Development of a parametric cost estimation model for industrial gearboxes

Abstract

Cost estimation is in important role in industrial gearbox manufacturing, where accurate cost prediction from the first quotation request is beneficial for the manufacturing company. The problems in traditional cost estimation methods are that they often rely on expert judgement, can take a long time, and often struggle to capture complex relations between component parameters and manufacturing costs. The objective of this work is to develop a data-driven cost estimation tool for industrial gearboxes. This study applies modern machine learning methods to predict the manufacturing costs based on the historical component data. Three machine learning models are developed and evaluated using historical data. Models are trained with the dataset split into a train and test set and evaluated with commonly applied performance metrics. Performance metrics applied in this work include coefficient of determination (R²), root mean square error (RMSE) and mean absolute error (MAE). Data filtering and iterative development were applied to improve estimation accuracy. Results show that machine learning models are capable of capturing nonlinear relations in the data and provide accurate cost estimations. The best performing models achieved high prediction accuracy and outperformed a linear regression model. Results show that data driven modelling improve cost estimation accuracy and provide a practical approach for supporting decision making. Developed models are integrated into a cost estimation tool designed for engineering use.

Kustannusarviointi on tärkeässä roolissa teollisuusvaihteiden valmistuksessa, jossa tarkka kustannusennuste ensimmäisestä tarjouspyynnöstä lähtien on hyödyllinen yritykselle. Perinteisien kustannustenarviointimenetelmien ongelmana on, että ne ovat usein riippuvaisia asiantuntija-arviosta, voivat olla aikaa vieviä sekä niiden kyky arvioida komponenttien parametrien ja valmistuskustannusten välisiä monimutkaisia yhteyksiä on rajallinen.

Tämän työn tavoitteena on kehittää datapohjainen työkalu kustannustenarviointiin teollisuusvaihteille. Työssä sovelletaan moderneja koneoppimismenetelmiä valmistuskustannusten ennustamiseen historiallisen komponenttidatan perusteella.

Työssä kehitetään ja arvioidaan kolme koneoppimismallia historiallisen datan avulla. Mallit koulutetaan jakamalla data opetus- ja testijoukkoon, joiden ennustus tarkkuutta arvioidaan yleisesti käytetyillä suorituskykymittareilla. Työssä käytetyt suorituskyky mittarit ovat selitysaste (R²), keskineliövirheen neliöjuuri (RMSE) ja keskimääräinen absoluuttinen virhe (MAE). Arviointitarkkuuden parantamiseksi työssä käytetään datasuodatusta ja iteratiivista kehitysprosessia.

Tulokset osoittavat, että koneoppimismallit kykenevät mallintamaan datassa esiintyviä epälineaarisia yhteyksiä ja tuottamaan tarkkoja kustannusarvioita. Parhaiten suoriutuvat mallit saavuttivat korkean ennustetarkkuuden ja pystyi ennustamaan kustannuksia tarkemmin, kuin lineaarinen regressiomalli. Tulokset osoittavat, että datapohjainen mallinnus parantaa kustannusarvioinnin tarkkuutta sekä tarjoaa käytännöllisen lähestymistavan päätöksenteon tukemiseen.

Kehitetyt mallit integroitiin insinöörikäyttöön suunniteltuun käyttöliittymään.