Automatic identification of cost drivers from 3D part models of sheet metal components

Abstract

For å imøtekomme de økende kravene til smidighet i produktutviklingsprosessen, er automatiserte produktevalueringer viktigere enn noen gang. Slike evalueringer legger grunnlaget for å kunne utføre raske og automatiserte kostnadsestimater, noe som er nødvendig for å sammenligne ulike produktkonsepter og versjoner.

I bilindustrien må flere komplekse elektriske og mekaniske systemer settes sammen til ett. Dette fører igjen til utallige produktrevisjoner, som alle må evalueres med hensyn til kostnader. Disse produktene består normalt sett av platekomponenter, noe som gjør analysen av slike komponenter spesielt viktig. Disse analysene medfører imidlertid manuelle prosesser utført av flere eksperter som tar i bruk ulike programvarer.

I dette arbeidet foreslås først en arkitektur for et system rettet mot automatisert analyse av platekomponenter for å identifisere kostdrivere. Systemarkitekturen er basert på evalueringer av identifiserte kostdrivere med utgangspunkt i deres avhengigheter og mulige måter å automatisk identifisere dem på gjennom analyse av 3D-modeller. Det foreslåtte modulære systemet baserer seg primært sett på læringbaserte metoder, noe som tillater fleksibilitet og endringsdyktighet sammenligninget med mer tradisjonelle regelbaserte produktevalueringer.

De ulike systemmodulene utvikles med en iterativ tilnærming, gjennom å teste og validere ulike teknikker og konsepter på veien mot å oppnå et resultat som tilstrekkelig beviser dyktigheten til de anvendte metodene. De utviklede modulene settes til slutt sammen til en prototype som automatisk identifiserer viktige kostdrivere fra en 3D-modell av en platekomponent. Den utviklede prototypen krever ingen spesialkompetanse og demonstrerer funksjonaliteten til det foreslåtte systemet for automatisert produktevaluering rettet mot kostnadsestimering.

To accommodate the increasing requirements for agility in the product development process, automated product assessments are becoming ever more important. Such assessments lay the foundation to enable quick and automatic cost evaluations, which are necessary to monitor and compare different product concepts and versions.

In the automotive industry, multiple complex electrical and mechanical systems need to be assembled into one. In turn, this generates multiple product revisions that need to be evaluated in terms of costs. These products typically contain sheet metal components, making the assessment of these particularly important. However, such assessments entail manual processes performed by several experts who employ multiple different software.

In this work, an architecture for a system to automatically identify key production cost drivers from 3D part models of sheet metal components is first proposed. The system architecture is designed based on evaluations of identified cost drivers in terms of their dependencies and possible methods to automatically identify them, outlining the flow of information through various evaluation modules. The modular system relies primarily on learning-based methods, employing a modified multi-view convolutional neural network architecture that accounts for spatial information. In turn, this enables flexibility and adaptability compared to traditional rule-based product assessments.

The system modules are developed with an iterative approach, testing and validating different techniques and concepts whilst building towards a proof-of-concept for the employed methods. The successfully developed modules are finally assembled into a prototype system that automatically identifies key cost drivers from a CAD native representation of a sheet metal component. The developed prototype does not require expert handling and demonstrates the functionality of the proposed system for automatic product assessments targeting cost estimation.