Forschungsprojekt Easy MLS

Die Fortschritte bei Digital Engineering Werkzeugen haben den Produktentwicklungsprozess kontinuierlich verändert. Mit der Steigerung der Rechenleistung wurden immer umfassendere digitale Modelle möglich, um die komplexen Eigenschaften und das Verhalten von Produkten zu simulieren. Mit Techniken wie dem generativen Design lässt sich ein Lösungsraum für verschiedene Ziele erkunden und optimierten, was manchmal die Fähigkeiten selbst erfahrener Produktentwicklerinnen und Produktentwicklern übersteigt. Aufgrund der Komplexität von Simulationen können jedoch oft nur ausgewählte Parameter optimiert werden. Folglich ist der untersuchte Lösungsraum oft begrenzt und der Fortschritt inkrementell. Die Auswahl von Parametern und Optimierung beruht in erster Linie auf menschlichem Fachwissen, was angesichts begrenzter Zeit und Budgets sowie eventuellem Bias nicht immer zu den besten Lösungen führt. In der aktuellen Forschung zur simulationsgetriebenen Produktentwicklung wurden Machine Learning Ersatzmodelle (MLS) eingeführt, um herkömmliche Simulationen für Produktanalyse und -validierung zu verbessern oder teilweise zu ersetzen. MLS-Techniken verringern den Rechenaufwand im Vergleich zu herkömmlichen Simulationen erheblich. So kann ein großer Lösungsraum mit geringem Aufwand untersucht werden.

Zie­le des For­schungs­pro­jek­tes

  • MLS-Ansätze für die Analyse späterer Produktentstehungsphasen in frühen Entwurfsstadien anwenden
  • die proaktive Reduzierung des Aufwands in späteren Phasen der Produktentwicklung ermöglichen
  • erhebliche Verringerung der Rechenkosten durch die Verwendung von Ersatzmodellen, die eine direkte Rückmeldung in Engineering-Tools ermöglichen
  • Eine frühzeitige Vorhersage und Anpassung des Produktes hinsichtlich seiner Eignung für die Automatisierung ist für eine wirtschaftliche Produktentwicklung unerlässlich

Schwer­punk­te des For­schungs­pro­jekts

  • Optimierung der räumlichen Anordnung von Produktkomponenten
  • Ermöglichung automatisierter Montageansätze durch Anpassung der Montagereihenfolge
  • Kombination beider Ansätze zu einem einzigen, schlanken Prozess
  • Einbindung des implementierten Prozesses in eine Engineering-Software
  • Validierung des Ansatzes anhand eines Elektrolyseurs

Die Projektergebnisse werden die Produktentstehung zukünftig verbessern, ...

... indem das Layout von Komponenten optimiert und dabei die Automatisierung der Montage fokussiert wird.

For­schungs­team

Prof. Dr.-Ing. Det­lef Ger­hard

Professor Dr.-Ing. Detlef Gerhard ist Lehrstuhlinhaber des Lehrstuhls für Digital Engineering an der Ruhr Universität Bochum.

Prof. Dr.-Ing. Bernd Kuh­len­köt­ter

Professor Dr. Bernd Kuhlenkötter ist Lehrstuhlinhaber des Lehrstuhls für Produktionssysteme der Fakultät für Maschinenbau der Ruhr Universität Bochum.

Ju­li­an Rolf, M.Sc.

Ruhr Universität Bochum, Lehrstuhl für Digital Engineering

Mal­te Jak­schik, M.Sc.

Ruhr Universität Bochum, Lehrstuhl für Produktionssysteme

Pu­b­­li­­­ka­ti­o­­­nen & re­le­van­te Vor­­­­­pu­b­­li­­­ka­ti­o­­­nen

Titel Autor DOI
A Method for Reinforcement Learning-based Development of a System’s Information Processing in the Product Development P. Trentsios, M. Wolf, D. Gerhard doi.org/10.1016/j.procir.2023.03.141