四项近期研究带来的工程启示
一张零件图进入制造系统后，真正影响交付的是一连串具体判断：尺寸属于哪个孔，公差约束哪组表面，哪些特征能够一起加工，需要几次装夹，以及这些选择最终会产生多少工时和成本。AI 已经能够参与其中若干环节，但要让结果进入生产与报价流程，系统仍需保存每次判断的输入证据、适用条件和验证结果。
2026 年 9 月发布的四项资料分别讨论了多视图矢量图生成、仿真数据驱动的成本预测、几何表面的功能解释，以及 AP242 工程数据交换。它们来自不同任务，尚未组成一个经过验证的端到端系统。将这些工作放在同一条制造数据链上，可以看清各自能补上什么，也能识别仍需工程规则和人工判断的位置。
本文的主要判断是：制造业 AI 的实用价值，取决于它能否把图纸、几何、工艺和成本之间的关系表达清楚，并允许独立检查。图纸解析应保留位置与来源，特征识别应保留组成面，工艺建议应说明设备和装夹约束，报价应说明标签来源与不确定性。后文提出的接入方式和实验设计属于工程分析，不代表相关论文已经实现了这些能力。
对一链这类正在探索 STEP、PMI 读取与制造特征识别的平台，近期更容易形成可检验进展的工作，是先统一特征与标注的数据表示，再在限定零件族内验证工时预测。OCR 与视觉语言模型可以逐步补充二维图纸中的信息；读取到的数值需要与几何对象建立可靠对应，才能继续用于工艺和报价。
阅读路径：先看多视图中的几何约束，再看报价标签的建立；随后讨论功能解释和 PMI 关联，最后给出可以从小样件开始验证的实施步骤。
一 多视图生成需要明确的几何表示
DrawingsDreamer 将多视图工程图生成表述为序列建模任务。模型处理 SVG 矢量几何，以坐标、图元、路径和视图边界组织输入；其后缀式表示先给出几何坐标，再用结束标记确定图元。训练从局部路径修补逐步扩展到缺失视图补全和跨视图转换，使同一个模型处理不同尺度的任务。
作者基于 DeepCAD 构造 178,238 个有效 CAD 模型，并按模型划分训练、验证与测试集。等轴测图转正投影视图任务中，命令准确率为 89.77%，GPT-4o 五样例基线为 46.44%；论文也进行了表示方式与训练课程的消融。作者仍报告漏孔、额外槽和跨视图尺寸不一致等失败，因此这些结果不能直接解释为工业图纸的尺寸、公差或 PMI 提取准确率。
图 1 多视图矢量图生成及渐进训练流程
这项研究对图纸理解的启示，在于将可计算的几何关系放进学习任务。一个模型能够生成完整视图，依然可能在孔数、厚度或局部尺寸上出错。对制造应用，视觉上的完整性与几何上的正确性需要分别检查。相似度评分可用于观察生成质量，具体尺寸和投影关系则需要由 CAD 几何或人工真值验证。
如果手中已有 STEP 模型，可以先生成共享尺度的三视图，构造被遮挡或缺失的路径，并保留原始投影作为答案。这样建立的训练样本具有明确几何来源。对扫描图纸，仍需额外处理文字、引线和符号，不能把矢量生成结果当作扫描件的真实结构。
建议从局部修补实验起步：记录孔数是否一致、各视图是否对齐、关键尺寸偏差和模型拒答情况。输入证据不足时，输出候选与缺失信息，比直接生成一个无法追溯的完整零件更便于工程人员核验。
二 智能报价需要可校准的参考标签
Product Cost Estimation for Manufacturing Platforms 通过参数化零件与加工仿真建立成本预测数据。作者生成 1,355 个有效零件，利用 SolidWorks、MATLAB 和 VERICUT 执行超过 70,000 次仿真，形成参考工时与成本，再比较不同回归模型。
作者采用重复五折交叉验证。XGBoost 的成本和工时 R² 分别为 0.834、0.871，线性回归基线为 0.713、0.834；其中 R² 衡量预测对目标变化的解释程度，并非订单报价正确率。研究限定于特定三轴铝件族，完整数据未公开。模型在该仿真域内的表现，也不能自动推广到其他设备、材料或企业的商业价格。
图 2 从加工仿真标签到工时与成本预测
