Autor: Erich Payer, Payer Consulting
Wer künstliche Intelligenz (KI) und neuronale Netzen (nN) zur Prognose von mechanischen Eigenschaften seiner Produkte verwendet, spart im Design- und Engineering-Prozesse nicht nur Zeit, sondern auch Kosten – insbesondere im Vergleich zu Simulationsverfahren. So können mit nN-Templates alle relevanten Designparameter und/oder Betriebszustände eines Produkts einfache per Schieberegler variiert, und die daraus resultierenden mechanischen Eigenschaften, wie Steifigkeit, Festigkeit, Schwingungen, Akustik oder Crashverhalten, zugleich direkt prognostiziert werden.
Bisher sind es Simulationsverfahren, mit denen Konstrukteure und Ingenieure die mechanischen Eigenschaften ihrer Produkte computerunterstützt erkennen. Darauf aufbauend treffen sie Maßnahmen, die diese Eigenschaften sicherstellen oder verbessern. Im Vergleich zum klassischen Prozess mit physischen Prototypen spart man mit Simulationsverfahren bereits hohen Entwicklungszeiten und -kosten.
Zugleich können entsprechende Analysen von Produkten, insbesondere von Baugruppen, jedoch auch ziemlich komplex sein und einiges an Fachwissen erfordern, beispielsweise wenn es um die in der Simulationssoftware verfügbaren Features zur wirklichkeitsnahen Definition von Koppelungs- oder Kontaktbedingungen geht. Besonders für ungeübte Anwender kann es hier schwierig werden.
Was sind die Vorteile von nN für die Entwicklung?
Der Hauptunterschied und entscheidende Vorteil von neuronalen Netzen gegenüber Simulationsverfahren ist der, dass nN lernfähig sind. Als ein dem menschlichen Gehirn ähnliches System sind sie in der Lage Zusammenhänge zu erkennen, können trainiert und dann für rasche und wertige Prognosen verwendet werden.
Neuronale Netzen können beispielsweise über Trainingsdatensätze, wie vorhandene Simulationsergebnisse von Referenzprodukten angelernt, aber auch mit Fachwissen angereichert werden. Durch dieses Lernen eröffnen sich bei der Produktentwicklung auch für gelegentliche Anwender großartige Möglichkeiten zur einfachen, raschen und wirklichkeitsnahen Analyse und Optimierung ihrer Designs.
Vor diesem Hintergrund hat Payer Consulting im Rahmen seines eOSSP (Open Source Simulation Projekt), als Teil des Nvidia Inception Programms und in Kooperation mit dem Volkswagen Data:Lab, KI/nN-Lösungen entwickelt, welche die Produktentwicklungsprozesse technologisch und wirtschaftlich revolutionieren sollen; in allen industriellen Bereichen, von der Automobil-, Luft- und Raumfahrtindustrie über den Maschinen-, Stahl- und Anlagenbau bis hin zur Haushalts- und Sportgeräteindustrie.
Das Ergebnis: e-fea/nN Kernel. Mit dieser Software können Anwender nN auch auf herkömmlichen Arbeitsplatzrechnern rasch trainieren und entsprechende Templates generieren. Auf Basis dieser Templates werden alle relevanten Designparameter einfach per Schieberegler variiert. Die aus diesen Variationen zu erwartenden mechanischen Eigenschaften der jeweiligen Produkte, wie Steifigkeit, Festigkeit, Schwingungen, Akustik, Crashverhalten oder Fluiddynamik, werden seitens der dahinterliegenden nN gleichzeitig prognostiziert.
Von der Theorie in die Praxis
Um das Crashverhalten eines Vans zu prognostizieren, wurden auf der Basis von über 4 TB an Daten aus Simulationsergebnissen für ein Referenzfahrzeug ein nN trainiert und ein Template generiert. Über dieses nN-Template können bei der Entwicklung eines Vans nun auf jedem Standard PC oder Notebook alle relevanten Design- und/oder Crashparameter in kürzester Zeit per Schieberegler variiert, das aus der jeweiligen Variation resultierende Crashverhalten des Vans ‚live‘ prognostiziert und, wie man’s auch von Simulationen kennt, z. B. mittels Farbskala visualisiert werden. Auf Simulationsbasis würden entsprechende Analysen und Optimierungen hunderte Stunden an HPC Rechenzeit erfordern.
Das Haus der Technik (HdT) bietet Seminare zu „KI & neuronale Netze in der Produktentwicklung“ an. Mit den Teilnehmern werden nN-Trainingsdaten aufbereitet oder mit entsprechenden e-fea/nN-Features erzeugt, es werden neuronale Netze trainiert, die Trainingsqualität wird validiert und optimiert, und es werden nN-Templates für Parametervariationen per Schieberegler mit ‚live‘-Prognosen der daraus resultierenden mechanischen Eigenschaften der jeweiligen Produkte generiert. Darüber hinaus wird es den Teilnehmern ermöglicht, im Rahmen der Seminare auch gleich eigene Aufgabenstellungen, durch das Generieren und Anwenden von entsprechenden neuronalen Netzen lösen zu können.