Creo, SolidWorks ... 등 3D CAD의 데이터 유사성 프로그램?

□ 기존 제품 데이터 재사용의 장점 

• 시간 단축:
  • 설계 단계 축소: 이미 검증된 데이터를 활용하여 새로운 설계 시작점을 앞당길 수 있습니다.
  • 오류 감소: 기존 데이터를 기반으로 하므로 설계 오류 발생 가능성을 줄여 시행착오를 줄일 수 있습니다.
  • 검증 시간 단축: 기존 데이터의 검증 결과를 활용하여 새로운 제품의 검증 시간을 단축할 수 있습니다.
• 비용 절감:
  • 설계 자원 절감: 새로운 설계를 위한 인력과 시간 투입을 줄일 수 있습니다.
  • 시뮬레이션 비용 절감: 기존 데이터를 활용한 시뮬레이션으로 추가적인 시뮬레이션 비용을 절감할 수 있습니다.
• 품질 향상:
  • 검증된 데이터 활용: 이미 검증된 데이터를 활용하여 제품의 신뢰성을 높일 수 있습니다.
  • 설계 표준화: 기존 설계 표준을 준수하여 제품의 품질을 일관되게 유지할 수 있습니다.

 

□ 기존 제품 데이터 재사용 시 고려해야 할 점

• 데이터 호환성:
  • 파일 형식: 다양한 CAD 소프트웨어에서 사용되는 파일 형식 간의 호환성을 고려해야 합니다.
  • 단위: 길이, 무게 등의 단위가 일관되게 사용되었는지 확인해야 합니다.
• 데이터 정확성:
  • 오류 검증: 기존 데이터에 오류가 없는지 철저히 검증해야 합니다.
  • 최신성: 데이터가 최신 버전인지 확인하고, 필요한 경우 업데이트해야 합니다.
• 유연성:
  • 변경 용이성: 기존 데이터를 변경하거나 새로운 요구사항에 맞춰 수정하기 쉽도록 유연한 구조를 갖춰야 합니다.
• 데이터 관리:
  • 체계적인 관리: 데이터를 효율적으로 관리하기 위한 체계적인 시스템을 구축해야 합니다.
  • 버전 관리: 데이터의 버전을 관리하여 변경 이력을 추적할 수 있어야 합니다.

기존 제품 데이터 재사용은 제품 개발 기간 단축을 위한 효과적인 방법입니다. 하지만 데이터의 호환성, 정확성, 지식 재산권 등을 고려해야 하며, 체계적인 데이터 관리 시스템 구축이 필요합니다. 앞으로는 인공지능, 머신러닝 등의 기술을 활용하여 데이터 재사용의 효율성을 더욱 높일 수 있을 것으로 기대됩니다. 기존 모델의 재사용은 단순히 개발 기간 단축뿐만 아니라 기업 내 설계 지식의 효과적인 관리 및 활용 측면에서 매우 중요한 역할을 합니다.

□ 기존 설계 제품 재활용을 위한 유사 모델 검색 기능

기존 설계 제품을 재활용하기 위해서는 먼저 유사한 제품 모델을 찾는 과정이 필수적입니다. 모델의 유사성을 정의하는 기준에 따라 크게 두 가지 방식으로 접근하고 있습니다.

• 형상 기반 (geometry-based ) 유사도: 제품의 외형적인 형상 정보만을 기반으로 유사성을 측정하는 방식입니다. 곡면 정보를 이용하여 간편하게 유사성을 판단할 수 있다는 장점이 있습니다.
• 특징 형상 기반(feature-based)유사도: 모델링 과정에서 사용된 특징 형상들의 정보와 그 이력을 기반으로 유사성을 평가하는 방식입니다. 즉, 단순한 형상뿐만 아니라 설계 의도나 기능적인 측면까지 고려하여 유사성을 판단합니다.

geometry-based 부품 비교	Creo 모델 체크 부품 비교

 

1.형상 기반 유사도 장점:
-구현이 비교적 간단하고, 빠른 속도로 많은 데이터를 처리할 수 있습니다.
-곡면 정보만으로 유사성을 판단하기 때문에 다양한 CAD 소프트웨어에서 활용 가능합니다.

