Industry 4.0 패러다임 하에서 지능형 제조 효율을 극대화하기 위해, 본 연구는 플라스틱 제품에 대한 정밀 설계 변경 감지와 제조 비용 예측의 핵심 과제를 정확한 Boundary Representation(B-Rep) 기하 정보 및 데이터 기반 학습 모델을 활용하여 다룬다. 테셀레이션 근사로 인한 오차에 취약한 기존 메쉬 기반 접근과 달리, 제안 방법은 STP(CAD) 파일로부터 NURBS 표면에 대해 직접적인 매개변수 기반 샘플링을 수행한다. 이를 통해 미세한 형상 변위에 대한 잡음 없는 마이크로미터 수준의 검출이 가능하며, 가공 의사결정과 관련된 12개의 핵심 공학 특징 벡터를 엄밀하게 추출할 수 있다. 추출된 특징을 바탕으로, 리프-와이즈(leaf-wise) 성장 전략을 활용한 계층적 LightGBM 기반 학습 구조를 제안하여 NC 가공 및 EDM을 포함한 7가지 핵심 제조 공정을 분류하고, 해당 공정의 처리 시간과 비용을 예측한다. 또한 수치 예측을 뒷받침하는 공학적 근거에 대한 자연어 해석을 제공하기 위해 LLM 및 RAG 기반 설명가능한 AI(XAI) 프레임워크를 통합하였다. 모델의 견고성을 확보하고 과적합을 방지하기 위해, 해당 프레임워크는 15,120개의 변경 패치를 대상으로 5-폴드 교차검증을 수행하여 평가하였으며, 비용 라벨은 실제 현장의 전사적 자원 관리(Enterprise Resource Planning, ERP) 데이터로 검증하였다. 실험 결과, 공정 분류 정확도 94.2% 및 비용 예측에 대한 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE) 7.8%를 달성하여 선형 회귀(Linear Regression), 랜덤 포레스트(Random Forest), XGBoost와 같은 기존 기준 방법보다 유의하게 우수함을 보였다. 제안 접근법은 설계 변경 분석 리드 타임을 수일에서 3분 미만으로 단축하여 지능형 제조 환경에서의 실시간 의사결정 지원에 대한 효과를 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.