製造ソフトウェア開発ノート・Sean Kim

Autodesk FusionのCAM自動化：AI加工フィーチャ認識

加工フィーチャ認識AIの平均スコアが向上したからといって、CAM工程が正しく作成されるとは限りません。これまでの研究開発事例に基づき、形状認識、工程生成、結果検証の各段階において、どのような点を確認したかをまとめます。

複合部品の各面を、ポケット、穴、フィレット、面取りといった加工フィーチャに基づいて色分けしたレンダリング例。 — スタディのレンダリング：複合部品の加工フィーチャーを面ごとに表示した例です。実際の顧客部品の写真ではありません。

CADの面と接続関係をAI入力にする

STEPモデルで面・エッジと曲面種類を読み、当たった面の凸・凹関係をグラフで表現しました。ポケットや穴など、複数の面が一緒にする特徴を扱うには、個々の面の形状だけでなく、接続関係も必要です。

担当した範囲は、形状分析、学習用ラベリングプログラム、加工フィーチャ認識AI、加工戦略の設計、およびFusionへの適用です。デジタルツイン（MDT）においては、が実施したシミュレーション結果の可視化のみを担当しました。

平均スコアと、部品全体のエラーを併せて確認します

面がいくつか誤分類されるだけでも、加工フィーチャのまとまりが変わってしまいます。面単位の指標に加え、すべての面を正しく分類できた部品の数、クラス別のエラー、部品系列別の結果を確認しました。平均値が向上していても、特定の系列でエラーが増加した候補は採用しませんでした。

ラベルの修正による改善結果と、学習の変更による改善結果を分離しました。入力、データ拡張（オーグメンテーション）、ラベルを一度に変更してしまうと、どの変更が効果的だったのかを説明するのが難しくなるためです。

形状系列を基準として、データの分割と評価範囲を確認します。
学習時に使用した入力データと、推論時の入力データが同一の基準に基づいているかを確認します。
STEPを保存したもう一度読んでもラベルが保持されていることを確認します。

認識結果をFusionで実行できるCAM作業に変えます

認識結果だけでは加工工程は完成しません。加工方向、クランプ（固定）、工程順序、工具、および切削条件を決定した上で、Fusionのセットアップ・工具・操作へと……接続しました。

工具のみの変更で済む場合と、作業内容を再作成する必要がある場合を区別しました。また、適用、工具変更、エラー復旧の各プロセスについて、自動回帰テスト（リグレッションテスト）を実施して確認を行いました。これは、正常に生成できるかだけでなく、変更後も結果が一貫しているかを確認する工程です。

協力機関のシミュレーション結果を可視化します

AIの基本面分類と形状組み合わせ分析で、ストック・ブラインドホール・スルーホール・オープンポケット・クローズポケット・チャンパー・フィレット・カウンターボア・カウンターシンクの9種を識別します。全体のケースでは、実際の学習用STEPモデル6つのラベルとフィーチャー別Fusion加工経路を紹介します。

結果ビューアでは、工程やNC区間ごとに切削力やチップ厚みを確認し、3D上で設計モデルと加工結果を比較できます。公開例の公差基準は設計に対して±0.15mmです。加工面のうねりや形状誤差マップは、その出力を含む解析でのみ表示されます。

独立テストセット25部品・1,346面での面単位の正解率（99.33%）と、素材シミュレーション、基準STEPとの比較まで確認しました。実際の受注部品による現場評価、実測粗さ、図面公差の読み取り、実際のCNC加工品質の承認は検証範囲に含まれていません。