KIMODE - KI-Methodik zur Optimierung von Konstruktions-Design-of-Experiments

Die Konstruktion von Gleichlaufgelenken erfolgt durch Einsatz von individuellem Konstrukteursexpertenwissen unter Zuhilfenahme von aufwendigen Simulationen. Diese ermöglichen die Schätzung gelenkinterner Kräfte und Spannungen, erfordern jedoch einen hohen Zeitaufwand, insbesondere, wenn viele Designparameter zu bestimmen sind. Im Projekt KIMODE verringern wir diesen Zeitaufwand durch Prädiktionen mittels datensparsamem Maschinellen Lernen, indem vorteilhafte Designparameter automatisch bzgl. gegebener Zielgrößen (Gewicht des Bauteils, Haltbarkeit, CO2-Effizienz) prädiziert werden.

Der Arbeitsplan teilt sich in drei Phasen, die analog drei neuen Anwendungsfällen der Konstruktions-Design-of-Experiments zugeordnet werden. Der erste Anwendungsfall „Axialkraft“ dient als Proof-of-Concept bzgl. praktischer Anwendbarkeit im Produktentwicklungszyklus. Schnittstellen und relevante Ein- und Ausgabegrößen können hier bereits identifiziert werden. Nach Abschluss dieser Konzeptionsphase soll die grundsätzliche Methodik für den Projektverlauf feststehen. Die erste Phase wird auch Eingabeparameter und Gütemetriken identifizieren und eine grobe Abschätzung der erreichbaren Effizienzsteigerung vorlegen. Dieser Arbeitszyklus wiederholt sich für den komplexeren Anwendungsfall 2 „Wirkungsgrad“, bei dem die Miteinbeziehung von Testdaten aus der Produktion und die Generalisierbarkeit auf mehrere Gelenktypen untersucht werden. Das Ergebnis dieser Untersuchung markiert die Entscheidung, ob der dritte Anwendungsfall „Toleranzstudien“ im Rahmen des Projekts noch vollständig behandelt werden kann. In diesem Fall wird das komplexere inverse Problem der Prädiktion von Konfidenzintervallen der Konstruktionsparameter mit Hilfe maschinellen Lernens eruiert.