Z kpt. dr. inż. Igorem Betkierem, z Wydziału Bezpieczeństwa, Logistyki i Zarządzania Wojskowej Akademii Technicznej, autorem artykułu „PocketFinderGNN: A manufacturing feature recognition software based on Graph Neural Networks (GNNs) using PyTorch Geometric and NetworkX” opublikowanego w czasopiśmie „SoftwareX”, rozmawia Marcin Wrzos.
Specjalistyczne oprogramowanie PocketFinderGNN, służy do wykrywania kieszeni zamkniętych, będących cechami technologicznymi, w modelach 3D generowanych w systemach CAD/CAM. Umożliwia zoptymalizowanie procesu produkcyjnego, poprzez minimalizację strat, zmniejszenie zużycie surowców i energii oraz skrócenie czasu produkcji. Rozwój tego typu narzędzi prowadzi do pobudzenia innowacji i postępu technologicznego w przedsiębiorstwach.
Czy bez sztucznej inteligencji można jeszcze wyobrazić sobie postęp?
Choć sztuczna inteligencja (Artificial Intelligence – AI) jest ostatnio jednym z głównych tematów w mediach i wpływa na coraz więcej aspektów naszego życia, to warto pamiętać, że jest ona efektem ludzkiej pracy, wyobraźni i kreatywności. Nasza zdolność do rozwiązywania problemów, kreatywnego myślenia i tworzenia nowych idei stanowi fundament dla przyszłych odkryć i rozwoju, aczkolwiek rewolucja AI może ten proces znacznie przyspieszyć. Wyzwaniem w najbliższej przyszłości będzie wykorzystanie potęgi sztucznej inteligencji we właściwy sposób, tak aby nie doprowadzić do naruszeń w obszarze bezpieczeństwa i prywatności oraz do załamania na rynku pracy.
Jak doszło do prac nad PocketFinderGNN?
PocketFinderGNN był jednym z ubocznych produktów projektu badawczo-rozwojowego realizowanego przez firmę TIZ Implements pt. „Platforma CEaaS oparta na sztucznej inteligencji do szybkiego szacowania kosztów w produkcji”, w ramach którego wraz z kpt. mgr. inż. Mateuszem Oszczypałą byliśmy kluczowymi specjalistami ds. uczenia maszynowego. Naszym zadaniem było maksymalnie efektywne wykorzystanie danych dostarczonych przez branżę produkcyjną i sprawdzenie jak sztuczna inteligencja poradzi sobie z problemem wykrywania cech technologicznych w modelach 3D.
Jakie są największe zalety tego oprogramowania?
PocketFinderGNN jest zoptymalizowanym narzędziem samodzielnie dokonującym ekstrakcji danych z modelu 3D wygenerowanego z systemu CAD/CAM (ang. Computer Aided Design oraz Computer Aided Manufacturing) w formie pliku STEP z wykorzystaniem wbudowanego konwertera. Użytkownik nie musi w żaden sposób definiować danych wejściowych, a jedynie wskazać lokalizację pliku na dysku. W oparciu o wyuczony model grafowych sieci neuronowych (ang. Graph Neural Networks, GNN), sztuczna inteligencja dokonuje identyfikacji węzłów w grafie, a co za tym idzie, konkretnych powierzchni bryły, które składają się na cechę technologiczną, tzw. kieszeń zamkniętą (ang. closed pocket) w analizowanym modelu 3D.
W tym celu wykorzystywana jest biblioteka NetworkX języka Python, w oparciu o którą generowana jest grafowa reprezentacja modelu, poddana dalszej analizie. Istotną zaletą PocketFinderGNN jest jakość danych, które posłużyły do uczenia modelu z wykorzystaniem biblioteki PyTorch Geometric. Sieć neuronowa została wytrenowana na zbiorze 576 bardzo zróżnicowanych pod kątem geometrii modeli 3D, uzyskanych z przemysłu elektromaszynowego. Udało się nam osiągnąć dokładność na poziomie 95% dla prawidłowego rozpoznania powierzchni tworzących kieszeń zamkniętą. Narzędzie jest wysokoskalowane i może zostać zaimplementowane w innych systemach takich jak ERP (ang. Enterprise Resources Planning).
Czym jest kieszeń zamknięta i jaką rolę odgrywa w przemyśle wytwórczym?
W obróbce skrawaniem, kieszeń zamknięta to obszar w obrabianym materiale, który jest otoczony powierzchniami z każdej strony, z wyjątkiem jednego otworu, przez który narzędzie skrawające może mieć dostęp do wnętrza kieszeni. Kieszeń zamknięta jest zazwyczaj przestrzenią o kształcie prostokątnym, ale może przyjmować również inne formy, takie jak trapez, okrąg czy nieregularny kształt.
