Künstliche Intelligenz (KI) hat sich in den vergangenen Jahren von einem experimentellen Forschungsfeld zu einer praxistauglichen Schlüsseltechnologie für Industrie und Ingenieurwesen entwickelt. Durch Fortschritte in der Datenverarbeitung, im maschinellen Lernen und in der Cloud-Integration können heute auch komplexe technische Aufgaben automatisiert, optimiert und datenbasiert unterstützt werden.
Im Bereich der Produktkonstruktion und des Maschinenbaus zeigt sich dieser Wandel besonders deutlich: KI-Systeme analysieren große Mengen an Konstruktions-, Simulations- und Fertigungsdaten und leiten daraus Muster, Zusammenhänge und Optimierungspotenziale ab. Während klassische CAD- und CAE-Systeme vor allem auf deterministischen Regeln und der Erfahrung von Konstrukteuren basieren, ermöglichen KI-gestützte Ansätze eine adaptive und lernende Konstruktion.
Aktuelle Anwendungsfelder reichen von der automatischen Geometrie- und Variantenoptimierung, über generatives Design und Topologieoptimierung, bis hin zu Material- und Parameterempfehlungen sowie automatisierten Qualitätsprüfungen.
Machine Learning in der Konstruktion
Besonders die Verbindung von Machine Learning mit vorhandenen CAD- sowie PDM-Systemen eröffnet neue Möglichkeiten, Entwicklungsprozesse zu beschleunigen und Entscheidungen objektiv auf Basis historischer und simulierter Daten zu treffen.
Damit entwickelt sich die Rolle der Konstrukteurinnen und Konstrukteure zunehmend vom reinen Modellierer hin zum Entscheidungslenker und Systemgestalter, der KI-gestützte Werkzeuge gezielt einsetzt, um Variantenräume zu erkunden und bessere, nachhaltigere Lösungen zu finden.
Vor diesem Hintergrund gewinnt auch die Integration von KI in etablierte Konstruktionsumgebungen wie Autodesk Inventor an Bedeutung. Während Inventor traditionell regelbasiert arbeitet, lassen sich heute über ergänzende Skripte, APIs oder externe Modelle lernfähige Systeme anbinden, die z. B. Material- oder Konstruktionsparameter vorschlagen.
In der Praxis lässt sich ein Trend zur Kombination von regelbasierter Produktlogik in Autodesk Inventor durch iLogic mit Machine-Learning-Modellen beobachten.
iLogic als Einstieg in die KI-gestützte Konstruktion
Bereits die Automatisierung der Produktkonstruktion im Inventor mit iLogic könnte man als „KI-light“ bezeichnen. So lassen sich allein durch den Einsatz von iLogic beispielhafte Anwendungsfälle wie automatisch passende Abmessungen basierend auf Gewicht, Kosten und Stabilität oder die Generierung von normgerechte 2D-Zeichnungen aus 3D-Modellen automatisieren.
Im Zusammenspiel mit der Lösung cubikom AutoMate, einer Plattform zur Automatisierung und Produktkonfiguration, können Sie beliebige Anwendergruppen an Ihre „KI-light“ anbinden und automatisch generierte CAD-Modelle, Zeichnungen, neutrale Formate sowie beliebige weitere Begleitmaterialien bereitstellen.
Wie mache ich iLogic noch intelligenter?
Die klassische Verwendung von iLogic zur Konstruktionsautomatisierung basiert auf einem statischen Regelwerk. Das heißt, dass iLogic die Regeln kennt, die dort durch einen Menschen hinterlegt wurden. Aber was ist mit dem so genannten „Konstrukteurswissen“, das sich in der Regel aus Erfahrungen und Lerneffekten ableitet? Gehört zu einer „Intelligenz“ nicht auch die selbstständige Erweiterung und Ergänzung der erlernten Fakten? Hier kommt Machine-Learning ins Spiel. Und Machine-Learning lässt sich mit iLogic kombinieren.
Beispielszenario KI-gestützte Konstruktion in Autodesk Inventor
Nachfolgend zeigen wir ein beispielhaftes Anwendungsszenario, bei dem ein Machine-Learning-Modell (ML) auf Konstruktionsdaten trainiert wird, um automatisch das optimale Material und die empfohlene Dicke für ein Bauteil vorherzusagen – und dieses Ergebnis dann in die automatisierte Erzeugung der Konstruktionsdaten über iLogic anwendet.
Hierzu benötigt das ML-Modell Erfahrungs- oder auch Trainingsdaten. Diese ließen sich aus verschiedensten Datenquellen anbinden. In unserem Fall greift das ML-Modell auf historische Projektdaten aus der ERP- oder PDM-Lösung zu:
Das ML-Modell wird mit den Trainingsdaten verbunden und in die Ermittlung der optimalen Dicke in iLogic eingebunden. Die gängigen ML-Modelle (z. B. scikit-learn) stehen als Phyton-Modelle zur Verfügung. Sie lassen sich aber problemlos über eine Python-Bridge direkt in die eigenen iLogic-Regeln einbinden.
Die Erfahrungs- und somit Trainingsdaten werden mit jedem abgeschlossenen Projekt wachsen, so dass auch die Konstruktionsautomatisierung über iLogic ohne weitere Erweiterung der Produktlogik innerhalb der Regel auf immer mehr Erfahrungswerte zurückgreifen und die konstruktive Entscheidung immer präziser treffen kann.
Sie wollen die Vorteile von KI wertschöpfend nutzen?
Unsere Lösung: cubikom AutoMate
Wir sind überzeugt: Die Automatisierung von Standardbaugruppen und die Produktkonfiguration werden in Zukunft einen erheblichen Wettbewerbsvorteil im Maschinen- und Anlagenbau bedeuten. Unsere innovative Produktentwicklung AutoMate greift diese Thematik auf und ist bereits im Standardumfang in der Lage Ihre CAD-Daten aus Autodesk Inventor zu verarbeiten und durch AutoMate erzeugte CAD-Daten vollautomatisch in Autodesk Vault bereitzustellen.
Bei AutoMate haben wir bewusst auf eine flexible Plattform gesetzt. Somit lässt sich jeder denkbare parametrisch gesteuerte Automatismus bereitstellen.
In unserem Video zeigen wir Ihnen wie Sie AutoMate in einigen ausgewählten Einsatzszenarien praktisch einsetzen können.
Sie haben ein individuelles Einsatzszenario oder wollen mehr erfahren? Treten Sie für weitere Details mit uns in Kontakt. Wir beraten Sie gerne.
