Ein neues Karosserieteil kommt aus der Konstruktion und bevor gefertigt werden kann, beginnt die Fleißarbeit: Wo sitzen die Spannpunkte für die Aufnahmevorrichtung? Wo die Schweißpunkte? Welche Stellen kommen in den Messplan? Bis zu 23 % der Zeit von Engineering-Teams fließt in diese vorbereitenden Arbeiten – Punkte, die für jede neue Bauteilvariante quasi von Hand neu gesetzt werden, obwohl in den Datenbanken oft längst ein sehr ähnliches Teil aus einem früheren Projekt liegt, für das sie bereits definiert wurden. Genau hier setzen wir bei inpro mit Geometric Deep Learning an.

Ungenutztes Engineering-Wissen in den CAD-Archiven

CAE-Legacy-Daten sind ein häufig ungenutzter Schatz. Ein Bauteil wird über Jahre hinweg in ähnlichen Varianten mehrfach neu konstruiert – und jedes Mal beginnt die Festlegung von Referenz- und Prüfpunkten wieder bei null, obwohl ein geometrisch ähnliches Vorgängerteil längst existiert. Klassische Suchsysteme finden nur exakte Duplikate oder Teile mit passenden Metadaten, aber keine geometrische Ähnlichkeit über unterschiedliche Benennungen und Ablagen hinweg.

Unser Workflow: Ähnliches Teil finden, Punkte übertragen, Ergebnis absichern

Auf Basis von KI und Digital-Twin-Technologien haben wir gemeinsam mit Volkswagen und Siemens einen dreistufigen Workflow entwickelt:

  1. Search – Zu einem neuen Bauteil finden wir automatisch das geometrisch ähnlichste Referenzteil im Datenbestand – unabhängig von Dateiname oder Ablagestruktur.
  2. Transfer – Wir erkennen, welche Bereiche von Referenz- und neuem Bauteil einander entsprechen, und übertragen automatisch die dort bereits definierten Punkte – Spann-, Schweiß-, Mess- und Prüfpunkte. Der Ingenieur prüft und passt nur noch unseren Vorschlag an.
  3. Validierung – Das übertragene Konzept sichern wir numerisch ab, etwa per Struktursimulation, bevor es freigegeben wird.
Workflow im inpro-Design: Suche, Übertragung, Validierung – Punktübertragung vom Referenzteil auf ein neues Bauteil

Anwendung in Fertigungsplanung und Qualitätssicherung

Dieser Ansatz lässt sich auf unterschiedliche Anwendungsfälle entlang der Prozesskette übertragen: von der Fertigungsplanung bis zur Qualitätssicherung. Erste Piloten an unterschiedlichen Karosserie- und Bauteilgeometrien zeigen, dass sich Punkte eines Referenzteils zuverlässig auf ein ähnliches, aber nicht identisches neues Bauteil übertragen lassen. Weitere Anwendungsfälle befinden sich in der Erprobung.

Das Ziel: Weniger Handarbeit bei sicherheitskritischen Routineaufgaben

In Zukunft wird es immer wichtiger, Ingenieure von dieser repetitiven, aber sicherheitskritischen Aufgabe zu entlasten. Das nötige Erfahrungswissen existiert in aller Regel längst – nur eben in einem anderen CAD-Modell. Wir machen es erstmals systematisch auffindbar und wiederverwendbar, statt es bei jedem neuen Projekt neu erfinden zu müssen. Dabei ist unser Ansatz keine Insellösung: Er lässt sich als zusätzliche Fähigkeit in bestehende Engineering- und PLM-Umgebungen integrieren, in denen CAD-Daten, Freigabeprozesse und Qualitätsprüfungen ohnehin schon zusammenlaufen – etwa in Datenmanagement-, Simulations- und Qualitätssystemen, mit denen Ingenieure heute bereits arbeiten.

Weitere Industrial Engineering Innovationen

inpro im Industrial AI Podcast: KI-Projekte in der Praxis

Unsere Kollegen Daniel Wolff und Florian Bohne waren zu Gast im führenden Industrial-AI-Podcast. Im Gespräch mit Robert Weber geben sie spannende Einblicke in unsere aktuellen KI-Entwicklungen und zeigen auf, wie wir die Zukunft von Künstlicher Intelligenz in der Produktion gestalten.

+

KI-gestützte Analyse von Produktionsdaten

In Zeiten wachsender Variantenvielfalt, steigender Qualitätsanforderungen und begrenzter Expertenressourcen stoßen herkömmliche Analysemethoden an ihre Grenzen. Eine KI-gestützte Analyse von Produktionsdaten hilft Unternehmen, Muster und Ursachenhinweise zu erkennen.

+

Computer Vision in der Shopfloor Automatisierung

Erfahren Sie, wie Sie Ihre KI-Lösungen entlang der Wertschöpfungskette mit standardisierten KI-Hardware- und Softwarekomponenten skalieren können.

+