Selbst in der hochtechnisierten Welt der industriellen Fertigung, in der Präzision und Effizienz oberste Priorität haben, bleibt ein entscheidendes Problem oft ungelöst: trotz optimierter Prozesse sind Bauteile nicht immer optimal konstruiert. Die finanziellen Auswirkungen sind beträchtlich und jegliche Bemühungen zur Optimierung häufig zeitaufwendig, kostspielig und für Kunden nur schwer zugänglich.
Bei Optimate haben wir dieses Problem erkannt und sind diese Herausforderung aktiv angegangen. Unser Ziel war es, zu zeigen, dass innovative Algorithmen dazu in der Lage sind, das Optimierungspotential von Blechbauteilen in Echtzeit vollautomatisiert zu erkennen und die Bauteile unmittelbar zu optimieren.
Aus einer Idee wurde eine Lösung
Aus einer innovativen Idee wurde mittlerweile eine marktreife Cloud-Lösung: Unser patentierter Optimierungsalgorithmus.
Doch die Entwicklung einer individuellen Lösung erwies sich als anspruchsvoll, da es keine bereits vorhandenen Implementierungen gab, die sich mit der Entwicklung eines geometrischen Optimierungsalgorithmus für Blechbauteile befasst hat. Zusätzlich war es erforderlich, einen umfangreichen Datensatz von Testbauteilen zu generieren, um die Muster von Konstruktionsmängeln genauer zu erforschen und das Optimierungspotential eines Blechbauteils auf der Grundlage seiner Merkmale mit Hilfe von Machine-Learning-Algorithmen vorherzusagen.
Beleuchten wir nun die „Optimierung“ etwas genauer
Die Bauteiloptimierung spielt eine entscheidende Rolle bei der effektiven Minimierung von Kostenfaktoren. Einerseits ermöglicht sie die frühzeitige Erkennung von Fertigungsproblemen, wie zum Beispiel die Nichteinhaltung von Konstruktionsrichtlinien. Andererseits kann eine Bauteiloptimierung dazu beitragen, erhebliche Kostentreiber zu reduzieren, indem sie kostenintensive Herstellungsverfahren oder die ineffiziente Materialnutzung erkennt und durch kostengünstigere Alternativen ersetzt. Ein gutes Beispiel hierfür sind in der Konstruktion integrierte, aufwendige Prozessschritte, wie beispielsweise das Schweißen. Schweißnähte werden erkannt und können oft durch Biegungen ersetzt werden, wodurch der kostenintensive Schweißprozess entfällt.
Wie sind wir das Problem technisch angegangen?
Die Optimierungspipeline
Im ersten Schritt analysiert unser Algorithmus das Bauteil im dreidimensionalen Raum und erkennt dabei Schlüsselmerkmale wie Schweißnähte, Gestalt, Innenkonturen und Material. Anschließend wird das Bauteil in einen Graphen abstrahiert. Nun wird ein Constraint Satisfaction Problem (CSP) formuliert, dessen Lösungen nachher die generierten Varianten der optimierten Bauteile darstellen. Der letzte Schritt des Optimierungsalgorithmus ist die Übersetzung der Varianten in 3D-Geometrien: das Bauteil wurde erfolgreich optimiert und bessere Varianten davon generiert. Die Verwendung eines geometrischen Modellierungskerns ermöglicht eine performante und präzise Analyse der CAD-Konstruktionen.
Die Optimierungspipeline wurde in einem schrittweisen Prozess von der anfänglichen Proof-of-Concept-Phase über das Minimum Viable Product (MVP) bis hin zu einem einsatzbereiten Produktionssystem entwickelt. Dabei wurden bewährte Softwareentwicklungsmethoden wie Test-Driven Development und Continuous Integration konsequent angewendet.
Die Entwicklung einer komplexen Optimierungspipeline
Bei der Entwicklung bestand die Herausforderung, die Mängel der Konstruktionen und die Optimierung der Bauteile automatisch zu identifizieren. Dies erforderte die Formulierung geometrischer Designs als Optimierungsproblem, das es innerhalb einer akzeptablen Zeitspanne zu lösen galt. Maschinelles Lernen war erforderlich, um eine Lösung für diese Herausforderung zu finden.
Ein wesentlicher Schwerpunkt bei der Entwicklung lag auf der Nutzung modernster Softwarearchitekturen, die unser System in eine Cloud-Anwendung umwandelten. Diese Cloud-Anwendung zeichnet sich durch die Fähigkeit aus, beliebig zu skalieren und äußerst effizient zu arbeiten. Dies stellt sicher, dass unsere Lösung auch bei wachsenden Anforderungen und Datenvolumen stabil und leistungsfähig bleibt.
Bei der Entwicklung haben wir uns außerdem auf innovative Entwicklungsmethoden konzentriert. Hierzu gehörten unter anderem Test Driven Development (TDD), bei dem Tests vor der eigentlichen Implementierung geschrieben werden, um die Qualität und Funktionalität sicherzustellen. Das Pair Programming ermöglichte es den Entwicklern, in Teams zusammenzuarbeiten und Lösungen in Echtzeit zu erarbeiten, wodurch kreative Ideen gefördert wurden. Die Continuous Integration sorgte darüber hinaus dafür, dass Änderungen kontinuierlich in das Gesamtsystem integriert und getestet wurden, was die Fehlererkennung und -behebung beschleunigte.
Die Entwicklung unseres Algorithmus wurde intern in enger Zusammenarbeit mit dem Team von Motius durchgeführt. Dieser agile Kooperationsansatz ermöglichte es uns, von der geballten Erfahrung und Expertise beider Teams zu profitieren.
Mit unserem Automated-Optimization-Algorithmus machen wir einen großen Schritt in Richtung unserer Vision, das Konstruktionsverfahren von Blechbauteilen zu revolutionieren. Wenn du dein Wissen über Künstliche Intelligenz in der Blechbearbeitung, dessen Funktionsweise und Anwendungsbereiche vertiefen möchtest, klicke hier um weiteres in unserem Blogbeitrag zu erfahren.
Bei Optimate lassen wir uns nicht vom Stauts Quo leiten. Als Pioniere in unserem Bereich testen wir neugierig Grenzen aus und trauen uns, anders zu sein und zu denken. Wir sind stets auf der Suche nach dem Optimum und stellen uns und die Welt kritisch in Frage, stets auf der Suche nach Möglichkeiten, sie besser zu gestalten.
Fühlst du dich von den Herausforderungen, die wir bei Optimate meistern, inspiriert? Wenn du daran interessiert bist, Teil unseres Teams zu werden und an innovativen Lösungen mitzuarbeiten, dann schau auf unserer Job-Seite vorbei und finde heraus, wie du dich uns anschließen kannst!
