KI-basierte Empfehlungssysteme in der Produktentwicklung |
Ein Framework zur Wissensgewinnung aus multimodalen Daten in industriellen Anwendungen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 94-101 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.94 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Herausforderungen für eine effiziente Produktentwicklung
Das technische Design ist ein komplexer, wissensintensiver und iterativer Prozess, der in der Regel in konzeptionelles und detailliertes Design unterteilt wird [1]. Es ist Teil des Produktentwicklungsprozesses, der unter anderem Aufgaben wie Anforderungsmanagement, Variantenkonfiguration und Kostenschätzung umfasst [2].
Diese Prozesse sind besonders anspruchsvoll in Engineer-to-Order-Umgebungen (ETO), in denen eine hohe Produktanpassung das Potenzial für Skaleneffekte begrenzt und den Engineering-Aufwand aufgrund der individualisierten Schritte erhöht. Aufgrund des zunehmenden Wettbewerbs müssen ETO-Unternehmen ihre Entwicklungszeiten verkürzen und gleichzeitig ihre Qualitäts- und Kostenziele einhalten, um wettbewerbsfähig zu bleiben [3].
In diesem Zusammenhang hat sich die Wiederverwendung von Designs als wichtige Strategie herauskristallisiert, da durch die Wiederverwendung bestehender Modelle die Entwicklungszeit im Vergleich zur Neukonstruktion eines Produkts um 30-80 % reduziert werden kann [4]. Insbesondere in frühen Designphasen bleibt die praktische Umsetzung von Wiederverwendungsstrategien jedoch eine Herausforderung, da diese Phasen durch heterogene und oft unvollständige Input-Daten, wie textuelle Anforderungen oder schematische Zeichnungen, gekennzeichnet sind [5].
Das Fehlen eines einheitlichen Katalogs für wiederverwendbare Designelemente führt oft zu manuellen Suchaufwänden für historische Daten, einschließlich früherer Anforderungen, Stücklisten (BOM), CAD-Modelle und Gestaltungsgrundlagen. Solche Daten sind oft fragmentiert, uneinheitlich über verschiedene Systeme gespeichert oder nur in unstrukturierten Formaten wie Zeichnungen, gescannten Dokumenten oder PDFs verfügbar [6]. Diese Umstände erschweren die Analyse und den Abruf von nützlichem Designwissen und begrenzen das Wiederverwendungspotenzial [7].
Jüngste Fortschritte, insbesondere im Bereich der Künstlichen Intelligenz (KI), bieten vielversprechende Ansätze zur Lösung dieser Probleme bei der Datenerfassung und -bereitstellung [8]. KI ermöglicht die Analyse unstrukturierter Daten, die Kombination mehrerer Datenquellen und die Erkennung von Mustern in historischen Projekten [9]. Die Nutzung dieser Fähigkeiten erleichtert die Bereitstellung zeitsparender Empfehlungen für die Produktentwicklung, einschließlich der Wiederverwendung oder Anpassung bestehender Designs [10].
Dieser Beitrag baut auf diesen Entwicklungen auf und stellt ein methodisches Framework für ein KI-basiertes Empfehlungssystem vor, das mehrere Datenquellen kombiniert, um die Wiederverwendung von Designs zu unterstützen und die Entwicklungszeit zu verkürzen. Der Rest dieses Beitrags ist wie folgt aufgebaut: Abschnitt 2 gibt einen Überblick über den aktuellen Stand der Technik hinsichtlich der Integration von KI in den Produktentwicklungsprozess. Abschnitt 3 schlägt ein methodisches Framework für die Integration eines Empfehlungssystems vor, während Abschnitt 4 dessen Anwendung in einem ausgewählten Anwendungsfall veranschaulicht.
Abschließend werden in Abschnitt 5 die Ergebnisse diskutiert und zukünftige Forschungspotenziale aufgezeigt.
