Automatic Feature Recognition and Dimensional Attributes Extraction From CAD Models for Hybrid Additive-Subtractive Manufacturing

要約

コンピュータ支援設計 (CAD)、コンピュータ支援プロセス プランニング (CAPP)、およびコンピュータ支援製造 (CAM) の統合は、現代の製造において重要な役割を果たし、デジタル設計から物理的な製品へのシームレスな移行を促進します。
ただし、この統合における重要な課題は、特にサブトラクティブ マニュファクチャリング プロセスとアディティブ マニュファクチャリング プロセスを組み合わせたハイブリッド マニュファクチャリングのコンテキストにおいて、CAD モデルの自動特徴認識 (AFR) です。
従来の AFR 手法は、穴、フィレット、面取り、ポケット、スロットなどのサブトラクティブ (機械加工) フィーチャの識別に主に焦点を当てており、積層造形に関連するフィーチャを認識できません。
さらに、従来の方法では、効果的な製造プロセス計画の重要な要素でもある幾何学的寸法と方向を正確に抽出することができません。
このペーパーでは、Python Open Cascade を使用して加算加工と減算加工の両方に関連する機能を網羅する合成 CAD データセットを作成するための新しいアプローチを紹介します。
階層グラフ畳み込みニューラル ネットワーク (HGCNN) モデルは、合成 CAD データセット内の複合加算-減算フィーチャを正確に識別するために実装されています。
提案された方法論の重要な新規性と貢献は、広範囲の製造特徴を認識し、その寸法、方向、ストック サイズを正確に抽出できる能力にあります。
提案されたモデルは、97% を超える顕著な特徴認識精度と、識別された特徴に対して 100% の寸法抽出精度を示します。
したがって、提案された方法論は、正確な特徴認識と寸法抽出を提供することにより、ハイブリッド製造における CAD、CAPP、および CAM の統合を強化します。
より多くの情報に基づいた意思決定が可能になり、製造プロセス計画の改善が促進されます。

要約(オリジナル)

The integration of Computer-Aided Design (CAD), Computer-Aided Process Planning (CAPP), and Computer-Aided Manufacturing (CAM) plays a crucial role in modern manufacturing, facilitating seamless transitions from digital designs to physical products. However, a significant challenge within this integration is the Automatic Feature Recognition (AFR) of CAD models, especially in the context of hybrid manufacturing that combines subtractive and additive manufacturing processes. Traditional AFR methods, focused mainly on the identification of subtractive (machined) features including holes, fillets, chamfers, pockets, and slots, fail to recognize features pertinent to additive manufacturing. Furthermore, the traditional methods fall short in accurately extracting geometric dimensions and orientations, which are also key factors for effective manufacturing process planning. This paper presents a novel approach for creating a synthetic CAD dataset that encompasses features relevant to both additive and subtractive machining through Python Open Cascade. The Hierarchical Graph Convolutional Neural Network (HGCNN) model is implemented to accurately identify the composite additive-subtractive features within the synthetic CAD dataset. The key novelty and contribution of the proposed methodology lie in its ability to recognize a wide range of manufacturing features, and precisely extracting their dimensions, orientations, and stock sizes. The proposed model demonstrates remarkable feature recognition accuracy exceeding 97% and a dimension extraction accuracy of 100% for identified features. Therefore, the proposed methodology enhances the integration of CAD, CAPP, and CAM within hybrid manufacturing by providing precise feature recognition and dimension extraction. It facilitates improved manufacturing process planning, by enabling more informed decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google