Kieszeń zamknięta odgrywa kluczową rolę w przemyśle wytwórczym, a jej rozpoznanie jest niezbędne do automatyzacji i optymalizacji procesów obróbki skrawaniem. Rozpoznawanie cech technologicznych, w tym kieszeni zamkniętych, pozwala na analizę i ocenę parametrów procesu produkcyjnego. Poprzez monitorowanie i analizę tych cech można identyfikować obszary, w których proces może być zoptymalizowany, co prowadzi do poprawy wydajności, oszczędności surowców i energii oraz skrócenia czasu produkcji.
Czym są grafowe sieci neuronowe?
Grafowe sieci neuronowe są strukturą wykorzystywaną do uczenia maszynowego, która została opracowana specjalnie do analizy danych grafowych. Są one wykorzystywane w przypadkach, gdy dane wejściowe mają postać grafu, czyli składają się z węzłów i krawędzi, które reprezentują powiązania między tymi węzłami. Ten typ sieci neuronowych jest przydatny w wielu dziedzinach, takich jak analiza społecznościowa, przetwarzanie języka naturalnego, chemioinformatyka czy tworzenie systemów rekomendacji.
Tradycyjne modele uczenia maszynowego, takie jak konwolucyjne sieci neuronowe (CNN) czy rekurencyjne sieci neuronowe (RNN), są skonstruowane do przetwarzania danych o ustalonej strukturze, takich jak obrazy czy sekwencje czasowe. Grafowe sieci neuronowe rozszerzają te modele na grafy, umożliwiając efektywne przetwarzanie informacji, które są przechowywane w relacjach między węzłami. W grafowych sieciach neuronowych każdy węzeł grafu jest reprezentowany przez wektor cech, który zawiera informacje o tym węźle. Informacje te są propagowane przez graf, a sąsiedztwo każdego węzła jest brane pod uwagę podczas obliczania wyników.
Jakie konkretne zastosowanie może mieć PocketFinderGNN?
Narzędzie PocketFinderGNN konwertuje plik STEP wygenerowany przez systemy CAD/CAM na graficzną reprezentację modelu 3D i wykorzystuje grafowe konwolucyjne sieci neuronowe (GCN) do przewidywania, które węzły grafu tworzą wspomnianą cechę technologiczną. Tym samym sztuczna inteligencja zastępuje technologa oceniającego obecność zamkniętych kieszeni w modelu i stanowi pierwszy krok do całkowitej automatyzacji etapu planowania procesu technologicznego. Wiedza o występowaniu konkretnych cech technologicznych pozwala efektywnie planować kolejność wykonywanych na maszynie prac, odpowiednio dobierać narzędzia i skracać proces obróbki.
Dlaczego rozpoznawanie cech produkcyjnych technologicznych w oparciu o reprezentacje grafowe modeli 3D zyskuje w ostatnim czasie na popularności?
Dzieje się tak z kilku powodów. Po pierwsze reprezentacje grafowe modeli 3D pozwalają na bardziej kompleksową reprezentację obiektów i ich cech technologicznych. Oprócz informacji geometrycznych, takich jak kształt i wymiary, reprezentacje grafowe mogą zawierać dodatkowe informacje o strukturze, materiałach, rodzajach połączeń i innych aspektach technologicznych. Dzięki temu można uwzględnić bardziej zaawansowane cechy, które są istotne dla analizy technologicznej i produkcji.
Ponadto grafowe reprezentacje modeli 3D są wygodne do przetwarzania przez zyskujące na znaczeniu grafowe sieci neuronowe. Dzięki temu możliwe jest efektywne uczenie się zależności między cechami technologicznymi, propagacja informacji wzdłuż połączeń grafowych i dokładna analiza struktury obiektu. Co za tym idzie, wykorzystanie reprezentacji grafowych i GNN może przyczynić się do wyższej dokładności i precyzji w rozpoznawaniu cech technologicznych w modelach 3D.
GNN są zdolne do uwzględniania kontekstu lokalnego i globalnego w analizie grafu, co pozwala na dokładniejsze rozpoznanie i identyfikację cech technologicznych w różnych skalach i kontekstach. Finalnie, rozpoznawanie cech technologicznych w oparciu o reprezentacje grafowe modeli 3D umożliwia automatyzację procesów analizy technologicznej. Za pomocą odpowiednio wytrenowanych GNN można automatycznie wykrywać, klasyfikować i analizować cechy technologiczne, takie jak elementy konstrukcyjne, połączenia czy wymagane tolerancje, co wpływa na przyspieszenie procesu planowania produkcji. Technologię można wykorzystać m.in. do analizowania i oceny jakości wyrobów, co może prowadzić do szybszego wychwytywania wadliwych produktów i eliminacji nieprawidłowości na wczesnym etapie produkcji. W rezultacie zwiększa się produktywność procesu, co prowadzi do większej liczby wyprodukowanych produktów w krótszym czasie.
PocketFinderGNN jest narzędziem, które na pewno spotka się zainteresowaniem wśród przedsiębiorców. Jakie korzyści ma ono dla reszty społeczeństwa?
Oprogramowanie umożliwia zoptymalizowanie procesu produkcyjnego, minimalizując straty, zmniejszając zużycie surowców i energii oraz skracając czas produkcji. Dzięki temu przedsiębiorstwa mogą produkować więcej w krótszym czasie, co wpływa na zwiększenie dostępności produktów.