2.형상 기반 유사도 단점:
-형상이 유사하더라도 기능이나 설계 의도가 다른 경우, 유사한 모델로 오인될 수 있습니다.
-미세한 형상 차이에 민감하여 정확도가 떨어질 수 있습니다.

1.특징 형상 기반 유사도 장점:
-형상뿐만 아니라 기능, 설계 의도 등 다양한 측면을 고려하여 더 정확한 유사성 판단이 가능합니다.
-설계 변경 이력을 추적하여 설계 의사 결정 과정을 이해할 수 있습니다.

2. 특징 형상 기반 유사도 단점:
-특징 형상을 추출하고 분석하는 과정이 복잡하며, 많은 계산 자원을 필요로 합니다.
-모델링 데이터의 품질에 크게 의존합니다.

 

유사성 측정 기준: 형상, 기능, 재료, 제조 공정 등 다양한 기준을 종합적으로 고려하여 유사성을 정의해야 합니다.
데이터 처리: 대량의 3D 모델 데이터를 효율적으로 처리하기 위한 알고리즘 및 데이터 구조가 필요합니다.
인공지능 활용: 딥러닝 등 인공지능 기술을 활용하여 더욱 정확하고 복잡한 유사성 판단 모델을 구축할 수 있습니다.
사용자 인터페이스: 사용자가 쉽게 유사 모델을 검색하고 비교할 수 있는 사용자 인터페이스를 제공해야 합니다.

 

□ 3D 모델 데이터를 TEXT DATA로 만들기

Creo, SolidWorks와 같은 3D 모델은 Feature 기반의 프로그램 입니다. Feature는 유형과 치수 값으로 구성되어 있습니다.
또한 다양한 Parameter 정보를 가지고 있습니다. 3D 모델은 SolidModel로 구성되어 있어, 사이즈 (X/Y/Z), 무게, 관성 모우먼트등의 측정 데이터도 가지고 있습니다. 연계된 시스템으로 부터 다양한 정보(단가, 제작업체 . . )를 가져올수 있습니다

데이터베이스에 다수의 모델이 저장되어 있고, 새로운 모델이 들어왔을 때 기존 모델들과의 유사도를 백분율로 계산하여 가장 유사한 모델을 찾고 싶은 상황입니다.

해결 방안:

1. 유사도 측정 기준 정의:
. 특징 추출: 모델의 어떤 특징을 기준으로 유사도를 측정할지 결정해야 합니다. 예를 들어, CAD 모델의 경우 형상, 치수, 재질, 기능 등 다양한 특징을 고려할 수 있습니다.
. 유사도 계산 방법: 코사인 유사도, 유클리드 거리, 자카드 유사도 등 다양한 유사도 측정 방법 중 적절한 방법을 선택해야 합니다. 모델의 특징에 따라 어떤 방법이 더 적합한지 판단해야 합니다.

2. 특징 벡터 생성:
. 수치화: 추출한 특징들을 수치화하여 벡터로 표현합니다. 예를 들어, 형상은 특징점의 좌표로, 치수는 수치 값으로 표현할 수 있습니다.
. 차원 축소: 고차원의 특징 벡터를 차원 축소 기법(PCA, t-SNE 등)을 이용하여 저차원 공간으로 변환하면 계산량을 줄이고 시각화하기 쉽습니다.

3.유사도 계산:
. 선택된 유사도 측정 방법 적용: 생성된 특징 벡터 간의 유사도를 계산합니다.
. 유사도 값 정규화: 계산된 유사도 값을 0~1 사이의 값으로 정규화하여 백분율로 표현합니다.

4. 데이터베이스 구축:
. 특징 벡터 저장: 계산된 특징 벡터를 데이터베이스에 저장합니다.
. 유사도 정보 저장: 계산된 유사도 값을 함께 저장하여 빠르게 검색할 수 있도록 합니다.

