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

Resumo Técnico: Aprendizado de Máquina Aprimorado por Recursos CAD para Estimativa de Esforço de Fabricação em Peças de Dobramento de Chapa Metálica

Declaração do Problema
O Projeto para Fabricação (DFM) visa identificar restrições de produção precocemente para reduzir custos e complexidade. Embora as Redes Neurais em Grafos (GNNs) operando em Representações de Fronteira (B-reps) tenham demonstrado potencial para aprender diretamente de modelos CAD, representações puramente geométricas frequentemente carecem das semânticas específicas do processo necessárias para uma previsão precisa de fabricabilidade. Fatores críticos de fabricação, como papéis de superfícies, intenção de dobra ou relações específicas de recursos, não são explicitamente codificados na forma isolada e são difíceis de inferir de forma confiável por modelos orientados a dados. Além disso, o campo sofre de escassez de dados devido a restrições de propriedade intelectual, tornando difícil a implantação de abordagens puramente orientadas a dados, enquanto ferramentas tradicionais baseadas em regras são rígidas e intensivas em mão de obra. Existe uma lacuna significativa na validação desses métodos em dados reais de produção industrial; a maioria da literatura existente depende exclusivamente de conjuntos de dados sintéticos.

Metodologia
Os autores propõem uma abordagem híbrida que integra reconhecimento de recursos de chapa metálica baseado em regras com aprendizado profundo baseado em grafos. A metodologia consiste em duas etapas principais:

1. Reconhecimento de Recursos Baseado em Regras: Um módulo opera diretamente em arquivos STEP nativos para extrair informações relevantes para a fabricação. Este processo ocorre em três etapas:

   • Abstração Geométrica: Identificação de superfícies cilíndricas (raio, comprimento, ângulo) e rotulagem de faces como superior, inferior ou lateral.
   • Extração de Recursos de Fabricação: Reconhecimento de dobras, furos, furos laterais e contornos externos. Recursos de dobra incluem propriedades como raio interno/externo, ângulo, orientação e comprimentos agregados de abas.
   • Análise Relacional: Detecção de recursos relacionais, especificamente cantos de dobra onde as dobras se encontram ou intersectam.
     O módulo alcança 100% de precisão no reconhecimento de superfícies de dobra e propriedades em testes de validação.

2. Aprendizado em Grafos Aprimorado por Fabricação: Os recursos reconhecidos são injetados como atributos de nós no grafo de adjacência de faces da B-rep (Grafo de Adjacência Atribuído ou AAG).

   • Representação de Entrada: Cada nó de face é representado por um vetor de 92 dimensões. Isso combina um embedding geométrico de 64 dimensões (derivado de arquiteturas UV-Net ou FoV-Net via CNNs ou lançamento de raios) com um vetor de 28 dimensões de recursos de fabricação (indicadores booleanos para dobras/furos, parâmetros contínuos e estatísticas de dobra).
   • Arquitetura: O modelo utiliza operações de passagem de mensagens e agrupamento para agregar embeddings de faces em uma única representação em nível de grafo. Atributos globais de design (espessura da chapa, área total, volume da caixa delimitadora) são anexados antes que os dados sejam alimentados em uma Rede Neural Conectada Totalmente (FCNN) para a previsão final.

Principais Contribuições

• Estratégia de Modelagem Híbrida: O artigo introduz um método para enriquecer grafos B-rep com recursos de fabricação reconhecidos, permitindo que o modelo raciocine conjuntamente sobre a estrutura geométrica e as semânticas de fabricação. Ao contrário de trabalhos anteriores que descartam a geometria bruta em favor de grafos apenas de recursos, esta abordagem retém a topologia completa da B-rep.
• Validação no Mundo Real: O estudo valida a abordagem em um conjunto de dados industrial proprietário (KUL-bend) contendo 503 designs de chapa metálica com tempos de dobra medidos em um chão de fábrica. Isso representa uma das primeiras validações de aprendizado B-rep para esforço de fabricação em dados industriais genuínos, abordando a dependência de benchmarks sintéticos.
• Benchmarks Abrangentes: O método é avaliado tanto em um grande conjunto de dados sintético (BenDFM) para detecção de colisão de ferramentas quanto no conjunto de dados real KUL-bend para estimativa de esforço.

Resultados Experimentais
O estudo compara modelos de aprendizado puro B-rep (UV-Net, FoV-Net) com suas contrapartes aprimoradas por recursos de fabricação (UV-Net (MF), FoV-Net (MF)).

• Estimativa de Esforço (KUL-bend):

  • A linha de base (previsão da média) resultou em um RMSE de 49,8s.
  • Modelos geométricos puros performaram melhor, com o FoV-Net alcançando um RMSE de 35,10s.
  • Aprimoramento por Recursos: A adição de recursos de fabricação melhorou consistentemente o desempenho. O FoV-Net (MF) alcançou os melhores resultados com um RMSE de 31,16s e um MAE de 20,38s. O UV-Net (MF) mostrou o menor MAPE (43,86%).
  • Os resultados indicam que o conhecimento explícito de fabricação fornece informações complementares que beneficiam a análise de CAD baseada em aprendizado, particularmente em cenários do mundo real com alta variabilidade.

• Detecção de Colisão (BenDFM):

  • Modelos geométricos puros superaram significativamente a linha de base aleatória (50%), com o FoV-Net atingindo 80,60% de precisão.
  • O aprimoramento por recursos forneceu ganhos consistentes, porém menores (FoV-Net (MF) atingiu 81,26%). Os autores sugerem que essa melhoria menor pode ser devida ao grande tamanho do conjunto de dados permitindo que os modelos aprendam padrões diretamente da geometria, ou que os recursos geométricos já capturam grande parte da informação relevante para a detecção de colisão.

Significado e Alegações
O artigo alega que a modelagem híbrida oferece um caminho viável e eficaz para ferramentas implantáveis de avaliação de fabricabilidade e estimativa de esforço em ambientes industriais de CAD. Ao concentrar o sinal de aprendizado em padrões geométricos relevantes para o processo, a abordagem melhora a precisão da previsão em tarefas tanto sintéticas quanto do mundo real.

Os autores mantêm um tom modesto quanto ao escopo do estudo. Eles reconhecem que o conjunto de dados KUL-bend é limitado a uma única instalação de produção e que os alvos de tempo de dobra incluem ruído irredutível proveniente da variabilidade do operador e da configuração, não codificado no modelo CAD. Eles não alegam aplicabilidade universal, mas sugerem que trabalhos futuros devem investigar a transferência dessa estratégia de enriquecimento híbrido para outros processos (por exemplo, usinagem, moldagem por injeção) e conjuntos de dados industriais maiores e mais diversos. O trabalho se posiciona como um passo para preencher a lacuna entre o aprendizado orientado a dados e o conhecimento de engenharia específico de domínio.