Produktentwicklung Generative Engineering: KI-Methoden mit geringem Aufwand effektiv einsetzen

Ein Gastbeitrag von Tobias Wigand, Jeron Devadas

Anbieter zum Thema

Automatisierte Produktentwicklungsprozesse können Entwicklungszyklen erheblich verkürzen, während zeitgleich Produkteigenschaften und Produktqualität verbessert werden. Dem Engineering-Dienstleister RLE ist das mit der Low-Code-Engineering-Plattform „Elise“ gelungen, wie unser Beispiel eines mit KI-entwickelten Body-in-White hier zeigt.

Dass KI-Methoden bereits heute mit geringem Aufwand effektiv im Engineering eingesetzt werden können, veranschaulicht ein mit mit KI-entwickelter Body-in-White Spaceframe. Übertragbar ist das Prinzip aber auch auf andere Komponenten.
Dass KI-Methoden bereits heute mit geringem Aufwand effektiv im Engineering eingesetzt werden können, veranschaulicht ein mit mit KI-entwickelter Body-in-White Spaceframe. Übertragbar ist das Prinzip aber auch auf andere Komponenten.
(Bild: waldemarus - stock.adobe.com)

85 Prozent weniger Entwicklungszeit, Kosteneinsparung von über 90 Prozent, reduziertes Gewicht der Rohbaustruktur bei gleicher Steifigkeit: Das hat der Engineering-Dienstleister RLE International bei der Entwicklung des Body-in-White Spaceframe für den autonomen Elektrotransporter Cargo-Mover erreicht. Wie? Dank Künstlicher Intelligenz (KI) und Machine Learning (ML) sowie der Low-Code-Engineering-Plattform Elise für generative Produktentwicklung.

Herausforderung: Datensätze für Machine Learning in der Automobilbranche

Algorithmen für maschinelles Lernen erfordern eine große Menge an Trainingsdaten. Genau hier steht die Automobilindustrie vor einer großen Herausforderung. Auch in der 35-jährigen Geschichte von Engineering-Dienstleister RLE International gibt es nur eine geringe bis mittlere zweistellige Anzahl an Trainingssets für die klassischen Entwicklungsbereiche. Diese Anzahl an Trainingssets reicht schlichtweg für zuverlässige Vorhersagen mithilfe von KI-Technologie nicht aus.

Aus diesem Grund müssen Lösungsansätze entwickelt werden, um zukünftig schnell eine ausreichende Anzahl an Datensätzen generieren zu können. Bei der Datensatzgenerierung fiel die Wahl bei RLE auf einen generativen Engineering-Ansatz. Die Idee hinter generativem Engineering ist es, Produktentwicklungsprozesse in einem einzigen Workflow vollständig abzubilden. Dies bringt entscheidendende Vorteile:

  • Nach einmaligem Aufwand der Einrichtung des Workflows können jederzeit Design- und Produktfeature-Änderungen mit nur einem Klick vorgenommen werden.
  • Dieser Ansatz kann erweitert werden, indem der Basisalgorithmus um eine Design-of-Experiments-Studie (DoE) erweitert wird.

Dies bedeutet, dass Produktvarianten innerhalb vorgegebener Parameterintervalle in zufälligen Parameterkombinationen generiert und bewertet werden und so automatisiert eine Vielzahl an Daten generiert werden. Um die Zufälligkeit der Parameter (Fahrzeuglänge, -breite und -höhe) bestmöglich im Parameterraum zu verteilen, verwendet die integrierte Elise-DoE-Funktion die „Latin-Hypercube“-Methode. Diese Methode ermöglicht es dem Entwickler, mit einer Minimalmenge an Designvarianten, einen repräsentativen Datensatz für das Training des maschinellen Lernalgorithmus zu erstellen.

Reduzierter Simulationsaufwand dank geschickter KI-Trainingsmethode

In der Studie wurde geprüft, ob es sinnvoll ist, einen Machine-Learning-Algorithmus einzusetzen, um die CAE-Simulationen entweder komplett zu ersetzen oder zumindest die Anzahl der benötigten Simulationen stark zu reduzieren.