对智能报价，参考标签是否可信，会直接影响模型输出的含义。CAM 估计工时、机床实测工时、历史成交价格分别对应不同对象。加工时间还需要结合机床费率、材料、准备时间、检验、表面处理和业务规则，才能形成完整报价。这些费用应保留独立口径，避免让一个总价格标签掩盖成本构成。
对于已经能够识别孔、槽、口袋的平台，可以先整理孔径、孔深、去除体积与口袋参数等稳定描述量，再选择一种材料和一种加工条件建模。报价时尚未取得的实际工时或事后工艺信息，不应作为在线模型输入。否则离线指标可能很好，实际接单时却无法提供同样的信息。
最小验证应同时保留解析公式和线性回归基线，按零件族留出测试集，并单独观察复杂件误差。仿真结果可支持冷启动，真实工时用于后续校准。模型输出还应给出预测区间和适用范围，让工程人员能识别需要重新估算的订单。
三 制造特征还需要解释功能用途
AI-Assisted Functional Reverse Engineering of Mechanical Parts 研究从几何表面走向功能解释的过程。其流程组合解析表面检测、质量评价、带编号的渲染视图和结构化几何报告，再让 AI 提出定位、紧固、接触等功能候选，并安排工程核验。
作者在摘要中报告测试了 11 个壳体 STL 模型，检测出 292 个解析表面，选取 249 个进行解释。其中 92 个表面需要人工复核，占 36.9%。这说明该流程仍有明显复核工作量；摘要中的模型置信度也不能视为经独立标注得到的正确率。小孔、螺纹、过渡和自由曲面等信息不完整时，功能解释尤其需要谨慎。
图 3 从解析表面到经过核验的功能信息
几何类别与功能用途之间存在需要补充的工程信息。识别一个圆柱面，尚不足以判断它是定位孔、安装孔还是流道；同一个平面可能承担接触、密封或装夹作用。装配对象、配合要求和设计标注，能够帮助缩小这些解释的范围。
对一链现有的特征识别探索，可以先在几何结果上增加功能候选层，并保留候选的依据。例如，将孔的几何参数、相邻面、所在特征组和相关标注一起提供给模型，要求它说明判断依赖哪些已知信息、哪些条件仍未满足。该候选层适合辅助基准和工艺分析。
验证时，应由工程人员预先标注一组壳体件，比较仅提供渲染图与同时提供几何报告的差异。评价指标需要包含功能判断正确率、证据充分性以及人工复核时间。只有这些指标共同改善，才能说明语义解释层具有工程收益。
四 AP242 要保留语义与几何的对应
STEP Tools 于 2026 年 9 月 14 日发布 v21 技术说明，介绍 AP242 第四版模式支持、网格与原始几何的关联，以及 PMI 查询和文件检查能力。文档中高层 Tolerance API 仍以 AP242e2 标注范围，因此需要分别核对底层模式与具体 API 的支持程度。
这是一份厂商工程说明，不能按独立学术评测理解。其 380 个客户文件与布尔失败改善统计针对 IFC，无法用于证明 STEP PMI 的交换准确率。实际使用时，某项字段能否正确读取、写出和关联，需要通过对应模型的交换测试确认。
图 4 AP242 语义信息 显示与回读检查
产品制造信息 PMI 可以同时包含计算可用的语义与供人阅读的图形表示。制造系统需要知道某个公差约束的是哪一个几何对象、数值采用什么单位，以及基准和修饰符是什么。三维视图中的气泡能够帮助定位和阅读，但显示正常并不能替代这些语义检查。
以气泡图为入口，可以建立一条清晰的数据关系：源 PMI 实体关联几何锚点，几何锚点关联面或特征，显示项再引用这条记录。为每次读取、筛选和转换保留来源，便于区分源文件缺失、解析遗漏和显示过滤。跨文件使用的身份标识也需要专门设计，当前导入的面号不能直接当作永久标识。
最小验证可以从现有 AP242 样件开始，逐项核对尺寸、公差、基准、单位及关联面，再执行导出回读。验收结果应记录字段级差异。涉及几何修改时，还需检查原关联是否仍成立，避免将修改前的标注无条件附着到修改后的模型。
五 从小样件建立可验证的数据链
上述四项工作可以映射到同一条候选路线：图纸和 CAD 输入经过解析，形成带来源的制造特征与 PMI；结合设备、刀具和装夹规则，形成待验证的工艺方案；工时模型再基于这些已确认信息给出成本估计。每个阶段需要记录自己的输入、输出与验证结果，出现不一致时能够返回具体环节复核。
