Negli ultimi decenni, l’ingegneria e la progettazione industriale hanno subito una profonda trasformazione grazie all’evoluzione dei software di modellazione CAD e alla gestione avanzata dei dati di prodotto attraverso sistemi PDM e PLM. La crescente complessità dei modelli 3D, unita alla necessità di rendere più efficienti i processi di progettazione e produzione, ha portato alla ricerca di strumenti sempre più sofisticati per l’analisi, il recupero e la modifica dei disegni tecnici.
di Marco Rossoni
In questo contesto, l’Intelligenza Artificiale (IA) si sta affermando come una tecnologia con un grande potenziale per migliorare l’automazione e l’efficienza nella gestione dei modelli CAD e parallelamente, sta trasformando anche la gestione delle tavole tecniche 2D, semplificando l’estrazione di informazioni, la classificazione, il controllo di qualità e il recupero documentale.
Ma a che punto siamo realmente? Le tecnologie oggi disponibili sono pronte per un’integrazione nei software di progettazione industriale o rimangono confinati nell’ambito della ricerca accademica? In questo articolo, analizzeremo lo stato dell’arte delle applicazioni dell’IA nella gestione dei modelli 3D e delle tavole tecniche 2D, evidenziando le sfide ancora aperte e le prospettive future di questa evoluzione tecnologica.
Intelligenza Artificiale per la Gestione e la Ricostruzione dei Modelli 3D CAD
Il B-Rep (Boundary Representation) è il metodo di rappresentazione geometrica adottato dalla quasi totalità dei software CAD parametrici per descrivere un solido attraverso i suoi confini. In questa codifica, un oggetto è definito dalle sue superfici di delimitazione, rappresentate da vertici, spigoli e facce. Sebbene non sia l’unico approccio esistente, il B-Rep è tra i più utilizzati nei formati di interscambio neutri, come STEP e IGES, per garantire compatibilità tra diversi software. Tuttavia, il formato STEP con B-Rep, pur preservando la geometria del modello, perde informazioni parametriche, la storia di costruzione, i vincoli geometrici e i metadati specifici del software CAD, rendendo il modello statico e non direttamente modificabile. Di conseguenza, tra le principali applicazioni dell’intelligenza artificiale nei modelli CAD vi sono la ricostruzione parametrica da modelli B-Rep “dumb”, il riconoscimento delle caratteristiche di lavorazione, la previsione delle vincoli negli assemblaggi e il recupero intelligente di modelli 3D.
Ricostruire i modelli B-Rep
Uno dei problemi principali nel settore della progettazione industriale è la conversione dei modelli CAD B-Rep non parametrizzati in modelli editabili, per facilitare la modifica e la riutilizzabilità. Metodi tradizionali basati sulla segmentazione e sulla ricostruzione geometrica hanno mostrato forti limiti nell’automatizzazione di questo processo. Tuttavia, nuovi approcci basati su reti neurali stanno prendendo piede nella letteratura scientifica. Un’esempio è CAD-Net, il cui obiettivo è generare sequenze di operazioni di modellazione parametrica (sketch + estrusione) a partire da un B-Rep statico, rendendo così il modello modificabile nei software CAD. Sebbene rappresenti un approccio innovativo e promettente per la ricostruzione parametrica di modelli CAD, al momento gestisce solo modelli ottenibili con sketch + estrusione, mentre altri tipi di operazioni (raccordi, rivoluzioni, etc.) non sono supportati.
Identificare le lavorazioni da un modello
Se la ricostruzione di modelli CAD feature-based a partire da “dumb models” è ancora agli inizi, molta più letteratura è presente sul tema del riconoscimento delle caratteristiche di lavorazione nei Modelli B-Rep. L’automazione del riconoscimento delle feature di lavorazione nei modelli CAD è essenziale per la pianificazione dei processi di produzione (CAPP) e la generazione automatica di istruzioni per le macchine utensili (CAM). I metodi tradizionali basati su regole geometriche hanno mostrato limiti nell’identificare feature complesse e intersecanti.