Aktueller Stand der Technik bei der Integration von KI in die Produktentwicklung
Um einen Überblick über die aktuellen KI-Anwendungen in der Produktentwicklung zu erhalten, wird die Methodik von Zonta et al. [11] verwendet. Die Literaturanalyse zielt darauf ab, KI-Techniken zu identifizieren, die wichtige Engineering-Aufgaben in verschiedenen Phasen des Produktentwicklungsprozesses unterstützen.
Der Search-String (Bild 1) ist so konzipiert, dass er die Schnittmenge von KI-Technologien, technischen Artefakten (z. B. CAD-Modelle, technische Zeichnungen) und Produktentwicklungsaktivitäten in allen wichtigen Phasen, einschließlich Konzeption, Detailentwurf und Dokumentation, erfasst. Zusätzliche Filterkriterien (Bild 2) werden angewendet, um die Relevanz und Qualität der Literatur sicherzustellen. Veröffentlichungen, die vor 2011 verfasst wurden, werden ausgeschlossen, um den Fokus auf moderne KI-Methoden zu legen, da Deep Learning um diese Zeit große Aufmerksamkeit erlangte. Darüber hinaus werden Bücher und Buchkapitel ausgeschlossen und die Suche auf englischsprachige Publikationen beschränkt.
Die Suche in der Scopus-Datenbank ergab 1025 Ergebnisse, die durch Anwendung der Filterkriterien und Entfernung von Duplikaten auf 476 reduziert wurden. Die Abstracts dieser 476 wurden mit dem Tool ASReview [12] systematisch analysiert und gekennzeichnet, um Studien zu identifizieren, die KI auf funktionale Darstellungen anwenden, wobei jene exkludiert wurden, welche sich auf Simulationen oder die Generierung visueller Inhalte, wie z. B. die Erstellung von Bildern zur Untersuchung von Designoptionen, konzentrieren. Eine datenbasierte Strategie [12] führte, nach dem Auftreten von 60 aufeinanderfolgenden irrelevanten Ergebnissen, zur Auswahl von 71 Publikationen für eine Volltextanalyse. Der gesamte Screening-Prozess ist in Bild 2 dargestellt.
Aus den 71 relevanten Quellen ergaben sich drei Hauptkategorien von KI-Anwendungen: i) Generative Design, ii) 3D-Geometrieanalyse und iii) 2D-Zeichnungs- und Bildanalyse. Diese Kategorien wurden anhand einer Gruppierung der identifizierten Beiträge nach Art der Input-Daten, verwendeter KI-Technik und Wiederverwendungspotenzial abgeleitet. Bild 3 enthält, zur Veranschaulichung der wichtigsten Methoden und Technologien, eine Auswahl der 9 repräsentativsten Publikationen aus den 71 relevanten Quellen.
Generative Designmethoden zielen darauf ab, Geometrien auf der Grundlage von Eingabebeschränkungen und benutzerdefinierten Zielen automatisch zu generieren [13, 14, 22]. Diese Methoden sind zwar leistungsstark, erfordern jedoch in der Regel vollständige, parametrische Eingaben und sind eher auf die Erstellung von Geometrien als auf die Wiederverwendung von Wissen ausgerichtet.
Die 3D-Geometrieanalyse konzentriert sich auf die Identifizierung und den Abruf geometrisch ähnlicher Teile in CAD-Datenbanken unter Verwendung von Deep Learning oder merkmalsbasierten Methoden [15, 16, 23]. Diese Methoden unterstützen die Standardisierung und Wiederverwendung von Komponenten, sind jedoch oft formatspezifisch und kontextunabhängig.
Die 2D-Analyse, einschließlich der Interpretation von Symbolen und Zeichnungen, nutzt Optical Character Recognition (OCR) und Convolutional Neural Networks (CNN) zur Komponentenerkennung, Fehlererkennung und Vektorextraktion [17-19]. Kürzlich wurden Vision Language Models (VLMs) entwickelt, die ein multimodales Verständnis und eine natürliche Sprachinteraktion mit visuellen Daten ermöglichen [20, 21].
