Geometrien von 3D CAD-Daten für das Digital MockUp verstehen und bewerten

Überblick und Fragestellung

Das Projekt ist im Bereich des digitalen Prototypenbaus in der Fahrzeugentwicklung angesiedelt. Im sogenannten Digital MockUp werden die Bauteile eines Fahrzeugs, gegeben als 3D-CAD-Daten, bezüglich ihrer Funktionalität abgesichert. Dies geschieht nicht nur einzeln für jedes Bauteil, sondern auch für das Zusammenspiel der von vielen verschiedenen Konstrukteuren geplanten Teile. Ein wichtiger Aspekt dabei ist zu prüfen, dass Bauteile nicht in Konflikt zu ihren Nachbarn stehen, also nicht den gleichen Bauraum einnehmen.
Die in der Praxis häufig auftretenden Kollisionen zwischen Bauteilen weisen den Ingenieuren in einigen Fällen relevante Fehler auf, die eine konstruktive Veränderung der Bauteile erfordern. Die Mehrzahl ist allerdings für die Ingenieurinnen irrelevant. Ein häufiges Beispiel sind Kollisionen, an denen Kleinteile wie Schrauben, Bolzen oder Klipse beteiligt sind. Deren Aufgabe ist es, Bauteile aneinander zu befestigen und die so erzeugten Kollisionen sind gewollt. Die Bewertung von Kollisionen in kritisch oder unkritisch erfolgt derzeit noch durch Fachleute. In GeoCADUp werden KI-gestützte Verfahren für eine automatisierte Klassifizierung und erste Bewertung der Kollisionen entwickelt.

Vorgehensweise

Zur Klassifikation von 3D-Geometriedaten trainieren wir neuronale Netze mit selbstgerenderten Bildern der Objekte und setzen dabei auf bewährte, vortrainierte Modelle aus der Bilderkennung auf. Unsere Modelle erkennen Kleinteile mit hoher Zuverlässigkeit und auf vielfältigen Datensätzen.

Im Bereich der Bildsyntheseforschen wir an alternativen Methoden wie (rotationsinvarianten) Zylinderprojektionen, um den Informationsgehalt der Eingangsbilder zu verbessern und um die rotatorische Lage der Objekte zu berücksichtigen.

 

3D Geometriedaten können nicht nur durch Bilder, sondern auch durch Punktwolken repräsentiert werden. Das in GeoCADUp entwickelte neuronale Netz LocALNet erzielt im akademischen Wettbewerb auf dem MoldelNet40 Datensatz der Universität Princeton eines der weltweit besten Ergebnisse zur Klassifikation von 3D CAD-Daten auf Basis von Punktwolken.

Neuronale Netze auf der Basis von Punktwolken können auch zur Segmentierung verwendet werden. LocALNet wird auf Industriedaten trainiert und verwendet, um Anschlussstellen eines Motors zu segmentieren.

Ergebnisse

Der Automatisierungsgrad im Digital MockUp ging hier in der Vergangenheit nur soweit, dass große Mengen an Bauteilen auf Kollisionen mit ihren Nachbarn untersucht werden konnten. Die endgültige Bewertung in kritisch oder unkritisch musste durch einen Experten erfolgen. In GeoCADUp wurden Verfahren für eine automatisierte Klassifizierung und Bewertung der Kollisionen, an denen sehr häufig Befestigungselemente wie Schrauben oder Klipse beteiligt sind, entwickelt.

Dazu wurden bildbasierte neuronale Netze entwickelt, die 3D Objekte und insbesondere verschiedene Arten von Befestigungselementen klassifizieren, um dem Experten Informationen über die an einer Kollision beteiligten Bauteile zu liefern. Die für das Training von neuronalen Netzen notwendige große Datenbasis war bei unserem industriellen Projektpartner vorhanden und wurde für GeoCADUp aufbereitet. Darüber hinaus wurde im Projekt ein akademischer Datensatz von Befestigungselementen erzeugt und der wissenschaftlichen Community zur Verfügung gestellt. Für eine anschließende Bewertung von Kollisionen zwischen einem Befestigungselement und seiner Loch-Gegengeometrie kommt ebenfalls ein neuronales Netz zur Anwendung. Darüber hinaus wurde ein neuronales Netz auf Basis von Punktwolken zur Segmentierung von Anschlussstellen innerhalb eines Bauteils erarbeitet. Mit den Ergebnissen von GeoCADUp wurde insgesamt ein höherer Automatisierungsgrad in der digitalen Absicherung von Fahrzeugen erreicht.

LeitungProf. Dr. Nicola Wolpert
Partner (extern)invenio Virtual Technologies GmbH, Johannes Gutenberg-Universität Mainz
Projekt E-Mailadressenicola.wolpert@hft-stuttgart.de
FördergeberBundesministerium für Bildung und Forschung (BMBF)
AusschreibungIngenieurnachwuchs
Laufzeit01.05.2017 – 30.04.2021, verlängert bis 30.06.2022

Team

Name und Position Bereich E-Mail und Telefon Raum
Professorin Studiengang Mathematik +49 711 8926 2697 2/368
Akademischer Mitarbeiter Forschungsprojekt GeoCADUp +49 711 8926 2633 2/583