Ponadto zaproponowane narzędzie może pomóc w zapewnieniu wysokiej jakości produktów poprzez precyzyjne planowanie i kontrolę procesu technologicznego. Zastosowanie zaawansowanych algorytmów i analizy danych pozwala na wykrywanie defektów, minimalizację błędów produkcyjnych i poprawę spójności oraz niezawodności wytwarzanych produktów. Rozwój tego typu narzędzi może pobudzać innowacje i postęp technologiczny w przedsiębiorstwach produkcyjnych. Poprzez wykorzystanie zaawansowanych algorytmów uczenia maszynowego, analizy danych i sztucznej inteligencji, oprogramowanie korzystające z PocketFinderGNN może generować nowe i bardziej efektywne strategie produkcji, co przyczyni się do postępu technologicznego w branży.
Kto był zaangażowany w prace nad PocketFinderGNN?
Wojskową Akademię Techniczną reprezentowałem ja i kpt. mgr. inż. Mateusz Oszczypała z Wydziału Inżynierii Mechanicznej WAT. Przy projekcie współpracowaliśmy z Sergiuszem Sobieskim z firmy TIZ IMPLEMENTS, dr. Januszem Pobożniakiem z Politechniki Krakowskiej im. Tadeusza Kościuszki oraz Przemysławem Betkierem z Uniwersytetu WSB Merito Poznań. Wyniki opisaliśmy w artykule „PocketFinderGNN: A manufacturing feature recognition software based on Graph Neural Networks (GNNs) using PyTorch Geometric and NetworkX”, który ukazał się w czasopiśmie „SoftwareX” posiadającym maksymalną możliwą do uzyskania liczbę punktów (200 pkt.) na liście czasopism punktowanych Ministerstwa Edukacji i Nauki.
Czy planowane są dalsze prace nad oprogramowaniem?
Narzędzie PocketFinderGNN zostało udostępnione jako oprogramowanie open source na licencji MIT, co oznacza, że każdy może z niego korzystać, wprowadzać swoje zmiany i dalej rozpowszechniać jego ulepszoną wersję. Dalsze prace są niezbędne, z uwagi na mnogość cech technologicznych i ich poziom skomplikowania. Generuje to potrzebę budowy kompleksowego narzędzia optymalizującego procesy produkcyjne, mogącego być jednym z kluczowych mikroserwisów platformy SaaS (system as a service). Ten obszar jest przez nas analizowany, a w pracach biorą również udział przedstawiciele Politechniki Warszawskiej, Uniwersytetu Warszawskiego i Politechniki Krakowskiej.
*****
Kpt. dr inż. Igor Betkier jest absolwentem Wydziału Mechanicznego Wojskowej Akademii Technicznej (2017), a tytuł doktora nauk inżynieryjno-technicznych w dyscyplinie inżynieria lądowa i transport uzyskał decyzją Rady Naukowej Dyscypliny Inżynieria Lądowa i Transport Politechniki Warszawskiej (2021). Od roku 2020 roku inżynier, a następnie asystent badawczo – dydaktyczny w Instytucie Logistyki na Wydziale Bezpieczeństwa, Logistyki i Zarządzania WAT.
Swoją pracę badawczą realizuje głównie w obszarze szeroko pojętego transportu, wykorzystując wiedzę programistyczną i algorytmy sztucznej inteligencji. W 2021 roku został laureatem konkursu MINIATURA‑5 organizowanym przez Narodowe Centrum Nauki, zgłaszając projekt w tematyce związanej z uczeniem maszynowym. W roku 2022 uzyskał Nagrodę Prezesa Rady Ministrów za rok 2021 dla wyróżniającej się rozprawy doktorskiej pt. „Metoda komputerowego wspomagania procesu planowania przemieszczania pojazdów nienormatywnych”.
W latach 2021 – 2023 ukończył międzynarodowe certyfikowane kursy NATO na Słowacji, we Włoszech, w Bośni i Hercegowinie i Niemczech. Jest dyrektorem 5 międzynarodowych kursów realizowanych w WAT oraz instruktorem SZ RP oraz NATO w obszarze obsługi specjalistycznego oprogramowania LOGFAS wspierającego proces zabezpieczenia logistycznego. Jest również członkiem zespołu Core Planning Team i jednym z organizatorów ćwiczeń międzynarodowych NATO o kryptonimie „Connected Logisticians”.
Na Wydziale Bezpieczeństwa, Logistyki i Zarządzania WAT pełni funkcję Quality Managera i odpowiada za implementację polityki zapewniania jakości w tej komórce, która jest oficjalnym centrum szkoleniowym NATO dla dyscypliny logistyka. Wcześniej służył w Wojskowej Komendzie Transportu w Warszawie, gdzie był odpowiedzialny za planowanie drogowego transportu nienormatywnego, również w ramach ćwiczeń międzynarodowych takich jak SABER STRIKE – 18.
fot. Katarzyna Puciłowska