Al contrario, le reti neurali basate su grafi (GNN) e i transformer hanno dimostrato notevoli capacità di estrarre relazioni topologiche e geometriche nei modelli B-Rep. Un esempio è BrepMFR che si propone di migliorare il riconoscimento delle feature di lavorazione nei modelli CAD basati su B-Rep utilizzando una rete neurale basata su grafi. Il metodo proposto converte i modelli B-Rep in rappresentazioni grafiche per un’elaborazione più efficiente, permettendo di identificare feature di lavorazione come fori, scanalature e smussi. I risultati sperimentali mostrano che BrepMFR supera gli approcci esistenti, ottenendo un’accuratezza elevata anche su dati CAD reali. Tuttavia, il metodo è attualmente limitato a 24 tipi di feature di lavorazione e potrebbe non gestire in modo ottimale feature più complesse o altamente intersecanti. Un altro limite è la necessità di dataset reali etichettati, che renderebbero l’addestramento più robusto e migliorerebbero ulteriormente l’applicabilità industriale del modello.
Recupero del modelli 3D
Un’ultima applicazione che si vuole citare è legata al recupero di modelli 3D, ossia la capacità di identificare e recuperare modelli CAD simili all’interno di un database esistente, sulla base di una query, che può essere un modello di riferimento o una rappresentazione parziale dello stesso. Questo processo è fondamentale per il riutilizzo dei modelli CAD nell’industria manifatturiera, riducendo i tempi di sviluppo e migliorando l’efficienza della progettazione.
Un esempio di implementazione che tenta di migliorare questo processo è VGNet, una rete neurale multimodale che sfrutta sia viste multiple di un modello che la sua rappresentazione B-Rep per creare una descrizione più accurata e discriminativa. Il metodo utilizza reti neurali convoluzionali per le immagini e reti neurali a grafo per i dati B-Rep. Esempi applicativi di VGNet mostrano buona precisione nel retrieval, ma presentano limitazioni legate alla gestione di modelli CAD molto complessi, alla possibile perdita di dettagli e alla necessità di un bilanciamento più dinamico tra le modalità di input.
Applicazioni pratiche dell’IA nella gestione dei modelli 2D e delle tavole tecniche
Sebbene l’attenzione dell’innovazione tecnologica nel settore CAD sia spesso focalizzata sui modelli 3D, le tavole tecniche 2D continuano a essere un elemento fondamentale nei processi di progettazione, produzione e controllo qualità. L’Intelligenza Artificiale (IA) sta trasformando la gestione delle tavole tecniche, migliorando l’estrazione, la classificazione, l’interpretazione e la conversione automatica dei disegni tecnici.
Classificazione dei modelli
Il riconoscimento e la classificazione automatica delle tavole tecniche è uno dei temi più sentiti a livello industriale. Come detto, nonostante la grande diffusione dei modelli 3D, le aziende utilizzano ancora molto la tavola per la comunicazione tecnica, inoltre possiedono un vasto patrimonio di informazioni storiche in questo formato, sia cartaceo che digitale. La gestione di questi dati rappresenta una sfida importante, poiché il recupero e l’analisi manuale delle informazioni è spesso oneroso e soggetto a errori.
L’introduzione di tecniche basate su computer vision e Graph Neural Networks (GNN) sta trasformando il modo in cui le tavole tecniche vengono analizzate e gestite. Un aspetto fondamentale riguarda la segmentazione automatica dei disegni, che consente di distinguere e classificare con precisione elementi chiave come contorni, quote e annotazioni testuali. L’impiego di modelli basati su Graph Convolutional Networks (GCN) ha dimostrato di essere particolarmente efficace nel separare queste componenti, migliorando la leggibilità e la coerenza dei documenti tecnici. Un ulteriore passo avanti è rappresentato dalla capacità di questi sistemi di classificare i disegni tecnici in base al metodo di produzione più appropriato.