Diese Ansätze stellen zwar einen bedeutenden Fortschritt dar und zeigen vielversprechende Ergebnisse in isolierten Anwendungsbereichen, doch leiden die meisten Lösungen unter einer eingeschränkten Interoperabilität und mangelnder Datenintegration zwischen verschiedenen Modalitäten. Darüber hinaus versäumen sie es oft, Feedback-Mechanismen zu integrieren oder typische ETO-Bedingungen mit unvollständigen, fragmentierten Eingaben und inkonsistenten Formaten effektiv zu handhaben.
Obwohl Standards wie STEP (Standard for the Exchange of Product Model Data) existieren, ist der Datenaustausch oft auf 2D-Bilder oder PDFs beschränkt. Softwareabhängigkeiten, inkompatible Formate und unvollständiger Datenaustausch bleiben wesentliche Hindernisse für den breiten Einsatz von KI-basierten Empfehlungssystemen [25,26]. Diese Einschränkungen zeigen eine Lücke hinsichtlich des Mangels an einem integrierten, multimodalen Empfehlungssystem für die Wiederverwendung von Designs in frühen Phasen in ETO-Umgebungen.
Empfehlungssystem für die Produktentwicklung
Um der Fragmentierung und modalitätsspezifischen Natur aktueller KI-Anwendungen in der Designwiederverwendung entgegenzuwirken, wird in diesem Abschnitt ein methodisches Framework für ein multimodales KI-basiertes Empfehlungssystem vorgestellt, das die Designwiederverwendung in frühen Phasen erleichtert. Es operationalisiert Erkenntnisse aus der Literatur, indem es auf Methoden zur Symbolerkennung [17–19], Geometrieanalyse [15, 16] und multimodalem Verständnis [20, 21] aufbaut und diese zu einem integrierten, feedbackfähigen System kombiniert. Bild 4 veranschaulicht das Framework, welches auf drei Kernsäulen basiert: i) der Verwendung neutraler Datenformate, ii) der semantischen Strukturierung und Verknüpfung und iii) der ähnlichkeitsbasierten Suche.
Eine Datenextraktionsschicht verarbeitet geometrische, visuelle und textuelle Informationen durch sich ergänzende Verarbeitungsmethoden, die jeweils unterschiedliche Herausforderungen adressieren. Informationen aus Textdaten im PDF-Format werden mithilfe von Natural Language Processing (NLP) extrahiert, während visuelle und geometrische Informationen aus Bildern mithilfe von OCR und Objekterkennung verarbeitet werden. OCR wird verwendet, um Text und die entsprechenden Begrenzungen der Textelemente zu extrahieren, wodurch eine Verknüpfung zwischen Text und visuellen Elementen basierend auf deren Position ermöglicht wird. Für die Objekterkennung wird ein neuronales Netzwerk verwendet, um beispielsweise Komponenten und deren Verbindungen zu klassifizieren, und das Ergebnis anschließend mit den Textdaten verknüpfen zu können. Die extrahierten Elemente werden in einer graphbasierten Struktur gespeichert, um semantische Abfragen und Ähnlichkeitsvergleiche zu unterstützen.
Parallel dazu codiert ein VLM dieselben Rohdaten und generiert multimodale Embeddings, die einen abstrakten und flexiblen Ähnlichkeitsabgleich ermöglichen, selbst wenn symbolische Methoden aufgrund unvollständiger oder verrauschter Daten versagen. Im Vergleich zur strukturierten Graphdarstellung bietet das VLM eine ergänzende, subsymbolische Sicht auf das Projekt.
Die Ergebnisse werden in einem hybriden Ansatz kombiniert, um erklärbare semantische Schlussfolgerungen durch graphbasiertes Abgleichen und flexible Mustererkennung dank der Generalisierungsfähigkeit des VLM über Modalitäten hinweg zu unterstützen. Um die Anpassungsfähigkeit in der Praxis zu gewährleisten, umfasst das Framework auch einen Human-in-the-Loop-Mechanismus, bei dem Fachexperten Empfehlungen validieren und verfeinern können, und so zur kontinuierlichen Verbesserung des Systems beitragen.
