[论文解读] 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 5

一句话总结

本文提出了一种用于CNC加工制造成本估算的可解释人工智能框架，采用三维卷积神经网络和梯度加权类激活映射（Grad-CAM）。该方法可视化三维CAD模型中对成本影响最大的加工特征，使设计师能够在概念设计阶段降低制造成本，并在在线制造平台上实现实时报价与重新设计建议。

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.

研究动机与目标

• 解决基于深度学习的制造成本预测模型缺乏可解释性的问题，这些模型通常被视为黑箱。
• 使工程设计师能够在概念设计阶段理解并减少影响成本的特征。
• 为在线制造平台上的用户提供实时成本报价和重新设计建议。
• 开发一种不仅能够准确预测制造成本，还能解释哪些几何特征导致成本增加的方法。
• 利用可解释人工智能技术区分同一特征类型但加工难度不同的情况。

提出的方法

• 收集并预处理带有制造成本数据的3D CAD模型以用于训练。
• 设计一种三维卷积神经网络（3D-CNN）架构，从体素化CAD模型中学习空间和几何模式。
• 应用三维梯度加权类激活映射（Grad-CAM）以突出显示3D模型中对成本预测影响最大的区域。
• 利用Grad-CAM热力图识别并可视化具体加工特征（如凹槽、孔和槽）对成本增加的贡献。
• 在包含CNC加工过程真实成本标注的3D CAD模型数据集上端到端训练模型。
• 利用Grad-CAM的可解释性，区分类型相同但加工难度不同的特征（例如深孔与浅孔）。

实验结果

研究问题

• RQ1 3D深度学习模型能否从CAD模型中准确预测CNC加工零件的制造成本？
• RQ2 可解释人工智能技术（如3D Grad-CAM）在多大程度上能够精确定位并可视化导致高成本的具体加工特征？
• RQ3 该模型能否区分同一类型但加工复杂度不同的特征（例如深度、公差）？
• RQ4 该方法在早期设计阶段为减少制造成本提供可操作设计反馈的效率如何？
• RQ5 该系统能否在在线制造平台上实现实时成本估算与重新设计建议？

主要发现

• 所提出的3D深度学习模型在预测CNC加工零件制造成本方面表现出高准确性。
• 3D Grad-CAM成功可视化了3D CAD模型中对成本贡献最大的具体加工特征，如凹槽和复杂孔。
• 该模型能够区分同一类型但加工难度不同的特征，例如深凹槽与浅凹槽。
• 可视化能力使设计师能够获得可操作的反馈，从而在概念设计阶段修改特征以降低制造成本。
• 该框架支持在线制造平台上实时报价与重新设计建议，提升了用户体验与成本效率。
• 该方法表明，可解释人工智能能够增强工业设计工作流中AI驱动成本估算的可信度与可用性。