論文の概要: Machine Learning-Based Manufacturing Cost Prediction from 2D Engineering Drawings via Geometric Features

• arxiv url: http://arxiv.org/abs/2508.12440v1
• Date: Sun, 17 Aug 2025 17:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.773462
• Title: Machine Learning-Based Manufacturing Cost Prediction from 2D Engineering Drawings via Geometric Features
• Title（参考訳）: 幾何学的特徴による2次元図面からの機械学習による製造コスト予測
• Authors: Ahmet Bilal Arıkan, Şener Özönder, Mustafa Taha Koçyiğit, Hüseyin Oktay Altun, H. Kübra Küçükkartal, Murat Arslanoğlu, Fatih Çağırankaya, Berk Ayvaz,
• Abstract要約: 本稿では,2次元エンジニアリング図面から製造コストを推定する方法を変換する統合機械学習フレームワークを提案する。 SHAPのような説明可能性ツールとコスト予測を結合することにより、フレームワークは設計ドライバを特定する。 このエンドツーエンドのCAD-to-コストパイプラインは、引用のリードタイムを短縮し、パートファミリ間の一貫性と透過的なコストアセスメントを保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an integrated machine learning framework that transforms how manufacturing cost is estimated from 2D engineering drawings. Unlike traditional quotation workflows that require labor-intensive process planning, our approach about 200 geometric and statistical descriptors directly from 13,684 DWG drawings of automotive suspension and steering parts spanning 24 product groups. Gradient-boosted decision tree models (XGBoost, CatBoost, LightGBM) trained on these features achieve nearly 10% mean absolute percentage error across groups, demonstrating robust scalability beyond part-specific heuristics. By coupling cost prediction with explainability tools such as SHAP, the framework identifies geometric design drivers including rotated dimension maxima, arc statistics and divergence metrics, offering actionable insights for cost-aware design. This end-to-end CAD-to-cost pipeline shortens quotation lead times, ensures consistent and transparent cost assessments across part families and provides a deployable pathway toward real-time, ERP-integrated decision support in Industry 4.0 manufacturing environments.
• Abstract（参考訳）: 本稿では,2次元エンジニアリング図面から製造コストを推定する方法を変換する統合機械学習フレームワークを提案する。 労働集約的なプロセスプランニングを必要とする従来の引用ワークフローとは異なり、我々のアプローチでは、自動車サスペンションと24の製品グループにまたがるステアリング部分の13,684のDWG図面から直接、200の幾何学的および統計的記述子を用いる。 グラディエントブースト決定ツリーモデル(XGBoost、CatBoost、LightGBM)は、これらの機能に基づいてトレーニングされ、グループ間で10%近い絶対的なパーセンテージエラーを達成し、部分固有のヒューリスティックスを超えた堅牢なスケーラビリティを実証します。 このフレームワークは、コスト予測とSHAPなどの説明可能性ツールを結合することにより、回転次元の最大値、アーク統計、分散メトリクスを含む幾何学的設計ドライバを特定し、コスト認識設計のための実用的な洞察を提供する。 このエンド・ツー・エンドのCAD・ツー・コストパイプラインは、見積もりのリードタイムを短縮し、パートファミリ間の一貫性と透過的なコスト評価を保証し、産業4.0製造環境でリアルタイムのERP統合意思決定サポートへのデプロイ可能な経路を提供する。

関連論文リスト

• CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning [50.867869718716555]
  本稿では,2段階の微調整パラダイムであるCReFT-CADを紹介する。 われわれはTriView2CADをリリースした。
  論文  参考訳（メタデータ） (2025-05-31T13:52:56Z)
• PHT-CAD: Efficient CAD Parametric Primitive Analysis with Progressive Hierarchical Tuning [52.681829043446044]
  ParaCADは1000万点以上のアノテートドローイングと、複雑なトポロジカルな構造とテストのための物理的な制約を備えた3,000の現実世界の産業図で構成されている。 PHT-CADは視覚言語モデルのモダリティアライメントと推論機能を利用する新しい2次元PPAフレームワークである。
  論文  参考訳（メタデータ） (2025-03-23T17:24:32Z)
• Parameter-Efficient Fine-Tuning for Large Models: A Comprehensive Survey [18.00772798876708]
  PEFT(Efficient Fine-Tuning)は、様々な下流タスクに対して大きなモデルを効率的に調整することで、実用的なソリューションを提供する。 PEFTは、訓練済みの大規模モデルのパラメータを特定のタスクやドメインに適応させるプロセスを指す。 本稿では,様々なPEFTアルゴリズムの総合的な研究を行い,その性能と計算オーバーヘッドについて検討する。
  論文  参考訳（メタデータ） (2024-03-21T17:55:50Z)
• Analytical model for large-scale design of sidewalk delivery robot systems [4.510000677649468]
  本稿では,配送システムの初期コストと運用コストの両方を把握し,運用における制約や運用戦略の影響を評価するモデルを提案する。 そして、このモデルをニューヨーク市の地区に適用し、実際のシナリオにおける歩道配達ロボットシステムの展開を評価する。
  論文  参考訳（メタデータ） (2023-10-26T15:26:12Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Cross-Layer Approximation For Printed Machine Learning Circuits [4.865819809855699]
  印刷エレクトロニクス(PE)における機械学習(ML)アーキテクチャに適した層間近似を提案し,実装する。 その結果, クロス近似は, 最先端の精密設計と比較して, 平均面積47%, 消費電力44%, 精度1%以下で最適設計を提供することを示した。
  論文  参考訳（メタデータ） (2022-03-11T13:41:15Z)
• Explainable Artificial Intelligence for Manufacturing Cost Estimation and Machining Feature Visualization [6.85316573653194]
  提案したプロセスは,(1)データ収集と事前処理,(2)ディープラーニングアーキテクチャ探索,(3)予測結果の可視化からなる。 提案したディープラーニングモデルは,コンピュータ数値制御(CNC)加工部品の製造コストの高い予測可能性を示す。 提案手法を用いることで,設計段階における製造コストの低減を図るため,設計者に対して設計指導を行うことができる。
  論文  参考訳（メタデータ） (2020-10-28T08:58:09Z)
• Explainable AI for a No-Teardown Vehicle Component Cost Estimation: A Top-Down Approach [1.3700176775696422]
  本稿では、機械学習とゲーム理論の概念を組み合わせることで、自動車価格のモデリングと部品価格の推定にデータ駆動によるアプローチを提案する。 製造元が提案する小売価格で部品価格と車両価格を推定するための一般的な分解手法と調査手法の代替方法を示す。 この新たなエクササイズは、顧客レベルでの技術の正確な価格設定を提供するだけでなく、製造業者間の価格戦略に大きなギャップがあることも示している。
  論文  参考訳（メタデータ） (2020-06-15T23:47:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。