KI-gestützte produktionsgerechte Produktentwicklung : Automatisierte Wissensextraktion aus vorhandenen Produktgenerationen

Produzierende Unternehmen stehen heutzutage vor der Herausforderung, aufgrund des starken globalen Wettbewerbsdrucks in immer kürzerer Zeit dennoch innovative Pro-dukte zu einem möglichst günstigen Preis auf den Markt zu bringen. Insbesondere für die Produktentwicklung entsteht dadurch ein enormer Zeit- und Kostendruck, allerdings ist die sogenannte Time-to-Market entscheidend für den Markterfolg eines Produktes. Durch die Wiederverwendung von bereits existierenden Produktmodellen sowie dem darin enthaltenen Wissen besteht großes Potenzial, diese Entwicklungszeit zu reduzie-ren. ... mehrJedoch wird diese Wissensbasis in Form bestehender Produktmodelle häufig noch nicht systematisch genutzt. Das Problem ist, dass dieses größtenteils implizite Wissen häufig nicht ohne weiteres formalisierbar ist. Durch die zunehmende Nutzung digitaler Tools auch im Bereich der Produktentwicklung und die damit einhergehende wachsen-de Datenbasis ergibt sich über datengetriebene Ansätze jedoch die Möglichkeit, dieses (implizite) Wissen zu extrahieren, zu formalisieren und nutzbar zu machen.
Das Ziel dieser Dissertation ist die Entwicklung einer Methode zur automatisierten Ex-traktion von implizitem Wissen in Form von Features und Mustern aus vorhandenen Produktmodellen mit Hilfe von Verfahren des Maschinellen Lernens sowie dessen anschließende Nutzung zur Unterstützung in der Produktentwicklung. Hierfür werden über Autoencoder zunächst die relevanten geometrischen Eigenschaften aus den Produkt-modellen in Form von CAD-Modellen erlernt. Darüber hinaus werden weitere produkt-beschreibende Informationen, die insbesondere die spätere Produzierbarkeit beeinflus-sen, 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 das gege-bene (halbfertige) 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 produktionsre-levanten Produkteigenschaften des aktuellen Konstruktionszustandes durch das Auf-zeigen von üblichen Ausprägungskombinationen bewertet werden.
Das Vorgehen wird anhand von mechanischen Komponenten eines industriellen Da-tensatzes demonstriert. Für verschiedene Konstruktionszustände beispielhafter Produk-te werden die Ähnlichkeitssuche, die Bewertung produktionsrelevanter Produkteigen-schaften, die Vorhersage nächster Konstruktionszustände sowie die Interaktion der ein-zelnen Methodenbausteine aufgezeigt.
Durch die Methodik können bereits für anfängliche Konstruktionszustände ähnliche Produktmodelle identifiziert werden, wodurch die Wiederverwendung von Wissen ge-fördert sowie die Generierung von Dubletten reduziert werden. Darüber hinaus können bereits frühzeitig Hinweise auf mögliche Probleme bezüglich der späteren Produzierbarkeit gegeben werden.

Today, manufacturing companies face the challenge of bringing innovative products to the market at the lowest possible price in an ever shorter time due to strong global competition. This results in enormous time and cost pressure, especially for product development, as the so-called time-to-market is crucial for the market success of a product. The reuse of existing product models and the knowledge they contain offer great potential for reducing development time. However, this knowledge base is often not yet systematically used, since is largely implicit and hardly formalizable. ... mehrYet, the increasing use of digital tools in product development and the resulting growth of data offer the possibility to extract, formalize and utilize this (implicit) knowledge by means of data-driven approaches.
The goal of the dissertation is the development of a method for an automated extraction of implicit knowledge in the form of features and patterns from existing product models with the help of machine learning and the subsequent use for support in design. For this purpose, the relevant geometric features are first learned from the product models, specifically CAD models, with the help of autoencoders. Additionally, further product describing information, which particularly affects subsequent producibility, is extracted. This geometric footprint of a product component forms the basis for the developed methodology. By means of design patterns learned from the product models by a Re-current Neural Network, the subsequent state can be predicted for a given design state. Based on the geometric properties of this prediction, the most similar existing final models for the given (semi-finished) CAD model are shown. Those can then be sorted regarding further product information. Based on the set of geometrically similar models, the producibility of the current design is then evaluated by showing the usual value combinations for defined production-relevant product properties.
The procedure is demonstrated using mechanical components from an industrial data set. For exemplary products in different design states the similarity search, the evalua-tion of production-relevant product properties, the prediction of next design states as well as the interaction of the individual method modules are shown.
The methodology enables to identify similar product models for early design states in order to promote knowledge reuse and reduce the design of duplicates. In addition, first indications of possible problems with regard to later producibility can be given at an early stage.