Как команда TechCAD.AI создала систему для проверки технологичности CAD-моделей
Если CAD-модель геометрически корректная, это еще не означает, что деталь будет удобно изготовить. Слишком тонкую стенку, неудобный радиус гиба или недоступную для инструмента зону иногда замечают уже на этапе технологической проработки — когда исправлять модель становится дороже.
Команда TechCAD.AI хочет перенести такую проверку ближе к моменту проектирования. Пользователь загружает STEP-модель, система определяет предполагаемый способ обработки, проверяет геометрию по DFM-правилам и формирует отчет с объяснением найденных проблем.
Сейчас TechCAD.AI работает как MVP, и команда продолжает его дорабатывать. На отдельной проверочной выборке система нашла 62% нарушений из эталонной разметки, а медианное время автоматического анализа составило 6,2 минуты.
Дальше разберем, как устроен весь конвейер — от B-Rep и XGBoost до технологических правил и RAG — и где система пока ошибается.
Что рассказали инженеры
Чтобы проверить, насколько проблема типична, команда провела 17 глубинных интервью: с восемью инженерами-конструкторами, одним инженером-технологом, шестью руководителями инженерных подразделений и двумя преподавателями инженерных дисциплин.
Чаще всего респонденты отмечали:
отсутствие автоматизированной DFM-проверки — 15 из 17;
сильную зависимость результата от опыта конкретного инженера — 14 из 17;
позднее выявление ошибок, уже после передачи модели дальше по производственному процессу — 13 из 17;
преимущественно ручную проверку CAD-моделей — 13 из 17;
высокую нагрузку на наставников и ведущих инженеров — 11 из 14 производственных специалистов.
От гипотезы к продукту
Команда исходила из идеи: чем раньше конструктор увидит проблему, тем меньше переделок потребуется на следующих этапах. Поэтому TechCAD.AI должен проверять модель сразу после проектирования, показывать найденные нарушения, объяснять, почему они важны и как их исправить. Для начинающих инженеров проверка может еще и помочь быстрее разобраться в принципах технологичного проектирования.
Среди базовых требований к MVP были поддержка фрезерной и токарной обработки, совместимость с используемыми CAD-системами, понятный интерфейс и быстрый анализ.
Целевые показатели: не более пяти минут на одну модель и не менее 90% нарушений из тех, что находит эксперт.
Как устроен TechCAD.AI: геометрия + ML + технологические правила + RAG
TechCAD.AI состоит из нескольких компонентов. Геометрические ограничения проверяют алгоритмы и DFM-правила, классификационная модель определяет предполагаемый тип обработки, а языковая модель объясняет найденные проблемы с опорой на инженерную базу знаний.
Разбор STEP-модели
После загрузки модуль на Python с использованием FreeCAD разбирает STEP/STP-файл. Из него система получает B-Rep-представление детали — данные о гранях, ребрах, поверхностях и связях между ними. Поэтому она работает с геометрией модели, а не только с ее внешним видом.
Затем Feature Extractor обходит геометрию детали и собирает вектор из 29 геометрических и топологических признаков. Например, для фрезерной обработки учитываются доля площади плоских поверхностей (flat_area_ratio), количество плоских граней (flat_faces), группы параллельных плоскостей (plane_groups) и взаимно перпендикулярные группы. Для токарной обработки система учитывает цилиндрические и соосные поверхности детали.
После проверки данных вектор признаков передается в XGBoost, который определяет наиболее вероятный тип обработки: токарную, фрезерную или листовую.
ML-классификация
Для обучения классификатора команда собрала датасет из 492 CAD-моделей в формате STEP/STP: 64 токарных, 188 фрезерных и 240 листовых. В него вошли собственные разработки, промышленные образцы и модели из открытой библиотеки GrabCAD. Для каждой модели основной способ изготовления определяли вручную. Затем выборку разделили на обучающую и тестовую части в соотношении 80/20 с сохранением пропорций трех классов.
Готовые исследовательские датасеты, включая Fusion 360 Gallery, MFInstSeg и ABC-Dataset, для этой задачи не подошли: они предназначены в основном для сегментации геометрии, реконструкции поверхностей и других задач работы с B-Rep. Поэтому для этой задачи понадобилась отдельная специализированная выборка.
