Entwicklung einer Methode zum Einsatz von Multi-Agent Reinforcement Learning für die virtuelle Verdrahtung im 3D-CAD

Die zunehmende Elektrifizierung und kürzere Lebenszyklen von Produkten erfordern eine höhere Flexibilität in der Produktentwicklung. Unternehmen müssen ihre Planungsprozesse anpassen, um effizienter zu sein, besonders wenn es um die manuelle Definition von Kabelverläufen in begrenzten mechanischen Räumen geht. Zwar unterstützen dreidimensionale CAD-Systeme den Prozess, jedoch erfordert die exakte Festlegung von Wegpunkten für elektrische Verbindungen zusätzliche Ressourcen.

Der hohe Freiheitsgrad der virtuellen Verdrahtung im kontinuierlichen dreidimensionalen Raum erschwert jedoch den Einsatz von herkömmlichen Berechnungs- und Automatisierungsmethoden. ... mehrZudem führt die iterative Vorgehensweise, kombiniert mit der Einhaltung der vielfältigen Randbedingungen, häufig nur zu begrenzt optimalen Resultaten. Dies wirkt sich vor allem im dynamischen Produktentstehungsprozess aus, der von einer Vielzahl an Iterationszyklen geprägt ist. Eine umfassende Überarbeitung und Anpassung der bestehenden Verdrahtung erfordert angesichts der Komplexität des Optimierungsproblems einen unverhältnismäßigen Zeitaufwand.

Das Ziel der vorliegenden Arbeit besteht darin, eine Methode zu entwickeln, die eine Automatisierung der virtuellen Verdrahtung innerhalb eines 3D-CAD-Systems ermöglicht. Hierzu werden Methoden der Künstlichen Intelligenz (KI) mit Ansätzen zur Kabelbaumerzeugung auf neuartige Weise zusammengeführt. Im initialen methodischen Abschnitt erfolgt die Entwicklung einer Methode zur Konsolidierung der Eingangsinformationen aus einem zweidimensionalen elektrischen und einem dreidimensionalen mechanischen CAD-System. Diese integriert die Zusammenführung der heterogenen Daten und schafft eine konsistente Grundlage für die virtuelle Verdrahtung. Im zweiten Abschnitt der Methode erfolgt die Abstraktion der Problemstellung der virtuellen Verdrahtung zu einem Multi-Agenten-Pfadfindungsproblem, womit die Anwendung der Methoden der KI ermöglicht wird. In einer Zusammenführung der Einzelverbindungen in einem Kabelbaum werden im dritten Abschnitt der Methode unterschiedliche Reinforcement-Learning-Methoden eingesetzt, um die Problemstellung der virtuellen Verdrahtung zu lösen.

Die Validierung der entwickelten Methode wird anhand von drei praxisnahen Verdrahtungsbeispielen durchgeführt. Jede Validierungsinstanz repräsentiert dabei eine andere Anwendungsdomäne. Die Resultate der Experimente zur Kabelbaumgenerierung demonstrieren nicht nur eine signifikante Reduktion der Agentenanzahl und somit der Problemkomplexität, sondern weisen auch auf den hohen Einfluss der Bündelungsstrategien hin. Die Analyse der Anwendung der neuen Multi-Agent Reinforcement Learning-Methoden zeigt, dass die neuen Methoden dazu fähig sind, ganzheitlich optimierte Verdrahtungsergebnisse zu generieren. Diese Resultate sind nicht nur kollisionsfrei, sondern integrieren auch weitere Randbedingungen. Die Kombination der graphbasierten Kabelbaumgenerierung mit den neuen Reinforcement Learning-Methoden stellt somit einen skalierbaren Ansatz im kontinuierlichen Raum des 3D-CAD-Systems dar.

Increasing electrification and shorter product lifecycles require greater flexibility in product development. Companies must adapt their design processes to be more efficient, particularly in the manual definition of cable pathways within limited mechanical installation spaces. While 3D Computer-aided design (CAD) systems can assist in this process, the detailed definition of waypoints for electrical connections requires additional time.

However, the high degree of freedom of virtual wiring in continuous three-dimensional space makes it difficult to use conventional calculation and automation methods. ... mehrIn addition, the iterative manual approach, combined with the various boundary conditions, often leads to limited optimal results. This has a particular impact on the dynamic product development process, which is characterized by a high number of iteration cycles. Due to the complexity of the optimization problem, a comprehensive revision and adaptation of the existing wiring requires a disproportionate amount of time.

The aim of this thesis is to develop a method for automating virtual wiring within a 3D CAD system. For this purpose, different methods of artificial intelligence (AI) are combined with approaches of wire harness generation in a novel way. In the first part of the methodology, a method is established to consolidate the input information from a 2D electronic CAD (ECAD) and a 3D mechanical CAD (MCAD) system. This consolidates the heterogeneous data and creates a consistent basis for the virtual wiring harness. In the second part of the method, the virtual wiring problem is abstracted into a multi-agent pathfinding problem to allow the application of AI approaches. In the third part of the methodology, various reinforcement learning methods are used to solve the virtual wiring problem by merging the individual connections in a wire harness.

The validation of the proposed methodology is conducted through an examination of three practical wiring examples, each serving as a representation for distinct application sectors. The results of the wire harness generation experiments not only show a significant reduction in the number of agents and thus in the complexity of the problem, but also point to the significant impact of the bundling strategies. The analysis of the application of the new multi-agent reinforcement learning methods shows that the new methods are able to generate holistically optimized wiring results. These results are not only collision-free, but also integrate additional constraints. The combination of graph-based wire harness generation with the new Reinforcement Learning methods therefore represents a scalable approach in the continuous space of the 3D CAD system.