A estimativa de tempo de processo é uma componente fundamental na determinação do custo total de produção de peças usinadas e desempenha um papel essencial nas estratégias da indústria de manufatura. Por um lado, as empresas enfrentam a escolha de realizar a produção internamente ou terceirizar a usinagem para fornecedores especializados, e essa escolha muitas vezes ´e baseada nas estimativas de tempo de processo. Por outro lado, os fornecedores de usinagem também dependem dessas estimativas para fazer orçamentos e calcular os custos de venda de seus produtos. Para ambas as pontas da cadeia, o principal desafio enfrentado é a necessidade de realizar estimativas de tempo de processo de forma ágil e com aceitável precisão, considerando as demandas de um mercado cada vez mais competitivo. Abordagens tradicionais frequentemente recorrem a análises manuais ou modelos que podem não representar a realidade da produção, resultando em estimativas imprecisas ou com longos tempos de processamento. No entanto, com o aumento da disponibilidade de informações detalhadas sobre peças usinadas e o contínuo avanço na capacidade dos algoritmos de aprendizado profundo, surge uma oportunidade para a implementação de abordagens mais sofisticadas. Nesta pesquisa, é abordado o problema da estimativa de tempo de processo para peças usinadas de baixa complexidade, com foco na agilidade e precisão necessárias para decisões estratégicas na indústria de manufatura. Nossos experimentos ressaltam o potencial das Redes Neurais Gráficas em extrair abstrações relevantes e processar de forma eficiente modelos 3D. Além disso, este estudo também fornece uma revisão dos métodos de precificação tradicionais e modernos, contextualizando as abordagens baseadas em aprendizado profundo dentro do panorama da usinagem.

The estimation of process time is a fundamental component in determining the total production cost of machined parts and plays an essential role in manufacturing industry strategies. On one hand, companies face the choice of conducting production in-house or outsourcing machining to specialized suppliers, often basing this decision on process time estimates. On the other hand, machining suppliers also rely on these estimates to create budgets and calculate the selling costs of their products. For both ends of the spectrum, the main challenge is the need for swift and reasonably accurate process time estimations, considering the demands of an increasingly competitive market. Traditional approaches often resort to manual analyses or models that may not accurately represent production reality, resulting in imprecise estimates or long processing times. However, with the growing availability of detailed information about machined parts and the continuous advancement of deep learning algorithms, an opportunity arises to implement more sophisticated approaches. This research addresses the problem of process time estimation for low-complexity machined parts, with a focus on the agility and precision required for strategic decisions in the manufacturing industry. Our experiments highlight the potential of Graph Neural Networks to extract relevant abstractions efficiently from 3D models. Furthermore, this study provides a review of both traditional and modern pricing methods, contextualizing deep learning-based approaches within the machining landscape.