습니다.

실험 결과
이 연구는 순수 B-rep 학습 모델 (UV-Net, FoV-Net) 을 제조 기능 강화 버전 (UV-Net (MF), FoV-Net (MF)) 과 비교합니다.

• 노력 추정 (KUL-bend):

  • 기준선 (평균 예측) 은 RMSE 49.8 초를 기록했습니다.
  • 순수 기하학적 모델이 더 잘 수행되었으며, FoV-Net 은 RMSE 35.10 초를 달성했습니다.
  • 기능 강화: 제조 기능을 추가하면 일관되게 성능이 향상되었습니다. FoV-Net (MF) 은 RMSE 31.16 초 및 MAE 20.38 초로 가장 좋은 결과를 달성했습니다. UV-Net (MF) 은 가장 낮은 MAPE (43.86%) 를 보였습니다.
  • 이러한 결과는 명시적인 제조 지식이 학습 기반 CAD 분석에 보완적인 정보를 제공하며, 특히 변동성이 큰 실제 세계 시나리오에서 이익을 준다는 것을 나타냅니다.

• 충돌 감지 (BenDFM):

  • 순수 기하학적 모델은 무작위 기준선 (50%) 보다 현저히 우수한 성능을 보였으며, FoV-Net 은 80.60% 의 정확도에 도달했습니다.
  • 기능 강화는 일관되지만 더 작은 개선을 제공했습니다 (FoV-Net (MF) 는 **81.26%**에 도달). 저자들은 이러한 더 작은 개선이 대규모 데이터셋 크기로 인해 모델이 기하학에서 직접 패턴을 학습할 수 있기 때문이거나, 기하학적 기능이 이미 충돌 감지에 필요한 많은 정보를 이미 포착하고 있기 때문일 수 있다고 제안합니다.

의의 및 주장
이 논문은 하이브리드 모델링이 산업용 CAD 환경에서 제조 가능성 평가 및 노력 추정을 위한 배포 가능한 도구를 향한 실현 가능하고 효과적인 길이라고 주장합니다. 학습 신호를 공정 관련 기하학적 패턴에 집중시킴으로써, 이 접근법은 합성 및 실제 세계 작업 모두에서 예측 정확도를 향상시킵니다.

저자들은 연구 범위에 대해 겸손한 어조를 유지합니다. 그들은 KUL-bend 데이터셋이 단일 생산 시설로 제한되어 있으며, 벤딩 시간 목표는 CAD 모델에 인코딩되지 않은 운영자 및 설정 변동성에서 비롯된 불가피한 노이즈를 포함한다고 인정합니다. 그들은 보편적 적용 가능성을 주장하지는 않지만, 향후 연구는 이 하이브리드 풍부화 전략을 다른 공정 (예: 밀링, 사출 성형) 과 더 크고 다양한 산업 데이터셋으로 이전하는 것을 조사해야 한다고 제안합니다. 이 작업은 데이터 기반 학습과 도메인 특화 엔지니어링 지식 사이의 격차를 해소하는 한 걸음으로 자신을 위치시킵니다.