 

3D CAD에서 제공 하는 API를 활용하여 저장된 데이터를 순차적으로 호출하여, 다양한 모델 정보를 가져 올수 있습니다.
또한 모델에 정보가 입력 되어 있는지 확인 할수 있습니다. 입력된 정보와 표준 정보와 비교 할수 있습니다.
필요에 따라 모델 정보와 문서정보를 연결 할수 있습니다. 

활용 예시:

• 유사 모델 검색: 새로운 모델이 들어왔을 때 가장 유사한 모델을 찾아 재활용하거나 참고할 수 있습니다.
• 모델 분류: 유사한 모델끼리 군집화하여 모델 라이브러리를 구성할 수 있습니다.
• 품질 관리: 불량품 검출 시 유사한 양품 모델과 비교하여 문제점을 파악할 수 있습니다.

https://koreascience.kr/article/JAKO201115537947566.pdf

□ 딥러닝 기반 유사도 측정 방식 

딥러닝은 고차원의 복잡한 데이터를 효과적으로 학습하고 분석할 수 있는 강력한 도구입니다. 특히, 이미지, 텍스트, 음성 등 다양한 형태의 데이터 간 유사도를 측정하는 데 탁월한 성능을 보여줍니다.

딥러닝 기반 유사도 측정의 핵심 아이디어는 고차원의 데이터를 저차원의 벡터 공간으로 임베딩하고, 이 벡터들 간의 유사도를 계산하는 것입니다.

▷딥러닝 기반 유사도 측정 과정

1. 데이터 준비:
   • 데이터 수집: 유사도를 측정하고자 하는 데이터를 충분히 수집합니다. 예를 들어, 이미지의 경우 많은 양의 이미지 데이터가 필요합니다.
   • 데이터 전처리: 수집된 데이터를 딥러닝 모델에 입력하기 위한 형태로 변환합니다. 이미지는 픽셀 값으로, 텍스트는 단어 벡터로 변환하는 등의 작업이 필요합니다.
   • 레이블링: 유사한 데이터끼리 그룹화하여 레이블을 부여합니다. 이 레이블 정보를 통해 딥러닝 모델은 유사한 데이터를 구분하는 방법을 학습합니다.
2. 딥러닝 모델 설계:
   • 네트워크 구조 선택: 이미지 데이터에는 CNN(Convolutional Neural Network), 텍스트 데이터에는 RNN(Recurrent Neural Network) 또는 Transformer 등의 네트워크 구조를 사용합니다.
   • 손실 함수 설정: 모델이 학습하는 목표를 정의하는 손실 함수를 설정합니다. 유사한 데이터끼리 가까워지도록 하고, 다른 데이터끼리는 멀어지도록 하는 손실 함수를 사용합니다.
   • 최적화 알고리즘 선택: 모델의 파라미터를 업데이트하여 손실 함수를 최소화하는 최적화 알고리즘을 선택합니다.
3. 모델 학습:
   • 데이터 학습: 준비된 데이터를 이용하여 딥러닝 모델을 학습시킵니다. 학습 과정에서 모델은 데이터의 특징을 추출하고, 유사한 데이터를 구분하는 방법을 학습합니다.
4. 유사도 측정:
   • 벡터 표현: 학습된 모델에 새로운 데이터를 입력하여 고차원의 특징 벡터를 얻습니다.
   • 유사도 계산: 얻어진 특징 벡터 간의 유사도를 코사인 유사도, 유클리드 거리 등의 방법으로 계산합니다.

 

파이토치(PyTorch) 기본 문법

 

파이토치 한국 사용자 모임 (PyTorch Korea User Group)

 

 

• 예시 1: 자동차 부품 산업
  • 수천 개의 부품을 표준화된 카탈로그로 관리
  • 새로운 모델 개발 시 유사 부품 재사용률 극대화
  • 공급업체의 납기 및 품질 데이터 분석을 통한 최적의 공급망 구성
• 예시 2: 전자제품 제조 산업
  • 다양한 전자 부품의 규격 및 성능 데이터를 통합 관리
  • 신제품 개발 시 부품 호환성 검증 시간 단축
  • 부품 가격 변동 추이 분석을 통한 구매 시점 예측

 

---