第一步建议统一特征与 PMI 的记录结构。以少量已知样件为基础，人工裁定孔、盲孔与口袋等识别差异，保存组成面、参数单位、标注来源和未解歧义。对识别器之间的差异进行人工核验，可以帮助建立更可靠的后续评测数据。
第二步建议限定一个零件族开展工时预测。准备参数化样件及可追溯的参考工时，用同一留出集比较解析公式、线性回归和学习模型。除了平均误差，还应检查复杂件、不同加工策略和预测区间。若只有仿真标签，结果先用于验证仿真域内的学习能力；商业报价仍需用真实订单条件校准。
工序规划需要额外表达装夹归属、基准依赖、可达性、刀具和先后顺序约束。这四项资料没有验证完整工序规划链路。将来引入 AI 生成工艺建议时，应要求每一步引用具体特征和约束，并通过规则、仿真或工程核验检查其可执行性。
制造业 AI 的下一项可检验成果，可以是一组关联正确的 PMI、一批定义一致的特征，或者一个在明确零件族内改善工时估计的模型。围绕这些具体对象建立证据和验证流程，图纸理解、工艺分析与报价才有机会形成可以持续迭代的数据链。
参考资料
[1] Liu S, Chen W, Yi C, Wu A. DrawingsDreamer: A Unified Multi-View Engineering Drawings Generation Model. arXiv:2609.35242v1, 2026-09-28. 预印本。
https://arxiv.org/html/2609.35242v1
[2] Ceppi M, Hafiz M A, Scalzo F, Motyl B, Sortino M. Product Cost Estimation for Manufacturing Platforms. Journal of Manufacturing and Materials Processing, 2026, 10(9): 352. DOI: 10.3390/jmmp10090352.
https://www.mdpi.com/2504-4494/10/9/352
[3] Kunytsia A, Lashyna Y. AI-Assisted Functional Reverse Engineering of Mechanical Parts. Mechanics and Advanced Technologies, 2026, 10(3). 2026-09-29.
https://journal.mmi.kpi.ua/article/view/366204
[4] Loffredo D. STEP Tools v21 Released. STEP Tools, 2026-09-14. 另参阅 Version 21 Release Notes。
https://www.steptools.com/blog/20260914_release_v21/
STEP Tools Version 21 Release Notes 技术说明
https://www.steptools.com/docs/relnotes/
资料日期截至 2026 年 10 月 6 日。文中研究数值均为作者报告，本文未对模型训练或工业加工进行复现。图 1 至图 4 为依据资料绘制的原创方法示意，图中的接入与验证建议不属于论文已证明的能力。
一链（ONE SupplyChain）是专注服务传统离散制造的工业AI智能体。我们基于自研的底层制造特征数据库与热插拔架构，为企业构建从图纸解析到交付质保的数字孪生供应链。
核心场景：覆盖智能报价、智能工艺工序、智能气泡图、APS排产、DFM及设备OEE监控等实战模块。
团队基因：由原世界500强亚太区高管（采购总监、CFO）与复旦、同济大学算法及机械自动化博士领衔。研发占比超70%，将数十年的制造实战Know-how与前沿AI深度融合。
市场落地：产品已在精密制造、高端装备、轴承零部件、半导体及航空航天等多个垂直赛道实现落地验证。
商业价值：采用“按需部署、平滑升级”的敏捷路径，不改变企业现有系统。帮助工厂沉淀隐性工匠经验，打破利润瓶颈，以数据驱动上下游协同，实现确定性的降本增效。
【特别说明】