Zusammen bilden diese Komponenten eine erweiterbare Wissensdatenbank mit historischen Projekten und Designlösungen. Für jedes neue Produkt werden Input-Daten (z. B. Zeichnungen, Stücklisten, Anforderungen, Vorschriften) verarbeitet, über die verschiedenen Ansätze mit der Wissensdatenbank abgeglichen und gereihte Empfehlungen zurückgegeben. Dies ermöglicht eine schnellere Identifizierung geeigneter früherer Designs, reduziert Redundanzen und verbessert die Wiederverwendung von Wissen.
Anwendungsfall: Einsatz in der Elektronikindustrie
Um die Anwendung des vorgestellten methodischen Frameworks zu veranschaulichen, wird in diesem Abschnitt ein hypothetisches Anwendungsszenario in der Elektronikindustrie vorgestellt. Ziel ist es, zu zeigen, wie die Systemkomponenten in einer realistischen ETO-Umgebung zusammenwirken. Der Prozess für diesen Anwendungsfall entspricht der Visualisierung in Bild 4.
In diesem Szenario bearbeitet ein Hersteller projektspezifische Anfragen und entwickelt Komponenten auf der Grundlage von textuellen Spezifikationen und schematischen Zeichnungen von Schaltplänen. Anforderungen und Stücklisten werden im PDF-Format bereitgestellt, und die Textdaten werden mit NLP-Methoden verarbeitet, um wichtige Anforderungen, Komponenten und Einschränkungen zu extrahieren. Die visuellen Input-Daten in Form von schematischen Zeichnungen stammen aus CAD-Tools und werden vor der Verarbeitung in Bilder umgewandelt. Mithilfe von OCR werden Textbereiche extrahiert, während zur Vorbereitung der Objekterkennung Endpunkte von Linien als potenzielle Kandidaten für Komponenten (z. B. Motor, Schalter, Sensor) erkannt werden.
Ein auf elektronische Symbole trainiertes neuronales Netzwerk [27] klassifiziert die Kandidaten anschließend, um den entsprechenden Komponententyp zu bestimmen. Darüber hinaus werden Linien als elektrische Leitungen zwischen Komponenten interpretiert. Leitungen und Komponenten werden in einem Graphen als Kanten und Knoten gespeichert, um Funktion und Verbindungen darzustellen sowie strukturelle Abgleiche und Schlussfolgerungen zu ermöglichen. Parallel dazu werden mithilfe eines VLM Embeddings für alle Input-Daten erzeugt, um eine einheitliche multimodale Vektordarstellung zu erstellen.
Sowohl symbolische als auch subsymbolische Darstellungen werden zusammen mit historischen Konstruktionsfällen in der Wissensdatenbank gespeichert. Bei der Bearbeitung einer neuen Anfrage werden der Graph und die Embeddings mit der Datenbank abgeglichen, was den manuellen Suchaufwand reduziert, die Identifizierung geeigneter Konstruktionen beschleunigt und die Wiederverwendung bestehender Komponenten erhöht. Darüber hinaus werden weniger doppelte Konstruktionen erstellt und letztlich die Engineering-Kosten gesenkt.
Obwohl zu diesem Zeitpunkt noch keine technische Implementierung und Evaluierung durchgeführt wurde, zeigt der Anwendungsfall die erwartete Fähigkeit des Systems, heterogene und unvollständige Input-Daten zu verarbeiten. Strukturierte Diskussionen mit Fachexperten bestätigten die Relevanz und Anwendbarkeit des vorgeschlagenen Frameworks und untermauern dessen Eignung für wiederkehrende praktische Herausforderungen in der frühen Phase der Designwiederverwendung.
