[논문 리뷰] Explainable Artificial Intelligence for Manufacturing Cost Estimation and Machining Feature Visualization

Soyoung Yoo, Namwoo Kang|arXiv (Cornell University)|2020. 10. 28.

Manufacturing Process and Optimization참고 문헌 14인용 수 5

한 줄 요약

이 논문은 3D 컨volution 신경망과 기울기 가중 클래스 활성화 맵핑(Grad-CAM)을 사용하여 CNC Turning 가공에서 제조 비용 추정을 위한 해석 가능한 AI 프레임워크를 제안한다. 이 방법은 3D CAD 모델 내에서 비용에 가장 큰 영향을 미치는 가공 특징을 시각화하여 설계자가 개념 설계 단계에서 비용을 줄일 수 있도록 하고, 온라인 플랫폼에서 실시간 견적과 재설계 제안을 제공한다.

ABSTRACT

Studies on manufacturing cost prediction based on deep learning have begun in recent years, but the cost prediction rationale cannot be explained because the models are still used as a black box. This study aims to propose a manufacturing cost prediction process for 3D computer-aided design (CAD) models using explainable artificial intelligence. The proposed process can visualize the machining features of the 3D CAD model that are influencing the increase in manufacturing costs. The proposed process consists of (1) data collection and pre-processing, (2) 3D deep learning architecture exploration, and (3) visualization to explain the prediction results. The proposed deep learning model shows high predictability of manufacturing cost for the computer numerical control (CNC) machined parts. In particular, using 3D gradient-weighted class activation mapping proves that the proposed model not only can detect the CNC machining features but also can differentiate the machining difficulty for the same feature. Using the proposed process, we can provide a design guidance to engineering designers in reducing manufacturing costs during the conceptual design phase. We can also provide real-time quotations and redesign proposals to online manufacturing platform customers.

연구 동기 및 목표

• 일般적으로 검은 상자로 간주되는 딥러닝 기반의 제조 비용 예측 모델에서의 해석 불가능성 문제를 해결한다.
• 설계 엔지니어가 개념 설계 단계에서 비용에 영향을 미치는 특징을 이해하고 이를 줄일 수 있도록 한다.
• 온라인 제조 플랫폼 사용자에게 실시간 비용 견적과 재설계 제안을 제공한다.
• 정확한 제조 비용 예측뿐만 아니라 비용 증가에 가장 기여하는 기하학적 특징을 설명할 수 있는 방법을 개발한다.
• 유사한 특징 유형이지만 가공 난이도가 다른 경우를 해석 가능한 AI 기법을 통해 구분한다.

제안 방법

• 학습을 위해 3D CAD 모델과 관련된 제조 비용 데이터를 수집하고 전처리한다.
• 바이트화된 CAD 모델에서 공간적 및 기하 패턴을 학습하기 위해 3D 컨volution 신경망(3D-CNN) 아키텍처를 설계한다.
• 비용 예측에 가장 영향을 미치는 3D 모델 영역을 강조하기 위해 3D 기울기 가중 클래스 활성화 맵핑(Grad-CAM)을 적용한다.
• Grad-CAM 히트맵을 사용하여 풀, 구멍, 슬롯과 같은 특정 가공 특징이 비용 증가에 기여하는지 식별하고 시각화한다.
• CNC 가공 공정에서의 참값 비용 레이블이 있는 3D CAD 모델 데이터셋을 기반으로 모델을 엔드 투 엔드로 훈련한다.
• Grad-CAM의 해석 가능성 기능을 활용하여 동일한 유형이지만 가공 난이도가 다른 특징(예: 깊은 구멍 vs 浅은 구멍)을 구분한다.

실험 결과

연구 질문

• RQ1 3D 딥러닝 모델은 CAD 모델에서 CNC 가공 부품의 제조 비용을 정확하게 예측할 수 있는가?
• RQ2 해석 가능한 AI 기법인 3D Grad-CAM은 고비용을 유발하는 특정 가공 특징을 얼마나 정확하게 국소화하고 시각화할 수 있는가?
• RQ3 모델은 동일한 특징 유형이지만 가공 복잡도가 다른 경우(예: 깊이, 허용 오차)를 구분할 수 있는가?
• RQ4 제안된 방법은 초기 설계 단계에서 제조 비용을 줄이기 위한 실질적인 설계 피드백을 얼마나 효과적으로 제공하는가?
• RQ5 시스템은 온라인 제조 플랫폼에서 실시간 비용 추정과 재설계 제안을 지원할 수 있는가?

주요 결과

• 제안된 3D 딥러닝 모델은 CNC 가공 부품의 제조 비용 예측에서 높은 정확도를 달성한다.
• 3D Grad-CAM은 풀과 복잡한 구멍과 같은 특정 가공 특징이 비용에 가장 큰 기여를 한다는 것을 성공적으로 시각화한다.
• 깊이가 다른 풀이나 구멍처럼 동일한 특징 유형이지만 가공 난이도가 다른 경우를 모델이 식별할 수 있다.
• 시각화 기능 덕분에 설계자가 개념 설계 단계에서 특징를 수정하고 제조 비용을 줄일 수 있는 실질적인 피드백을 제공할 수 있다.
• 프레임워크는 온라인 제조 플랫폼에서 실시간 견적 및 재설계 제안을 지원하여 사용자 경험과 비용 효율성을 향상시킨다.
• 이 방법은 해석 가능한 AI가 산업 설계 워크플로우에서 AI 기반 비용 추정의 신뢰성과 사용성을 향상시킨다는 점을 입증한다.