Дополнительно классификатор проверили на отдельной выборке из 4819 CAD-моделей, которые не использовались при обучении: 819 токарных, 2000 фрезерных и 2000 листовых. Проверка позволила оценить работу модели на значительно большей отдельной выборке.
Проверка по технологическим правилам
Сначала система определяет предполагаемый тип обработки, затем проверяет модель по DFM-правилам для этого процесса: ограничениям по толщине, радиусам переходов, отношениям длины к диаметру, доступности элементов и другим геометрическим параметрам.
RAG
Результаты геометрического анализа и найденные нарушения передаются в модуль генерации рекомендаций. Он использует RAG-подход: находит релевантные фрагменты в инженерной базе знаний и передает их языковой модели вместе с данными о детали. На этой основе система объясняет найденную проблему и предлагает направление исправления.
Отчет
В конце пользователь получает структурированный отчет с найденными нарушениями, рассчитанными параметрами, возможными последствиями и рекомендациями. Его можно использовать при доработке модели или согласовании с технологом.
Почему для классификатора выбрали классический ML
На этапе MVP классификация строится на структурированных геометрических признаках, поэтому команда решила не использовать более тяжелые 3D-CNN и графовые нейросети. В качестве базовой модели взяли Random Forest, а затем сравнили ее с XGBoost. Обе модели обучали и проверяли на одном датасете с одинаковым разбиением данных.
На тестовой выборке Random Forest и XGBoost показали одинаковые результаты: accuracy и macro-F1 составили 1,0.
Команда остановилась на XGBoost: модель хорошо работает с табличными признаками, учитывает нелинейные зависимости и дает больше возможностей для настройки и контроля переобучения. Дополнительным плюсом стала интерпретируемость: анализ важности признаков позволяет увидеть, какие характеристики геометрии сильнее всего влияют на классификацию.
Итоговую модель обучали с 400 деревьями, максимальной глубиной 10 и скоростью обучения 0,1. В качестве целевой функции использовали multi:softprob, поэтому модель определяет не только итоговый класс, но и вероятность принадлежности детали к каждому типу обработки.
На тестовой выборке из 99 CAD-моделей XGBoost правильно классифицировал все детали. Дополнительно модель проверили на отдельной выборке из 4819 моделей, которые не участвовали в обучении. На ней точность составила 99,83%, macro-F1 — 99,87%. Из 4819 деталей модель ошиблась в восьми случаях: листовые модели отнесла к фрезерным.
Чтобы оценить, насколько выбранные признаки позволяют разделить три класса, команда также использовала метод главных компонент PCA. Перед анализом признаки стандартизировали, после чего многомерное пространство свели к двум компонентам для визуализации.
На визуализации видны три кластера, соответствующие токарной, фрезерной и листовой обработке. При этом фрезерные и листовые детали частично пересекаются: у некоторых из них есть похожие геометрические характеристики. PCA отражает линейную структуру данных, тогда как XGBoost учитывает и нелинейные зависимости. Поэтому частичное пересечение кластеров на графике не противоречит высоким результатам классификации.
Технологические правила — основа инженерной части
Классификатор отвечает только на вопрос: каким способом, вероятнее всего, будет изготавливаться деталь. Основная инженерная проверка начинается на следующем этапе — когда система анализирует конкретные признаки технологичности. Сейчас в каталоге TechCAD.AI 99 правил: 23 для токарной обработки, 53 для фрезерной и 23 для листовой.
Для каждого правила задают идентификатор, проверяемый геометрический параметр, условие срабатывания, пороговое значение, критичность, описание возможных последствий и рекомендация по исправлению.
После того как ML-классификатор определяет предполагаемый тип обработки, система запускает соответствующий набор проверок.
Команда формализует правила на основе нормативной и инженерной литературы. Для каждой текстовой рекомендации определяет измеримую геометрическую метрику, условие срабатывания и допустимый порог. Затем проверяет правило на CAD-моделях и при необходимости корректирует после сопоставления с экспертным анализом.
Для токарной обработки система, например, анализирует тонкостенные участки, отношение длины наружного участка к диаметру, резкие скачки диаметров и радиусы переходов. Для листовой обработки — толщину, радиусы гиба, расстояния от отверстий до линий гиба и другие ограничения.