Fazit und Ausblick
In diesem Beitrag wurde ein methodisches Framework für die KI-gestützte Wiederverwendung von Designs in den frühen Phasen der Produktentwicklung vorgestellt, welches symbolische Graphdarstellungen und subsymbolische multimodale Embeddings kombiniert. Die Literaturrecherche zeigt, dass bestehende Lösungen auf isolierte Modalitäten beschränkt sind und durch Datenheterogenität und mangelnde Interoperabilität eingeschränkt werden.
Das vorgeschlagene Framework löst diese Einschränkungen durch die systematische Integration wesentlicher Technologien in eine modulare Architektur. Nach dem Wissensstand der Autoren ist dies das erste einheitliche Framework, welches VLMS, symbolisches Reasoning und menschliches Feedback für die Wiederverwendung von Designs in frühen Phasen integriert. Das Framework wurde zwar noch nicht implementiert oder empirisch evaluiert, aber der konzeptionelle Anwendungsfall und das Feedback von Experten haben seine potenzielle Funktionalität und industrielle Relevanz aufgezeigt.
Zukünftige Arbeiten sollten sich auf die Implementierung der Architektur, die Entwicklung domänenspezifischer Trainingsdaten [21] und die Bewertung der Leistung in realen Umgebungen konzentrieren. Über den vorgestellten Anwendungsfall hinaus könnte das Framework auf andere Domänen wie Anlagenbau oder Gebäudetechnik ausgeweitet werden, in denen die frühe Planung auf Teilinformationen basiert und eine strukturierte Wiederverwendung den Aufwand reduzieren kann. Zukünftige Entwicklungen könnten auch die Vorhersage von Folgewirkungen, eine intelligentere Datenverwaltung und KI-gestütztes Design Reasoning für eine effizientere Produktentwicklung ermöglichen.
Dies ist die deutsche Version des englischen Originalbeitrags mit der DOI: 10.30844/I4SE.25.5.94
Literatur
[1] Zhao, S. et al.: Knowledge structure generation and modularization based on binary matrix factorization in engineering design. In: Journal of Mechanical Science and Technology 34 (2020), S. 4657–4673.[2] Pahl, G.; Beitz, W.; Wallace, K.: Engineering Design. London 1996.
[3] Fortes, C. et al.: Engineer-to-Order Challenges and Issues: A Systematic Literature Review of the manufacturing industry. In: Procedia Computer Science 219 (2023), S. 1727–1734.
[4] Aberdeen Group. The Design Reuse Benchmark Report: Seizing the Opportunity to Shorten Product Development. URL: https://www.plm.automation.siemens.com/zh_cn/Images/aberdeen_designReuse_tcm78-23392.pdf.
[5] Baxter, D. et al.: Eine Methodik zur Wiederverwendung von Konstruktionswissen unter Verwendung von Prozessmodellierung. In: Research in Engineering Design 18 (2007), S. 37–48.
[6] Madreiter, T. et al.: Wissensgraphenbasierter Ansatz zur automatisierten Auswahl von Ersatzteilen für die additive Fertigung: ein Anwendungsfall aus dem Eisenbahnbereich. 12. Internationale Konferenz zu Through-Life-Engineering-Services (2024)
[7] Ansari, F. et al.: Using data analysis for discovering improvement potentials in production process. IEEE International Conference on Industrial Technology (2011), S. 281-286.
[8] Gronvald, J. M. et al.: KI-basierte Wiederverwendung zur Förderung der Wiederverwendung von CAD-Konstruktionen: Eine methodische Studie und Zukunftsperspektiven. In: Proceedings of NordDesign (2024), S. 277–283.
[9] Madreiter, T. et al.: Ein Ansatz zur Verbesserung der Zuverlässigkeit in der Fertigung durch Verbesserung der Textverständlichkeit. In: Fortschritte in Produktionsmanagementsystemen. Künstliche Intelligenz für nachhaltige und resiliente Produktionssysteme (2021), S. 161–170.
[10] Sharma, A.: Produktdesign und -entwicklung unter Verwendung von Techniken der künstlichen Intelligenz (KI): Eine Übersicht (2023).
