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

Technische Samenvatting: CAD-gebaseerde Machine Learning voor de Schatting van Productie-inspanning bij Plaatstalen Buigonderdelen

Probleemstelling
Design for Manufacturing (DFM) heeft tot doel productiebeperkingen vroeg te identificeren om kosten en complexiteit te verlagen. Hoewel Graph Neural Networks (GNN's) die opereren op Boundary Representations (B-reps) veelbelovend zijn gebleken voor het direct leren van CAD-modellen, missen puur geometrische representaties vaak de proces-specifieke semantiek die nodig is voor een nauwkeurige voorspelling van de maakbaarheid. Kritische productiefactoren, zoals de rol van oppervlakken, buigintentie of specifieke relatie tussen kenmerken, worden niet expliciet gecodeerd in de vorm alleen en zijn moeilijk voor datagedreven modellen om betrouwbaar af te leiden. Bovendien lijdt het veld onder schaarste aan data vanwege intellectuele eigendomsbeperkingen, wat het moeilijk maakt om puur datagedreven benaderingen in te zetten, terwijl traditionele op regels gebaseerde hulpmiddelen star en arbeidsintensief zijn. Er bestaat een aanzienlijke kloof in het valideren van deze methoden op echte industriële productiedata; de meeste bestaande literatuur vertrouwt uitsluitend op synthetische datasets.

Methodologie
De auteurs stellen een hybride aanpak voor die regels gebaseerde plaatstaal-kenmerkherkenning integreert met grafgebaseerd deep learning. De methodologie bestaat uit twee hoofdfasen:

1. Regels gebaseerde Kenmerkherkenning: Een module werkt direct op native STEP-bestanden om productierelevante informatie te extraheren. Dit proces verloopt in drie fasen:

   • Geometrische Abstractie: Identificatie van cilindrische oppervlakken (straal, lengte, hoek) en het labelen van vlakken als boven, onder of zijkant.
   • Extrahering van Productiekenmerken: Herkenning van buizen, gaten, zijkantgaten en buitencontouren. Buigkenmerken omvatten eigenschappen zoals binnen-/buitenstraal, hoek, oriëntatie en geaggregeerde flenslengtes.
   • Relationele Analyse: Detectie van relationele kenmerken, specifiek buighoeken waar buizen samenkomen of elkaar kruisen.
     De module bereikt 100% nauwkeurigheid bij de herkenning van buigoppervlakken en eigenschappen in validatietests.

2. Productie-verrijkt Grafisch Leren: De herkende kenmerken worden geïnjecteerd als knooppuntattributen in de B-rep vlak-adjacentiegrafiek (Attributed Adjacency Graph of AAG).

   • Inputrepresentatie: Elk vlakknooppunt wordt weergegeven door een 92-dimensionale vector. Dit combineert een 64-dimensionale geometrische embedding (afgeleid van UV-Net of FoV-Net-architecturen via CNN's of ray casting) met een 28-dimensionale vector van productiekenmerken (booleaanse indicatoren voor buizen/gaten, continue parameters en buigstatistieken).
   • Architectuur: Het model maakt gebruik van message passing en pooling-operaties om vlak-embeddings te aggregeren tot een enkele graf-niveau representatie. Globale ontwerpeigenschappen (plaatdikte, totaal oppervlak, volume van de omhullende doos) worden toegevoegd voordat de data wordt ingevoerd in een Fully Connected Neural Network (FCNN) voor de uiteindelijke voorspelling.

Belangrijkste Bijdragen

• Hybride Modelleringstrategie: Het artikel introduceert een methode om B-rep grafen te verrijken met herkende productiekenmerken, waardoor het model gezamenlijk kan redeneren over geometrische structuur en productiesemantiek. In tegenstelling tot eerder werk dat ruwe geometrie verwerpt ten gunste van alleen-kenmerk grafen, behoudt deze aanpak de volledige B-rep topologie.
• Validatie in de Wereld: De studie valideert de aanpak op een proprietair industriële dataset (KUL-bend) met 503 plaatstaalontwerpen en gemeten buigtijden van een productievloer. Dit vertegenwoordigt een van de eerste validaties van B-rep leren voor productie-inspanning op echte industriële data, waarmee de afhankelijkheid van synthetische benchmarks wordt aangepakt.
• Uitgebreide Benchmarking: De methode wordt geëvalueerd op zowel een grote synthetische dataset (BenDFM) voor het detecteren van toolingbotsingen als op de reële KUL-bend dataset voor de schatting van inspanning.

Experimentele Resultaten
De studie vergelijkt pure B-rep leermodellen (UV-Net, FoV-Net) met hun door productiekenmerken versterkte tegenhangers (UV-Net (MF), FoV-Net (MF)).

• Schatting van Inspanning (KUL-bend):

  • De baseline (voorspellen van het gemiddelde) leverde een RMSE van 49,8s op.
  • Pure geometrische modellen presteerden beter, waarbij FoV-Net een RMSE van 35,10s behaalde.
  • Versterking door Kenmerken: Het toevoegen van productiekenmerken verbeterde de prestaties consequent. FoV-Net (MF) behaalde de beste resultaten met een RMSE van 31,16s en een MAE van 20,38s. UV-Net (MF) toonde de laagste MAPE (43,86%).
  • De resultaten geven aan dat expliciete productiekennis complementaire informatie biedt die leer-gebaseerde CAD-analyse ten goede komt, met name in reële scenario's met hoge variabiliteit.

• Botsingdetectie (BenDFM):

  • Pure geometrische modellen presteerden aanzienlijk beter dan de willekeurige baseline (50%), waarbij FoV-Net een nauwkeurigheid van 80,60% bereikte.
  • Versterking door kenmerken leverde consistente maar kleinere winsten op (FoV-Net (MF) bereikte 81,26%). De auteurs suggereren dat deze kleinere verbetering mogelijk te wijten is aan de grote datasetgrootte die modellen in staat stelt patronen direct uit de geometrie te leren, of dat geometrische kenmerken al veel van de relevante informatie voor botsingdetectie bevatten.

Betekenis en Aanspraken
Het artikel beweert dat hybride modellering een haalbare en effectieve weg biedt naar inzetbare hulpmiddelen voor de beoordeling van maakbaarheid en schatting van inspanning in industriële CAD-omgevingen. Door het leersignaal te concentreren op proces-relevante geometrische patronen, verbetert de aanpak de voorspellingnauwkeurigheid voor zowel synthetische als reële taken.

De auteurs handhaven een bescheiden toon met betrekking tot de reikwijdte van de studie. Zij erkennen dat de KUL-bend dataset beperkt is tot één productiefaciliteit en dat buigtijddoelen onherleidbare ruis bevatten door variabiliteit in operator en opstelling die niet is gecodeerd in het CAD-model. Zij claimen geen universele toepasbaarheid, maar suggereren dat toekomstig werk de overdracht van deze hybride verrijkingstrategie naar andere processen (bijv. frezen, spuitgieten) en grotere, diversere industriële datasets moet onderzoeken. Het werk positioneert zichzelf als een stap richting het overbruggen van de kloof tussen datagedreven leren en domeinspecifieke technische kennis.