[LG]《Machine Learning-Based Manufacturing Cost Prediction from 2D Engineering Drawings via Geometric Features》A B Arıkan, Ş Özönder, M T Koçyiğit, H O Altun... [Boğaziçi University & ArtificaX Technologies & Teknorot Automative Products Inc] (2025)
制造成本预测迎来革新：基于2D工程图的机器学习几何特征解析框架
• 利用13,684份汽车悬挂与转向零件DWG图纸，提取约200种几何与统计特征，覆盖24个产品组。
• 采用XGBoost、CatBoost和LightGBM梯度提升树模型，整体平均绝对百分比误差(MAPE)约10%，展现跨产品组的稳健泛化能力。
• 通过SHAP等可解释性工具揭示关键成本驱动设计特征，如旋转尺寸最大值、弧线角度统计及分布偏差指标，支持成本敏感设计优化。
• 全自动CAD至成本流程，显著缩短报价周期，实现报价准确与透明度统一，契合工业4.0实时ERP集成需求。
• 解析原始DWG至DXF文本格式，精准捕获线段、圆弧、样条曲线等几何实体及尺寸公差，避免传统视觉识别误差。
• 特征工程结合统计描述与群组分布距离度量，量化零件几何复杂度及其与成本的非线性关系。
• 系统适用于多样制造领域，具备设计早期成本反馈能力，促进数字化转型与智能制造决策。
• 未来方向包含合成图纸数据扩充及空间关系建模，进一步提升模型泛化与解释深度。
详见🔗arxiv.org/abs/2508.12440
制造成本预测机器学习工程图解析智能制造工业4.0XGBoostCatBoostLightGBM成本优化