[11] Zonta, T. et al.: Predictive maintenance in the Industry 4.0: A systematic literature review. In: Computers & Industrial Engineering 150 (2020).
[12] ASReview LAB: Aktives Lernen für systematische Übersichtsarbeiten. URL: https://asreview.readthedocs.io/en/latest/index.html, abgerufen am 19.03.2025.
[13] Jiang, Z. et al.: Datengesteuertes generatives Design für die Massenanpassung: Eine Fallstudie. In: Advanced Engineering Informatics 54 (2022).
[14] Yüksel, N.; Börklü, H.: Ein generativer Deep-Learning-Ansatz zur Verbesserung der mechanischen Leistung von Bauteilen. In: Applied Sciences 14 (2024) 9.
[15] Krahe, C. et al.: KI-basierte geometrische Ähnlichkeitssuche zur Unterstützung der Wiederverwendung von Komponenten im Konstruktionsdesign. In: Procedia CIRP 109 (2022), S. 275–280.
[16] Zhang, C.; Zhou, G.: Ein ansichtsbasiertes Framework zur Wiederverwendung von 3D-CAD-Modellen, das die Wiederverwendung im Produktlebenszyklus ermöglicht. In: Advances in Engineering Software 127 (2019), S. 82–89.
[17] Bickel, S. et al.: Symbolerkennung in mechanischen Konstruktionsskizzen: Experimentelle Untersuchung an Prinzipskizzen mit synthetischer Datengenerierung und Deep Learning. In: Applied Sciences 14 (2024) 14.
[18] Tang, Z. et al.: Vektorextraktion aus Konstruktionszeichnungen für die intelligente 3D-Modellierung von Sendemasten. In: Computers, Materials and Continua 82 (2025) 2, S. 2813–2829.
[19] Dzhusupova, R. et al.: Einsatz künstlicher Intelligenz zur Auffindung von Konstruktionsfehlern in technischen Zeichnungen. In: Journal of Software Evolution and Process 35 (2023) 12.
[20] Dall’Asen, N. et al.: Retrieval-enriched zero-shot image classification in low-resource domains. 2024.
[21] Meshram, P. S. et al.: ElectroVizQA: Wie gut funktionieren multimodale LLMs bei der visuellen Beantwortung von Fragen zur Elektronik? 2024.
[22] Lee, H. et al.: Vereinfachung von 3D-CAD-Modellen in Voxelform für mechanische Teile unter Verwendung generativer gegnerischer Netzwerke. In: Computer-Aided Design 163 (2023).
[23] Zehtaban, L. et al.: Ein Rahmenwerk für die Ähnlichkeitserkennung von CAD-Modellen. In: Journal of Computational Design and Engineering 3 (2016) 3, S. 274–285.
[24] Faltin, B. et al.: Verbesserung der Symbolerkennung in technischen Zeichnungen mithilfe eines auf Schlüsselpunkten basierenden Deep-Learning-Ansatzes. In: Proceedings of the 2023 International Conference on Intelligent Computing in Engineering, EG-ICE (2023), S. 1-10.
[25] Joshua, M. et al.: Advanced Knowledge Extraction of Physical Design Drawings, Translation and conversion to CAD formats using Deep Learning. In: Advanced in Creative Technology- added Value Innovations in Engineering, Materials and Manufacturing (2024), S. 343–356.
[26] Wang, J. et al.: Industrielle Big-Data-Analytik: Herausforderungen, Methoden und Anwendungen, 2018.
[27] Bhanbhro, H. et al.: Einzeilige elektrische Zeichnungen (SLED): Ein Multiklassen-Datensatz, der durch tiefe neuronale Netze benchmarked wurde. In: IEEE 13th International Conference on System Engineering and Technology (2023), S. 66–71.
Ihre Downloads
Potenziale: Wirtschaftlichkeit
Lösungen: Produktentwicklung
Das könnte Sie auch interessieren
