Koneenpiirustusprosessin tehostaminen Catia-ympäristössä koneoppimistyökalun avulla
Hiltunen, Jesse (2024)
Hiltunen, Jesse
2024
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202405038906
https://urn.fi/URN:NBN:fi:amk-202405038906
Tiivistelmä
Koneensuunnittelun olennainen osa on piirustusten teko, joiden avulla erilaiset työkappaleet ja kokoonpanot voidaan valmistaa. Projektit aloitetaan usein tarkistamalla, kuinka vastaavia on aiemmin tehty. Tällaisessa tilanteessa piirustuksien osalta kappaleiden mitoitus ja toleranssien määrittely vievät paljon aikaa, sillä suunnittelijan tulee ensin selvittää vanhan projektin tiedot, etsiä oikeat piirustukset sekä referoida niitä luodakseen uutta. Parhaimmillaan vanhojen tietojen etsintä ja avaaminen voi viedä tunteja suunnittelijan aikaa työpäivän aikana. Prosessin tehostaminen voi tuoda niin säästöjä kuin lisätä suunnittelijoiden tehokkuutta.
Työn tavoite on saada toimeksiantajayrityksen mekaniikkasuunnittelijoiden käyttöön koneoppimista hyödyntävä työkalu, mikä ehdottaa suunnittelijoille vanhojen piirustusten pohjalta käyttäjän Catiassa valitsemaan pituus- tai halkaisijamittaan kolme todennäköisintä toleranssia. Työ toteutetaan kehitystutkimuksena. Työn aikana selvitetään, millainen työmäärä on koneoppimismallin kehityksessä sekä sen integroinnissa tuotantoympäristöön.
Valmiin työkalun tarkkuus kolmen ensimmäisen ennustuksen osalta on 93,4 %, kun se koulutettiin ja testattiin neljän eri yhteistyötilan aineistolla. Koneoppimismallin avulla luodun työkalun avulla on mahdollista tehostaa tuotantoa vähentämällä vanhojen kuvien tarkasteluun käytettyä aikaa sekä se vähentää inhimillisten virheiden mahdollisuutta. Työkalun tulokset näyttävät alustavasti lupaavilta, joten tulevaisuudessa koneoppimiselle löytyy varmasti lisää hyödyllisiä käyttökohteita.
Lopulta on kuitenkin pidettävä mielessä, että matemaattiset mallit pohjautuvat aina menneisyyteen sekä oletukseen, että siellä on toistuva kaava taustalla. Työtä tehdessä koneoppimismalleilla ei ole ihmisten lailla kykyä kehittää täysin uutta, joten opetetun materiaalin ulkopuolelta se ei kykene tekemään uutta. Vaikka työkalu olisi testiympäristössä täysin tarkka, voi reaalimaailmassa tulla vastaan muutoksia, joihin se ei kykene mukautumaan. Suunnittelija on loppujen lopuksi vastuussa päätöksistä, ja työkalun on vain tarkoitus tehostaa tämän työntekoa vähentämällä toistuvien työtehtävien määrää.
Työn tavoite on saada toimeksiantajayrityksen mekaniikkasuunnittelijoiden käyttöön koneoppimista hyödyntävä työkalu, mikä ehdottaa suunnittelijoille vanhojen piirustusten pohjalta käyttäjän Catiassa valitsemaan pituus- tai halkaisijamittaan kolme todennäköisintä toleranssia. Työ toteutetaan kehitystutkimuksena. Työn aikana selvitetään, millainen työmäärä on koneoppimismallin kehityksessä sekä sen integroinnissa tuotantoympäristöön.
Valmiin työkalun tarkkuus kolmen ensimmäisen ennustuksen osalta on 93,4 %, kun se koulutettiin ja testattiin neljän eri yhteistyötilan aineistolla. Koneoppimismallin avulla luodun työkalun avulla on mahdollista tehostaa tuotantoa vähentämällä vanhojen kuvien tarkasteluun käytettyä aikaa sekä se vähentää inhimillisten virheiden mahdollisuutta. Työkalun tulokset näyttävät alustavasti lupaavilta, joten tulevaisuudessa koneoppimiselle löytyy varmasti lisää hyödyllisiä käyttökohteita.
Lopulta on kuitenkin pidettävä mielessä, että matemaattiset mallit pohjautuvat aina menneisyyteen sekä oletukseen, että siellä on toistuva kaava taustalla. Työtä tehdessä koneoppimismalleilla ei ole ihmisten lailla kykyä kehittää täysin uutta, joten opetetun materiaalin ulkopuolelta se ei kykene tekemään uutta. Vaikka työkalu olisi testiympäristössä täysin tarkka, voi reaalimaailmassa tulla vastaan muutoksia, joihin se ei kykene mukautumaan. Suunnittelija on loppujen lopuksi vastuussa päätöksistä, ja työkalun on vain tarkoitus tehostaa tämän työntekoa vähentämällä toistuvien työtehtävien määrää.