Eine erste Hochrechnung ergab, dass die Erstellung der Datensätze mehr als 2 Jahre dauern würde.

Die größte Herausforderung bestand darin, genügend optimierte Datensätze zu generieren, um das KI-Modell zu trainieren. Aufgrund der Vielzahl möglicher Eingabeparameter wurden nach einer ersten Schätzung rund 500 Datensätze benötigt. Eine erste Hochrechnung ergab, dass die Erstellung der Datensätze mehr als 2 Jahre dauern würde. Auch eine Verteilung auf mehrere Rechencluster erwies sich als zu zeit- und kostenintensiv.

Daher musste ein alternativer Ansatz entwickelt werden. Der entwickelte Ansatz teilt den geplanten KI-Algorithmus in zwei getrennte Algorithmen auf und verbindet dieser wieder:

  • Zunächst wurde ein KI-Modell entwickelt, welches die Torsions- und Biegesteifigkeit sowie das Gewicht des BiW in Abhängigkeit der eingestellten Eingangsparameter (z. B. Fahrzeuglänge, -breite, -höhe, Profilanzahl, Profilquerschnitte und Profilpositionen) vorhersagt. Mithilfe des ersten KI-Modells konnten nun innerhalb weniger Tage optimierte Datensätze generiert werden. Basierend auf Fahrzeuglänge, -breite und -höhe wurde die optimale Einstellung der Profilanzahl, Profilquerschnitte und Profilpositionen ermittelt.
  • Anhand der generierten Datensätze wurde nun eine zweite KI trainiert, welche eine optimale Einstellung der Einstellparameter vorhersagen kann.
  • In einer finalen DNA wurden nun beide entwickelten KI-Modelle in Reihe geschaltet. Basierend auf den Eingabeparametern Fahrzeuglänge, -breite und -höhe wurde zunächst die Parametereinstellung durch das zweite KI-Modell vorhergesagt. Diese vorhergesagten Werte dienen wiederum als Eingabe in das erste KI-Modell, um so die BiW-Torsions- und Biegesteifigkeit sowie das Gewicht vorherzusagen.

Beispiel für eine automatisierte Gewichtsoptimierung unter Berücksichtigung eines vordefinierten Steifigkeitsniveaus.
Beispiel für eine automatisierte Gewichtsoptimierung unter Berücksichtigung eines vordefinierten Steifigkeitsniveaus.
(Bild: RLE)

Proof of Concept – KI legt den Rohbau aus

Mit dem Elise-Release Elegant Europa (Q3/2022) wurde eine Reihe von maschinellen Lernfunktionen in die Engineering-Plattform integriert. Diese neuen grundlegenden Funktionen wurden in dem beschriebenen Projekt verwendet.

Für den Algorithmus, der Gewicht und Steifigkeit vorhersagt, wurde ein lineares Regressionsverfahren verwendet. Mithilfe von 500 qualifizierten Datensätzen konnten hier aussagekräftige Vorhersagen getroffen werden. Der R2-Wert der einzelnen Modelle liegt bei über 93 Prozent. Dadurch können Vorhersagen mit nur geringer Abweichung im Vergleich zu den CAE-Simulationsergebnissen generiert werden. Nach Einschätzung der CAE-Experten sind diese Abweichungen vertretbar, da bereits innerhalb der CAE-Modelle aufgrund von Modellvereinfachungen Abweichungen in gleicher Größenordnung auftreten.