Сначала DFM-правило фиксирует нарушение, затем языковая модель объясняет его инженерный смысл и предлагает, что можно изменить в модели.
Один из примеров — правило для листовой обработки, которое контролирует расстояние от отверстия до зоны гиба. Система извлекает из STEP-модели толщину листа t, радиус гиба R и расстояние D от ближайшей кромки отверстия до зоны гиба. В текущем каталоге TechCAD.AI правило срабатывает при условии D < 2.5t + R.
Для детали толщиной 2 мм с радиусом гиба 2 мм минимальное рекомендуемое расстояние составляет 7 мм. Если отверстие расположено на расстоянии 5 мм, правило срабатывает: при гибке оно может попасть в область пластической деформации, получить овальность или смещение.
На показанной модели система определила внутренний радиус 1 мм, тогда как минимальное значение по текущему правилу составляет 1,5 мм. Поскольку фактический радиус меньше порогового, система формирует предупреждение.
Слишком малый радиус гиба усложняет изготовление листовой детали: возрастает деформация наружных волокон материала, а вместе с ней риск появления трещин на линии гиба, локальной деформации и потери точности формы.
При этом порог 1,5 мм в этом примере используется как текущее правило MVP, а не как универсальная норма для любых материалов и производств. В промышленной версии такие значения должны уточняться с учетом толщины листа, материала, типа гибки и доступной оснастки.
ИИ-помощник объясняет ошибку на основе инженерной базы знаний
Обычной генерации текста языковой моделью для инженерной системы недостаточно: модель может сформулировать убедительный, но неверный совет. Поэтому в TechCAD.AI используется RAG-подход. Перед генерацией ответа система находит релевантные фрагменты в инженерной базе знаний и передает их языковой модели вместе с результатами геометрического анализа.
Первую версию модуля генерации рекомендаций команда собрала в Dify. Запускали модели локально через Ollama, чтобы не передавать инженерные данные во внешние облачные LLM-сервисы. Для генерации текста использовалась Qwen2.5 7B Instruct, для построения векторных представлений — EmbeddingGemma 300M. В экспериментах с визуальным анализом команда также использовала Qwen3-VL 8B.
Сейчас инженерная база содержит несколько десятков отобранных источников: нормативные документы, учебную и справочную литературу по технологичности и проектированию, а также специализированные DFM-руководства. Важнее качество источников, чем их количество: в базу попадают материалы, которые можно использовать для конкретных технологических проверок.
Один из базовых нормативных документов — ГОСТ 14.201-83 «Обеспечение технологичности конструкции изделий. Общие требования». Для конкретных численных ограничений команда также использует рекомендации производителей и сервисов изготовления, в том числе Xometry, Protolabs, Mate Precision, Bystronic и SendCutSend.
Документы разбиваются на фрагменты и индексируются. Когда система анализирует деталь, она ищет в базе релевантные материалы и передает найденный контекст языковой модели вместе с предполагаемым типом обработки, выявленными нарушениями и рассчитанными геометрическими параметрами. На этой основе модель формирует объяснение проблемы и рекомендацию по ее исправлению.
В первой версии риск недостоверных рекомендаций ограничивали RAG-контекстом, промптом и низкой температурой модели, но полностью исключить генерацию информации вне найденных источников это не позволяло. Поэтому команда переходит к агентному RAG, где поиск источников, формирование рекомендации и ее проверка становятся отдельными этапами. Если инженерное утверждение не удается подтвердить найденными материалами, оно должно маркироваться как требующее дополнительной проверки.
Как выглядит результат
Для детали с нарушением SHEET_002 из примера выше система формирует структурированный отчет.
1. Найденная ошибка
SHEET_002 — слишком малый внутренний радиус гиба. Серьезность — средняя. Внутренний радиус — около 1 мм, минимальное значение по текущему правилу — 1,5 мм.
2. Возможные последствия
При слишком малом радиусе в зоне гиба могут появиться трещины, из-за чего деталь придется переделывать. При этом система уточняет, что риск зависит от материала и его состояния и по одной геометрии подтвердить появление трещин нельзя.
3. Рекомендация
Увеличить внутренний радиус до значения, подтвержденного для конкретного материала, затем обновить развертку и повторить проверку. Текущий порог рассматривается как предварительный ориентир, а не универсальный предел для любой марки материала.
