BenDFM: A Taxonomy and Synthetic CAD Dataset for Manufacturability Assessment in Sheet Metal Bending¶

会议: CVPR 2026
arXiv: 2603.13102
代码: github.com/UGent-CVAMO/bendfm
领域: CAD / 智能制造 / 几何深度学习
关键词: 可制造性评估, 钣金弯曲, 合成CAD数据集, DFM分类法, B-rep学习

一句话总结¶

提出可制造性指标的二维分类法（配置依赖性 x 可行性/复杂度）和首个钣金弯曲合成 CAD 数据集 BenDFM（20,000 零件，含可制造和不可制造设计），基准测试显示拓扑感知的图表示（UV-Net, AUC 0.896）在四类任务上全面优于点云方法（PointNext, AUC 0.844）。

研究背景与动机¶

领域现状：设计可制造性（DFM）要求在设计阶段预测生产可行性和难度。深度学习在制造过程选择（process selection）上已有显著进展，但在工艺内可制造性评估（Intra-Process Manufacturability Assessment, IPMA）上进展缓慢。

现有痛点：(1) "可制造性"定义混乱——有的依赖特定设备配置（如可用冲头尺寸），有的是普遍几何约束（如展开自交叉），有的是离散判断，有的是连续度量，语义混淆阻碍方法对比和知识迁移；(2) 工业数据集存在严重"幸存者偏差"——只保留经过优化的可制造设计，不可制造的失败案例被丢弃，模型无法学习导致生产失败的几何特征；(3) 现有合成数据集主要服务减材工艺（钻孔、铣削），基于简单立方体几何，且已被证明泛化能力差。

核心矛盾：钣金弯曲需要模拟顺序弯折操作和复杂零件-工具交互（碰撞检测），比简单孔径比判断复杂得多，但既无数据集也无统一定义框架。

本文目标 系统化定义可制造性概念空间 + 为钣金弯曲创建首个包含可制造/不可制造设计的合成 CAD 数据集。

切入角度：先建立分类法统一语言，再用参数化建模+弯折物理模拟生成标注丰富的数据集。

核心 idea：二维分类法（配置依赖 x 可行性/复杂度）+ 过程感知合成管线（弯折轨迹+碰撞检测）= 首个可支撑学习型 DFM 的钣金弯曲数据集。

方法详解¶

整体框架¶

三大贡献：(1) 可制造性指标分类法系统化定义空间；(2) 基于参数化建模和弯折模拟生成 BenDFM 数据集；(3) 在两种 SOTA 3D 学习架构上做基准测试验证分类法洞察。

关键设计¶

可制造性二维分类法:
- 功能：系统化定义可制造性指标的语义空间
- 核心思路：沿两轴划分四象限——横轴为配置无关（几何固有，如展开自交叉）vs 配置相关（依赖具体工具/设备，如冲头碰撞），纵轴为可行性（离散判断"能否制造"）vs 复杂度（连续度量"多难制造"）
- 四象限实例：几何可行性=展开重叠（任何设备都不行）；配置可行性=冲头碰撞（换工具可能解决）；几何复杂度=展开面积（纯几何属性）；配置复杂度=翻转次数（依赖弯折顺序）
- 设计动机：解释了现有文献定义差异大的根因，为任何制造工艺的 DFM 研究提供统一语言，明确模型泛化性的边界
BenDFM 数据集生成管线:
- 功能：生成包含可制造和不可制造零件的大规模合成钣金弯曲数据集
- 核心思路：
  - 参数化弯折生成：基于 PythonOCC，五步过程（选边→构建弯折面→挤压弯折→挤压翼缘→重复）生成 20,000 零件。加权采样偏好靠近底部和较长的边缘，支持弯折减让、斜面/圆面翼缘、对称偏置
  - 工具几何参数化：显式建模冲头和模具几何，以三角函数定义工具形状
  - 动态弯折模拟：以 5 度增量沿弯折轨迹生成中间状态，计算弯折余量（bend allowance），在每个中间角度检测碰撞
  - 碰撞检测增强：(a) 冲头/模具在 3 个位置（左/中/右）实例化，反映实际对齐灵活性；(b) 后验检测——在所有弯折完成后重新检测，捕获后续翼缘对先前弯折的干涉
  - 展开和重叠检测：通过 B-rep 布尔运算检测展开平面图案的自交叉
- 数据集规模：20,000 STEP 格式零件，每件附带展开模型、完整弯折序列参数、四象限可制造性标签。BenDFM 子集 14,000 件（碰撞任务，50/50 平衡），BenDFM-U 子集 6,000 件（展开重叠任务，50/50 平衡）
- 设计动机：40% 弯折强制无碰撞，防止数据集被显然不可制造设计支配
双架构基准测试:
- 功能：评估两种 SOTA 3D 学习架构在四类可制造性指标上的表现
- UV-Net（GNN on B-rep AAG）：在属性邻接图上操作，每个面用 10x10 UV 网格采样，每条边用 10 点序列采样，2D/1D CNN 编码后送入 GCN
- PointNext（PointNet 系列）：在采样的 1024 个表面点上操作，使用坐标+法向量特征
- 设计动机：验证拓扑信息对可制造性预测的重要性，同时识别配置相关指标的特殊挑战

