基于 CAD 特征增强的薄板型材弯曲制造难度估计机器学习
计算机视觉与模式识别
2026-05-13 v1
摘要
图基机器学习已成为从 CAD 模型（边界表示 B-reps）中直接学习制造性分析的有前景方法，利用表面几何和拓扑连通性。然而，纯几何表示常缺乏用于准确制造性预测的过程特定语义：许多制造因素，如表面角色或弯曲意图，未在形状中显式编码，对数据驱动模型推断不够可靠。我们提出一种混合方法，通过基于规则的模块识别制造特征来解决这一挑战。应用于薄板型材弯曲，识别的特征（如弯曲特征、翘边长度和表面角色）作为节点属性集成进来，将学习信号集中在与制造过程相关的几何模式上。在大规模人造制造性基准和实验室数据集上进行实验，该数据集包含测量的弯曲时间——这是首次在真实生产数据上进行此类验证——结果表明，结合领域知识与图基学习在两项任务上均能提高预测精度。结果表明，混合建模为工业 CAD 环境中的制造性评估和难度估计提供了可行且有效的路径。
引用
@article{arxiv.2605.12266,
title = {CAD-feature enhanced machine learning for manufacturing effort estimation on sheet metal bending parts},
author = {Matteo Ballegeer and Toon Van Camp and Willem Jaspers and Alp Bayar and Aung Nyein Soe and Martin Roelfs and Dries F. Benoit and Bieke Decraemer and Joost R. Duflou},
journal= {arXiv preprint arXiv:2605.12266},
year = {2026}
}