4. Предварительный порядок изготовления
Система также предлагает общий порядок операций: подготовить развертку и раскрой, выполнить обработку кромок, затем гибку и финальный контроль. Детальную технологическую последовательность этот анализ не рассчитывает.
Что показал MVP
Пилотный контур проверили на отдельной выборке из 50 моделей: 20 деталей для листовой обработки, 20 — для фрезерования и 10 — для токарной. Эти модели раньше не использовались ни для обучения, ни для настройки системы.
В выборку вошли модели, созданные инженерами-конструкторами в процессе рабочей и учебной деятельности, а не только специально подготовленные примеры с искусственно внесенными дефектами. Для каждой модели заранее фиксировали предполагаемый тип обработки и нарушения технологичности. Разметку подготовил участник команды TechCAD.AI, после чего ее проверил эксперт — начальник конструкторского бюро.
Основной задачей теста было проверить весь пользовательский сценарий: от загрузки STEP-модели до получения итогового отчета.
По результатам пилота система выявила 62% нарушений из эталонной разметки, проверенной экспертом.
Полноту рассчитывали по эталонной разметке 50 STEP-моделей. В эталонной разметке после проверки экспертом зафиксировали 150 нарушений технологичности. TechCAD.AI обнаружил 93 из них, еще 57 пропустил. Таким образом, полнота (recall) составила 62%. Отдельно по видам обработки полнота составила 64,4% для листовых деталей (38 из 59 нарушений), 60,9% для фрезерных (39 из 64) и 59,3% для токарных (16 из 27). Чаще всего пропускались острые внутренние углы, а также нарушения, требующие более сложного анализа технологического контекста.
MVP уже находит часть формализованных нарушений, но каталог правил и методы извлечения геометрических признаков еще нужно расширять. Отдельно команда замерила скорость автоматического анализа и сравнила ее с ориентировочным временем ручной проверки, которое получили во время интервью.
Исходное время ручной проверки — около 30 минут на одну CAD-модель — команда получила по результатам проблемных интервью с инженерами и другими участниками процесса проектирования. Время автоматического анализа замеряли отдельно: провели 79 запусков TechCAD.AI, из которых 58 завершились успешно. В остальном 21 случае сбой происходил на этапе передачи параметров в RAG-контур: часть ошибок была связана с некорректными геометрическими параметрами на входе, часть — с тайм-аутами, когда языковая модель не переходила к следующему шагу.
Для успешных запусков медианное время анализа составило 372 секунды, или 6,2 минуты, среднее — около 379 секунд, или 6,3 минуты. Разброс — от 1,8 до 16,7 минуты. Медианное время автоматического анализа оказалось примерно на 79% меньше 30-минутного ориентира, полученного из интервью. В это время входит весь автоматический анализ: обработка STEP-модели, извлечение геометрических признаков, ML-классификация, проверка правил и генерация рекомендаций. Время, которое инженер затем тратит на чтение отчета, в замер не входило.
Таким образом, оба целевых показателя MVP пока не достигнуты: полнота составила 62% вместо целевых 90%, а медианное время автоматического анализа — 6,2 минуты вместо пяти.
Отдельно приложение апробировали 16 инженеров-конструкторов — студентов НИУ «МИЭТ» и сотрудников АО НИИТМ. Они работали с TechCAD.AI и отвечали на вопросы о технологичности конструкций. Эта апробация не входила в расчет показателя 79%.
Одной метрики ML-классификатора для оценки системы недостаточно. Даже если модель верно определила тип обработки, пользователь не получит полезный результат, если нужного правила нет в каталоге или рекомендация получилась непонятной.
Во-первых, система пока лучше работает с локальными геометрическими ограничениями, чем с ошибками, требующими понимания полного технологического процесса. Например, в контрольной выборке система находила малый радиус гиба, близкое расположение отверстия к гибу и слишком тонкие стенки. Для фрезерных деталей характерными пропусками были сложное базирование, необходимость дополнительного установа и труднодоступность зоны для инструмента. Для токарных — требования к зажиму, отдельные фаски, резьбы и некоторые переходные радиусы. Часть таких нарушений невозможно надежно определить только по геометрии STEP-файла, поэтому для них нужны дополнительные данные о технологическом процессе.
