wbk Jahresbericht 2024 final inkl Inhaltslink - Flipbook - Seite 47
D I S S E R TAT I O N E N
STUDIUM UND LEHRE
VERÖFFENTLICHUNGEN
Dissertationen
KI-gestützte produktionsgerechte Produktentwicklung –
automatisierte Wissensextraktion aus vorhandenen
Produktgenerationen
Ziel des Vorhabens
Die steigende Variantenvielfalt, immer kürzer werdende Produktlebenszyklen sowie zeitgleich der
starke globale Wettbewerb zwingen Unternehmen
dazu, in immer kürzerer Zeit dennoch innovative
Produkte möglichst kostengünstig auf den Markt
zu bringen. Insbesondere die Produktentwicklung
hat hier einen wesentlichen Einfluss auf die sogenannte Time-To-Market, die entscheidend für den
Markterfolg eines Produktes ist. Durch die Wiederverwendung von bestehenden Produktdesigns
und dem damit verknüpften Wissen kann diese
deutlich verkürzt werden. In vielen Unternehmen
liegen bereits große Mengen an digitalen Produktmodellen vor, die einen enormen Wissensschatz
darstellen, der häufig jedoch noch nicht systematisch genutzt wird, unter anderem aufgrund
dessen impliziter Natur. Das Ziel dieser Dissertation ist es daher, eine Methode zur automatisierten Extraktion von implizitem Wissen in Form von
Features und Mustern aus vorhandenen Produktmodellen mit Hilfe von Verfahren des Maschinellen
Lernens (ML) sowie dessen anschließende Nutzung
zur Unterstützung in der Produktentwicklung zu
entwickeln.
relevanten Produkteigenschaften des aktuellen
Konstruktionszustandes durch das Aufzeigen von
üblichen Ausprägungskombinationen bewertet
und kritische Eigenschaften aufgezeigt werden.
Ergebnisse
Das Vorgehen wird anhand eines industriellen
Datensatzes demonstriert. Für verschiedene Konstruktionszustände beispielhafter Produkte werden
die Ähnlichkeitssuche, die Bewertung produktionsrelevanter Produkteigenschaften, die Vorhersage
nächster Konstruktionszustände sowie die Interaktion der einzelnen Methodenbausteine aufgezeigt.
Durch die Methodik können bereits für anfängliche
Konstruktionszustände ähnliche Produktmodelle
identifiziert werden, wodurch die Wiederverwendung von Wissen gefördert sowie die Generierung
von Dubletten reduziert werden. Darüber hinaus
können bereits frühzeitig Hinweise auf mögliche
Probleme bezüglich der späteren Produzierbarkeit
gegeben werden. Insgesamt zeigen die Ergebnisse das große Potenzial von ML zur systematischen
Wiederverwendung von produkt- und produktionssystembezogenen, wodurch ein wesentlicher
Aspekt zu einem umfassenden Produkt-Produktions-Codesign beigetragen werden kann.
■
Autorin:
Dr.-Ing.Carmen Krahe
Vorgehensweise
Nach einer entsprechenden Datenaufbereitung
erfolgt zunächst die Extraktion relevanter geometrischer Eigenschaften aus bestehenden Produktmodellen in Form von CAD-Modellen mittels
Autoencoder. Darüber hinaus werden weitere produktbeschreibende Informationen, die insbesondere die spätere Produzierbarkeit beeinflussen,
extrahiert. Dieser geometrische Fußabdruck einer
Produktkomponente bildet die Grundlage für die
entwickelte Methode. Auf Basis von Konstruktionsmustern, die mit Hilfe von Recurrent Neural
Networks aus den Produktmodellen erlernt werden, kann für einen gegebenen Konstruktionszustand der Folgezustand prädiziert werden. Auf
Grundlage der geometrischen Eigenschaften dieser
Vorhersage werden für ein gegebenes (halbfertiges) CAD-Modell die ähnlichsten bereits existierenden finalen Modelle aufgezeigt. Diese können
anschließend bezüglich der weiteren Produktinformationen sortiert werden. Anhand der Menge
der ähnlichsten Modelle können die produktions-
KI-unterstützte Produktentwicklung zur Integration von Produkt-Produktions-CoDesign extrahiert Anwenderwissen und macht es für alle im Unternehmen verfügbar (Abbildung: kras99, Adobe Stock)
Institut für Produktionstechnik Jahresbericht 2023
47