损失函数 / 训练策略¶

分类任务：BCE 损失；回归任务：MSE 损失。Adam 优化器，lr=0.0005，batch=32，早停 patience=20。80/10/10 划分，5 次不同种子重复取均值和标准差。

实验关键数据¶

主实验：可行性分类¶

模型	任务	AUC	Acc(%)	F1(%)	类型
UV-Net	冲头碰撞（配置可行性）	0.840	76.07	75.41	分类
PointNext	冲头碰撞	0.827	73.83	71.74	分类
UV-Net	展开重叠（几何可行性）	0.896	81.80	81.31	分类
PointNext	展开重叠	0.844	76.13	76.55	分类

主实验：复杂度回归¶

模型	任务	MAE	RMSE	MAPE(%)	类型
UV-Net	翻转次数（配置复杂度）	0.54	0.86	35.52	回归
PointNext	翻转次数	0.59	0.90	39.33	回归
UV-Net	展开面积（几何复杂度）	14.60	20.68	5.90	回归
PointNext	展开面积	20.24	28.82	8.28	回归
Baseline（训练集均值）	翻转次数	0.984	1.180	67.67	-
Baseline（训练集均值）	展开面积	89.81	111.35	46.01	-

消融/分析¶

分析维度	结论	说明
UV-Net vs PointNext	四任务全面优于点云	B-rep 拓扑关系对可制造性预测至关重要
几何类 vs 配置类	AUC 0.896 vs 0.840	几何类指标系统性更容易学习
40% 无碰撞弯折	有效防止简单负样本支配	创建更微妙的决策边界
折叠 vs 展开几何输入	展开几何略优	展开几何直接暴露碰撞约束

关键发现¶

UV-Net 在四个任务上全面优于 PointNext，表明保留 B-rep 拓扑关系对可制造性预测至关重要
几何类指标（配置无关）系统性地比配置类指标更容易学习——配置依赖引入了额外的工具特定复杂性
配置复杂度（翻转次数）MAPE 仍达 35.52%，说明从最终几何推断操作序列信息是核心挑战
两种模型均大幅超越基线（均值预测），但距离实用部署仍有差距

亮点与洞察¶

分类法切中要害：实际解释了不同论文对"可制造性"定义差异大的原因，为社区提供统一语言和研究路线图
数据集设计周全：动态弯折轨迹模拟、三位置对齐灵活性、后验碰撞检测在合成数据中罕见
配置无关 vs 配置相关的性能差异验证了分类法的核心洞察：泛化性与配置特异性存在本质权衡
为工业 AI 领域提供了急需的基础设施（数据集+基准+分类法），具有基础性贡献

局限与展望¶

仅用一组固定冲头/模具配置，未验证跨配置泛化能力
模型只看最终 CAD 几何，未编码弯折操作序列信息——序列架构（如 RNN/Transformer）可能捕获操作顺序依赖
合成数据与真实工业零件的域差距需实物验证（springback、弹性恢复等物理现象未建模）
仅覆盖钣金弯曲，其他成形工艺（深拉、冲压、弯管）有待扩展
可探索逆问题：从候选工具集中推荐最佳配置，将 IPMA 转化为配置选择任务

评分¶

⭐⭐⭐⭐ (3.5/5)

新颖性 ⭐⭐⭐⭐：分类法系统化填补定义空白，数据集首创覆盖成形工艺
实验充分度 ⭐⭐⭐：两种架构有代表性，但缺更多方法对比和跨配置实验
写作质量 ⭐⭐⭐⭐⭐：结构清晰，叙事逻辑完整，分类法阐述精准
价值 ⭐⭐⭐⭐：为制造 AI 社区提供急需的基础设施（分类法+数据集+基准）