[論文レビュー] Explainable Artificial Intelligence for Manufacturing Cost Estimation and Machining Feature Visualization

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

Manufacturing Process and Optimization参考文献 14被引用数 5

ひとこと要約

本稿では、3次元畳み込みニューラルネットワークと勾配重み付きクラス活性化マッピング（Grad-CAM）を用いた、CNC切削加工における製造コスト推定のための説明可能なAIフレームワークを提案する。この手法により、3次元CADモデル内のコストに最も影響を与える機械加工特徴を可視化でき、設計者が概念設計段階でコストを低減できるようになり、オンラインプラットフォーム上でリアルタイムの見積もりと再設計の提案が可能になる。

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.

研究の動機と目的

• 深層学習ベースの製造コスト予測モデルにおける解釈不能性の問題に対処する。これらのモデルは通常ブラックボックスとして扱われる。
• エンジニアリングデザイナーが概念設計段階でコストに影響を与える特徴を理解し、コストを低減できるようにする。
• オンライン製造プラットフォームのユーザーに対して、リアルタイムのコスト見積もりと再設計の提案を提供する。
• 正確な製造コスト予測に加え、コスト増加に最も寄与する幾何学的特徴を特定する手法を開発する。
• 同じ特徴タイプであっても、加工の難易度の違いを説明可能なAI技術を用いて区別する。

提案手法

• 訓練用に、関連する製造コストデータを備えた3次元CADモデルを収集・前処理する。
• ボクセル化されたCADモデルからの空間的および幾何的パターンを学習できる、3次元畳み込みニューラルネットワーク（3D-CNN）アーキテクチャを設計する。
• 3次元勾配重み付きクラス活性化マッピング（Grad-CAM）を適用し、コスト予測に最も寄与する3次元モデル内の領域を強調表示する。
• Grad-CAMのヒートマップを用いて、パッチ、穴、スロットなどの特定の機械加工特徴がコスト増加にどのように寄与しているかを同定・可視化する。
• CNC加工プロセスからの真値コストアノテーションが付与された3次元CADモデルのデータセット上で、モデルをエンドツーエンドに訓練する。
• Grad-CAMの説明可能性を活用し、同じタイプの特徴でも加工難易度が異なるもの（例：深穴 vs. 浅穴）を区別できる。

実験結果

リサーチクエスチョン

• RQ1 3次元ディープラーニングモデルは、CADモデルからCNC加工部品の製造コストを高精度に予測できるか？
• RQ2 説明可能なAI技術（例：3次元Grad-CAM）は、高コストに寄与する特定の機械加工特徴をどの程度正確に局所化・可視化できるか？
• RQ3 同じタイプの特徴でも加工複雑度（例：深さ、公差）が異なる場合に、モデルはそれらを区別できるか？
• RQ4 提案手法は、初期設計段階での製造コスト低減に向けた実行可能な設計フィードバックをどの程度効果的に提供できるか？
• RQ5 このシステムは、オンライン製造プラットフォーム上でリアルタイムのコスト推定と再設計提案をサポートできるか？

主な発見

• 提案された3次元ディープラーニングモデルは、CNC加工部品の製造コスト予測において高い精度を達成した。
• 3次元Grad-CAMは、パッチや複雑な穴などの、3次元CADモデル内のコストに最も寄与する特定の機械加工特徴を効果的に可視化した。
• 同じタイプの特徴でも加工難易度が異なる（例：深パッチ vs. 淺パッチ）場合に、モデルはそれらを区別できた。
• 可視化機能により、設計者が特徴を変更し、概念設計段階で製造コストを低減するための実行可能なフィードバックが可能になった。
• このフレームワークは、オンライン製造プラットフォーム上でリアルタイムの見積もりと再設計提案をサポートしており、ユーザーエクスペリエンスとコスト効率の両方を向上させた。
• 本手法は、説明可能なAIが産業設計ワークフローにおけるAI駆動のコスト推定の信頼性と使いやすさを向上させることを示した。