Die Tabelle zeigt die Auswertung des ML-Algorithmus zur Gewichts- und Steifigkeitsvorhersage:

Domäne R2-Punktzahl
Gewicht 0.9731
Biegung 0.9334
Torsion 0.9571

Für das zweite KI-Modell wurde ein anderes maschinelles Lernverfahren gewählt. Da die Vorhersagen in definierten Schrittweiten erfolgen müssen, ist ein Modell, das eine Interpolation verwendet, nicht effektiv. Beispiel: Die Anzahl der Profile muss durch eine natürliche Zahl beschrieben werden (z. B. 1; 2; 3 usw.). Aus diesem Grund wurde hier die Mehrklassenklassifikation verwendet. In einem anschließenden Test im Vergleich zu einem Referenzprojekt wurde ein Parametersetup gefunden, welches einen 6,3 Prozent leichteren BiW bei 10,2 Prozent Steifigkeits-Steigerung ermöglichte.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung
Mit den KI-Modellen kann die ursprüngliche Entwicklungszeit von 2 Monaten auf weniger als 10 Sekunden reduziert werden.

Damit wurde bewiesen, dass auch komplexe Vorhersagen mit einer Vielzahl von Eingabeparametern in der Automobilindustrie möglich sind. Mit den KI-Modellen kann die ursprüngliche Entwicklungszeit von 2 Monaten auf weniger als 10 Sekunden reduziert werden. Das verkürzt nicht nur die Entwicklungszeit grundlegend, sondern reduziert auch deutlich die Kosten für CAE-Software und Hochleistungscluster.

Das Bild zeigt das KI-Auslegungsmodell für den Body-in-White.
Das Bild zeigt das KI-Auslegungsmodell für den Body-in-White.
(Bild: RLE)

Adaptierbarer Ansatz für die Entwicklung von Fahrzeugkomponenten

Der hier gezeigte Ansatz lässt sich auf alle Bereiche der Fahrzeug-Hardwareentwicklung anwenden. Dabei spielt die Komplexität der Entwicklungsaufgabe keine Rolle. Relevant sind kreative Wege zur Datengenerierung und ein grundlegendes Verständnis von Machine-Learning-Methoden. Wichtig ist zu verstehen, dass KI-Methoden bereits heute mit geringem Aufwand effektiv eingesetzt werden können und Projektmitarbeiter hierfür keine grundlegend neuen Qualifikationen benötigen. Der KI-Einsatz hilft den Mitarbeitern, den manuellen Entwicklungsaufwand zu reduzieren und ermöglicht ihnen gewonnene Zeit für neue und kreative Produktlösungen.

KI-Methoden können bereits heute mit geringem Aufwand effektiv eingesetzt werden und Projektmitarbeiter benötigen keine grundlegend neuen Qualifikationen.

RLE International wird dieses Technikverständnis bei seinen Mitarbeitern fördern. Ein zentrales Argument ist hierbei, dass der Einsatz von Generative Engineering in Kombination mit Machine Learning zukünftig nicht nur zu besseren und effizienteren Produkten führen, sondern auch Entwicklungszeiten drastisch verkürzen können. Vor diesem Hintergrund könnte man manuelle Design-Iterationen ersetzen und gleichzeitig bessere Produktlösungen schaffen.

Generative Engineering auf dem Konstruktionsleiter-Forum

Wie Generative Engineering funktioniert, wo ein Umdenken nötig ist und welche Vorteile die Low-Code-Plattform Elise für den Produktentstehungsprozess hat, erfahren Teilnehmer auf dem Konstruktionsleiter-Forum am 21. September in Würzburg in dem Vortrag "Wie Generative Engineering den Übergang vom dokumentenbasierten zum modellbasierten Engineering möglich macht" von Dr. Moritz Maier, Mitgründer und einer der Geschäftsführer von Elise.

Weitere Themen auf der Veranstaltung sind unter anderem:

  • KI im Engineering
  • Kostenfallen im Engineering vermeiden
  • Wirtschaftliche Fertigung

* Dipl.-Ing. Tobias Wigand leitet die Abteilung Product Development AI bei der RLE Mobility GmbH & Co. KG in Stuttgart (Deutschland).

* Jeron Devadas, MSc ist verantwortlicher Customer Success Engineer für Machine Learning bei der Elise GmbH in Bremen (Deutschland).

(ID:48526262)