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 zuhauf 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 Ingenieure 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 Experten. 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 Bildsynthese forschen 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.

Angestrebte Ergebnisse

Mit den Ergebnissen von GeoCADUp wird ein höherer Automatisierungsgrad in der virtuellen Produktentwicklung erreicht. Der Experte wird spezialisierte intelligente Werkzeuge erhalten, die eine sicherere und schnellere Bewertung von Kollisionen ermöglichen.

LeitungProf. Dr. Nicola Wolpert
Partner (extern)invenio Virtual Technologies GmbH, Johannes Gutenberg-Universität Mainz
Projekt E-Mailadressenicola.wolpert@hft-stuttgart.de
FördergeberBMBF
AusschreibungIngenieurnachwuchs
Laufzeit01.05.2017 – 30.4.2021

Team

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