Identificazione dei metodi di produzione
Attraverso l’analisi della struttura del disegno e delle sue geometrie, le reti neurali possono identificare se un componente è destinato, ad esempio, alla fresatura, alla tornitura o alla piegatura della lamiera, fornendo un’indicazione automatizzata del processo di fabbricazione più idoneo. Oltre alla segmentazione e alla classificazione, un altro ambito di applicazione riguarda l’estrazione automatica dei dati strutturati dalle tavole tecniche. L’integrazione di sistemi di Natural Language Processing (NLP) consente di interpretare e digitalizzare informazioni testuali cruciali, come le specifiche di progetto, le note di lavorazione e le distinte base (BOM). Questa capacità migliora notevolmente l’integrazione dei disegni 2D con i sistemi PDM/PLM aziendali, riducendo il tempo necessario per la ricerca e la gestione dei documenti.
Il riconoscimento “semantico” delle informazioni contenute nei disegni tecnici abilita anche il recupero dei disegni tecnici dagli enormi archivi di tavole storiche in formato digitale o cartaceo. La difficoltà nel trovare rapidamente il documento corretto può rallentare i processi di progettazione e produzione, aumentando il rischio di ridondanze e sprechi di risorse. Le stesse tecniche citate sopra possono implementare funzionalità per consentire ricerche per similarità geometrica, analizzando automaticamente la struttura e le caratteristiche dei disegni 2D per individuare modelli simili all’interno di un database. Parallelamente, l’integrazione di strumenti di Natural Language Processing (NLP) rende possibile la ricerca semantica avanzata nei database di disegni tecnici. Grazie a queste tecnologie, gli utenti possono interrogare il sistema con richieste in linguaggio naturale, come “trova la tavola del supporto con foro da 10 mm”, ottenendo risultati pertinenti senza dover conoscere esattamente il nome del file o il codice identificativo.
Controllo qualità
Un altro aspetto è legato al controllo di qualità delle tavole tecniche, un’attività fondamentale nei processi industriali per garantire che i disegni rispettino le specifiche tecniche e le normative vigenti. Le aziende devono verificare non solo l’accuratezza delle informazioni riportate, ma anche la conformità a standard come ISO e ASME, per evitare errori di produzione e problemi nelle fasi successive del ciclo di vita del prodotto. Un aspetto particolarmente innovativo riguarda il riconoscimento delle incoerenze tra le specifiche di progetto e le normative aziendali o internazionali. Attraverso l’analisi delle strutture testuali e grafiche delle tavole, algoritmi avanzati possono verificare che le indicazioni fornite rispettino le convenzioni stabilite, segnalando eventuali deviazioni. Questo approccio consente di ridurre significativamente il rischio di non conformità, evitando rilavorazioni costose e migliorando la qualità complessiva del prodotto [4].
Conclusioni
Le applicazioni dell’Intelligenza Artificiale nella gestione dei disegni e modelli 3D presentano un grande potenziale, come dimostrato dalle numerose ricerche e sviluppi tecnologici in corso. Tuttavia, la loro implementazione rimane perlopiù confinata all’ambito accademico. Una rapida analisi delle soluzioni esistenti rivela infatti che gli esempi trattati nei lavori scientifici sono spesso semplificati rispetto alla complessità dei modelli CAD 2D e 3D che le aziende utilizzano quotidianamente. Seppur ancora immature per un’applicazione estesa nell’industria, queste tecnologie stanno migliorando la capacità di riconoscere, classificare e recuperare modelli CAD.
Essere consapevoli dello stato della ricerca e dei trend emergenti permette di anticipare il momento in cui tali strumenti diventeranno realmente operativi, consentendo alle aziende di prepararsi per una trasformazione che appare sempre più vicina. Più che una rivoluzione imminente, l’adozione dell’IA nella gestione dei disegni e modelli 3D sarà probabilmente un’evoluzione progressiva, che vedrà il consolidamento di soluzioni specifiche per compiti ben definiti prima di una loro integrazione più ampia nei processi produttivi.
