JRG: KI-Basierte Produktentwicklung und Optimierung

Für die Entwicklung von Bauteilen für Elektrofahrzeuge ergeben sich neue Anforderungsprofile, wodurch die Optimierung zunehmend komplexer wird. So haben sich die Anforderungen an die Robustheit ganzer Fahrzeugkomponenten aufgrund des stärkeren Nutzungsgrades und der steigenden Lebensdauer (Car Sharing, autonomes Fahren) erhöht. Gleichzeitig ist der Einsatz neuer Materialien aufgrund der Anforderungen der Nachhaltigkeit im Produktdesign zu implementieren. Darüber hinaus ist der Kostendruck am Markt sehr groß, sodass trotz der Bestrebungen hin zu einer Kreislaufwirtschaft die Entwicklungs- und Fertigungskosten massiv gesenkt werden müssen.

In der technischen Umsetzung hat sich gezeigt, dass eine fehlende Kopplung von CAD-Konstruktion und CAE-Simulation eine entscheidende Hemmschwelle im Entwicklungsprozess darstellt. In vorherigen Forschungsprojekten wurden automatisierte, updatestabile CAx-Prozessketten entwickelt, die aus der CAD-Konstruktion und einer verknüpften CAE-Simulation bestehen. Diese Verknüpfung ermöglicht eine automatisierte Optimierung an Strukturen. Die Besonderheit in dieser Vorgehensweise liegt in der Variation und Optimierung im CAD-Raum, wodurch nach Abschluss der Optimierung eine fertige Konstruktion vorliegt und damit eine Nachkonstruktion der optimierten Lösung entfällt. Für die Optimierungen wurden klassische Algorithmen verwendet, die allerdings den großen Nachteil haben, dass die Startbedingungen das Optimierungsergebnis beeinflussen. Darüber hinaus wird der Lernprozess in der klassischen Optimierung nicht genutzt, wodurch aus einzelnen Schritten kein Erfahrungswissen in die eingesetzten Algorithmen einfließen kann, was sich in hohen Rechenzeiten aufgrund der notwendigen Iterationen widerspiegelt. Daraus wurde der Ansatz abgeleitet, CAx-Prozessketten mit KI-Agenten zu verknüpfen, um eine Lernstrategie zu implementieren, wodurch Erfahrungswissen aus vorhergehenden Optimierungen nutzbar wird. Dies verspricht das Potenzial, bei weniger Entwicklungszeit bessere Ergebnisse zu erzielen.

Vorgehensweise

Unter der Leitung des Instituts für Fahrzeugbau Wolfsburg, steht die Entwicklung einer generischen Methode im Vordergrund, mit der Optimierungen im Entwicklungsprozess durch den Einsatz von KI durchgeführt werden können. Hierzu sind KI-integrierte CAx-Prozessketten aufzubauen, die für das Training und die Evaluierung der KI-Agenten genutzt werden sollen. Teil dieser Prozessketten sind zu entwickelnde Simulationsmodelle, die die physikalischen Zusammenhänge abbilden. Eine zentrale Aufgabe ist die Untersuchung der Übertragbarkeit des KI-integrierten Ansatzes auf ähnliche Fragestellungen (Transfer Learning), um Einsatzmöglichkeiten und Grenzen der generischen Methode aufzuzeigen. Basierend auf den Ergebnissen sollen Leitlinien für den industriellen Einsatz KI-basierter Optimierungen erarbeitet werden.

Unter der Leitung des Instituts für Werkzeugmaschinen und Fertigungstechnik werden Methoden für effiziente Re-X-Strategien im Sinne einer Circular Economy betrachtet. Der Fokus liegt hierbei auf der Entwicklung effizienter Methoden für die Modellierung von zirkulären Komponenten und Systemen. Die Modellierungen enthalten sowohl analytische als auch datenbasierte Ansätze (Einsatz von KI). Für die praktische Validierung der entwickelten Modelle werden die im Rahmen dieses Antrags geplanten Anlagen, die bestehende Infrastruktur der OHLF und im speziellen ein diese beiden Handlungsfelder verbindendes, kooperatives Circular Lab verwendet. Mithilfe dieser ganzheitlichen Infrastruktur kann so die Prozesskette von der Herstellung des Produkts über die sortenreine Trennung bis zum Recycling der Materialien abgebildet werden.

Ansätze und Nutzen (Projektziele)

Optimierungen im Produktentwicklungsprozess sind sehr rechen- und zeitintensiv und generieren nicht immer das maximal mögliche Potenzial. Um diesen Prozess zu verbessern und methodisch zu untersuchen, sollen automatisierbare CAx-Prozessketten mit KI-Agenten verknüpft werden, um einerseits das Optimierungsergebnis zu verbessern und andererseits den Entwicklungsprozess zu beschleunigen. Daraus lassen sich folgende Projektziele definieren:

1. Erhöhung der Nachhaltigkeit und Ressourceneffizienz durch bessere Optimierungsergebnisse in der Produktentwicklung (nachhaltiger Leichtbau, komplexe multidisziplinäre Optimierung).
2. Reduzierung der hohen Rechenzeiten für die Optimierungen durch Nutzung des konservierten Erfahrungswissens in den trainierten KI-Agenten.
3. Unterstützung der Anwendbarkeit der entwickelten Methodik durch einheitliche Frameworks und Datenmodelle, deren Einsatz auf andere Anwendungsgebiete ausgedehnt werden soll.
4. Übertragbarkeit der Lernstrategie für KI-Agenten in CAx-Prozessketten.
5. Bereitstellen einer generischen Methodik für den Einsatz von KI-Agenten für Optimierungsaufgaben, um das aufgezeigte Potenzial auch für kleine und mittelständische Unternehmen ohne ausgeprägte KI-Fachexpertise nutzbar zu machen (Transferpotenzial).