Synthese von Trainingsdaten aus CAD-Modellen

CAD-Modelle stehen oft in Unternehmen zur Verfügung lange bevor die Produktion anläuft. Warum also nicht, die CAD-Modelle nutzen, um Systeme zur optischen Qualitätskontrolle zu trainieren, so dass diese ab Produktionsbeginn eingesetzt werden können? Genau das ist ein weiterer Vorteil der Trainingsdatensynthese aus CAD-Daten - neben der leichteren und kosteneffizienteren Generierung der Trainingsdaten inkl. Annotationen, die entweder aus Metadaten der CAD-Modelle (z.B. Teilebezeichnung) abgeleitet oder aus dem Syntheseprozess selbst (z.B. Fehlerklassen) generiert werden können.

So werden verschiedene Applikationen möglich:

• 1. Das Erkennen von Oberflächenfehlern / -deformationen

• 2. Das Erkennen von falschen Zusammenbauten: Nicht nur das automatische Erkennen von Fehlern in der Assemblierung wird möglich, Werker können basierend auf gelernten Zusammenbauten auch geschult werden bzw. ihnen kann am Band die korrekte Montage mittels XR eingeblendet werden.

• 3. Fertigungstoleranzen können in die digitale CAD-Geometrie eingebracht und mitgelernt werden

Ein Überblick: Physical AI für mehr Effizienz

KI-Agenten und Software für mehr Effizienz im Engineering

Für alle drei o.g. Anwendungen müssen aus den CAD-Modellen Bilder erzeugt werden, die geeignet sind, aufgabengerechte KI-Modelle zu trainieren. Dazu ist weit mehr nötig, als Bildschirmfotos von den auf dem Monitor dargestellten CAD-Modellen zu erzeugen, denn diese würden weder über entsprechende Oberflächenfehler verfügen noch die Beleuchtungssituation in der Fertigung auch nur näherungsweise darstellen – diese Diskrepanz wird als domain gap bezeichnet.

Um Computer in die Lage zu versetzen, den korrekten Zusammenbau des Systems Bremse-Radaufhängung-Feder-Dämpfung erkennen zu können, müssen von allen CAD-Modellen Bilder aus unterschiedlichen Perspektiven gemacht und trainiert werden. Wir haben den Prozess automatisiert – Menschen ihn machen zu lassen wäre sehr teuer.

Darüber hinaus müssen die Bauteile mit unterschiedlichen Materialien versehen werden, von denen ebenfalls automatisiert Bilder gemacht werden, die in die Menge der Trainingsdaten eingehen. Schliesslich werden die Bauteile der Baugruppe in unterschiedlichen Konfigurationen auf verschiedenen Hintergründen abgebildet, damit der Computer sie unabhängig voneinander erkennen kann – Bilder vom korrekten Zusammenbau werden aus dem Assembly-Modell aus dem CAD- bzw. PLM-System ebenfalls trainiert. In allen Schritten werden Metadaten automatisch extrahiert und in das Training einbezogen. So kann das trainierte KI-Modell Bauteile in der Szene erkennen und Aussagen darüber treffen, ob ihre Position und Orientierung in der Baugruppe korrekt ist. Falls dies nicht der Fall ist, können Mitarbeiter an der Assembly Line Hinweis erhalten, was wie zu ändern ist. Auch können sie basierend auf dieser Technologie Vorfeld bereits in der korrekten Assemblierung geschult werden.

Vergleichbar zu dem gerade beschriebenen Prozess wird bei der Trainingsdatensynthese für Bauteile mit Oberflächenfehlern vorgegangen. Hier gibt es drei Ansätze:

• 1. eine Manipulation des Bildes des CAD-Modells

• 2. Manipulation einer Textur auf dem 3D-Modell, bevor ein Bild für die Trainingsdaten gemacht wird

• 3. eine echte Geometriemanipulation des 3D-CAD-Modells, bevor ein Bild gemacht wird

Die dritte Methode ist in der Praxis noch recht selten, bietet aber auch die Möglichkeit, Fertigungstoleranzen oder Abnutzungserscheinungen, z.B. bei Werkzeugen, vor dem Training von KI-Modellen in die CAD-Geometrie einzuprägen – ein aktuelles Forschungsthema, um KI-gestützte optische Qualitätskontrollsysteme weiter zu verbessern.

(ID:50988750)