Во-вторых, ограничением остается генерация объяснения. В первой версии на Dify RAG получает найденное нарушение и релевантные фрагменты инженерной базы, но если подходящего контекста недостаточно, обычная LLM потенциально может сформировать слишком общий или недостаточно обоснованный совет. Поэтому команда переходит к агентному RAG: поиск источников, формирование рекомендации и ее проверка становятся отдельными этапами, а вывод без подтверждения в источниках будет помечаться как требующий проверки инженером.
Рынок и отличие от существующих DFM-инструментов
В конкурентном поле TechCAD.AI находится рядом с DFM-модулями крупных CAD-систем и специализированными решениями вроде DFMPro.
Такие продукты уже умеют автоматизировать часть проверки технологичности. TechCAD.AI делает акцент на трех направлениях: независимой работе со STEP-моделями, объяснимых рекомендациях на русском языке и учебном сценарии для начинающих конструкторов.
В проектной модели выделены три сегмента: инженерные компании, технические вузы и разработчики CAD/PLM. Для инженерных компаний основной продукт — SaaS- или on-premise-анализатор, для вузов — учебный режим с ИИ-помощником, для разработчиков CAD/PLM — API для встраивания проверки в собственные продукты.
Потенциальную аудиторию TechCAD.AI оценивали методом bottom-up на основе числа машиностроительных предприятий малого и среднего бизнеса в России. По данным Корпорации МСП, в стране насчитывается около 46 тыс. МСП в сфере машиностроения.
Для расчета потенциального количества пользователей предприятия разделили по размеру. Для каждой категории приняли расчетное число CAD/DFM-рабочих мест: два — для микропредприятия, восемь — для малого и 25 — для среднего предприятия. В результате потенциальную аудиторию оценили в 117 921 лицензируемое рабочее место.
Если учитывать предприятия с наиболее вероятной регулярной потребностью в анализе технологичности, получается около 65 757 рабочих мест в 8 487 компаниях. Число рабочих мест — это допущение проектной модели, которое предстоит уточнять по результатам коммерческих пилотов и продаж.
Источники исходных данных:
Федеральная налоговая служба. Единый реестр субъектов малого и среднего предпринимательства.
От учебного проекта к интеллектуальной собственности
8 сентября 2026 года Роспатент зарегистрировал программу для ЭВМ «TechCAD.AI». Номер государственной регистрации — № 2026687367.
Проект также получил грант 500 тыс. рублей по программе «УМНИК-2025» Фонда содействия инновациям.
Разработку проекта и техническое направление ведет Дмитрий Аглуллин, магистрант МФТИ по направлению «Прикладная математика и информатика», профиль Data Science.
Что дальше
Следующий этап TechCAD.AI — развитие MVP в полноценную инженерную систему. Сейчас команда работает по нескольким направлениям:
расширяет каталог технологических правил для токарной, фрезерной и листовой обработки и проводит их экспертную верификацию;
развивает агентный RAG, где отдельные агенты смогут искать информацию в нормативной базе, сопоставлять несколько источников и проверять итоговые рекомендации;
планирует добавить визуальный анализ скриншотов и проекций модели вместе с геометрическими признаками;
планирует расширенные пилоты на реальных деталях предприятий с оценкой экономического эффекта по времени согласования, количеству итераций и предотвращенным производственным ошибкам.
Часть этих направлений уже в работе. Каталог правил расширяется: команда пересматривает формализованные ограничения, уточняет пороги по инженерным источникам и постепенно проводит экспертную верификацию. Переход к агентному RAG начат на уровне архитектуры и прототипирования, но текущая рабочая версия продукта пока использует классический RAG-контур. Визуальный анализ заложен в архитектуру следующей версии и еще не интегрирован в основной рабочий контур.
Полноценная промышленная валидация на репрезентативном массиве реальных производственных деталей остается следующим этапом. Поэтому сейчас у проекта есть первые апробации и подготовка к расширенным промышленным пилотам. О завершенном промышленном внедрении говорить пока рано.
TechCAD.AI задуман как инструмент для повторяемых проверок и разбора типовых ошибок. Инженер получает обратную связь еще на этапе проектирования, а опытные специалисты могут сосредоточиться на случаях, где действительно нужен их опыт.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.