Suchen

Leichtbau Künstliche Intelligenz: Alter Ansatz neu gedacht

Autor / Redakteur: Hartmut Hammer / Thomas Günnel

Das Thema Künstliche Intelligenz (KI) ist derzeit ein Hype. Zu Recht? Nein, sagt Klemens Rother von der Hochschule München. Das öffentliche Interesse könne aber helfen, die Techniken und Methoden der KI besser in der Produktentwicklung zu verankern.

Firmen zum Thema

Klemens Rother ist Professor an der TU München, unter anderem im Fachgebiet „Leichtbau Fahrzeugtechnik“.
Klemens Rother ist Professor an der TU München, unter anderem im Fachgebiet „Leichtbau Fahrzeugtechnik“.
(Bild: Stefan Bausewein)

Was heute landauf, landab als „Rocket Science“ gefeiert wird, ist eigentlich ein alter Hut, sagte Klemens Rother, Professor unter anderem im Fachgebiet „Leichtbau Fahrzeugtechnik“ an der Hochschule München, beim Leichtbau-Gipfel am 13. Oktober in Würzburg. Schon vor einem guten halben Jahrhundert habe die Wissenschaft sogenannte „Expertensysteme“ ausprobiert, später dann das gleiche Thema ein zweites Mal unter dem Namen „Wissensbasierte Systeme“ forciert.

Beide Male ging es darum, komplexe Prozesse computergestützt und maschinell zu erledigen. Eine automatisiert ablaufende Prozesskette mit den Einzelschritten Planen, Erkennen, Verstehen, Rückschlüsse bilden und Entscheiden wurde zunächst für konstruktive Aufgaben erstellt, später auch für Entwicklungsthemen.

Multifunktionaler Werkzeugkasten

Dabei hat laut Rother die Entwicklung durchaus Anleihen bei den Methoden für eine effizientere Produktion genommen. Themen wie automatisierte Fertigung, Null-Fehler-Produktion, ein optimierter Materialfluss und Flexibilität fänden entsprechende Gegenstücke auf Entwicklungsseite. Unter automatisierter Entwicklung seien zum Beispiel die Modellbildung und die Simulation eingeordnet, fehlerfreien virtuellen Produkten kommt man durch Qualitätssicherung der Daten oder regelbasierte Prozesse näher.

Dem Materialfluss entsprechen auf Entwicklungsseite geschlossene Prozessketten. Die Flexibilität in der Produktion hat in der Entwicklung ihre Analogie in Form von schneller Variantenentwicklung und alternativen Entwürfen. Im Werkzeugkasten der wissensbasierten Systeme finden sich neben den oben genannten Begriffen auch solche wie Schwarmintelligenz, Neuronale Netze, Data Mining, Deep Learning und Musterkennung – Buzzwords aus dem aktuell abklingenden Hype des Autonomen Fahrens. Rother betont, dass die Techniken aber auch für andere automobile Produktentwicklungen geeignet sind.

Hindernisse für die KI

Anfang des Jahrtausends gab es punktuell bereits Unternehmen, die das Einspar- und Beschleunigungspotenzial der wissensbasierten Entwicklung erkannten. Laut Rother hängten einige ihre Aktivitäten nicht „an die große Glocke“, um bei den Kunden nicht Begehrlichkeiten in Sachen Preisreduzierung zu wecken. Hinzu kam, dass der Einsatz wissensbasierter Systeme noch sehr von Einzelpersonen abhängig war und personelle Ressourcen zur Weiterentwicklung und konsequenten Vernetzung dieser Techniken sehr dünn waren.

Auch die Aktualisierung und somit Optimierung der Datenstände litt unter dem personellen Engpass, was nicht selten zu einem Vertrauensverlust in die wissensbasierten Systeme führte. Zudem hätte man die Ängste der Mitarbeiter unterschätzt. Sie befürchteten eine Übernahme ihrer Aufgaben durch IT-Lösungen, falls sie ihr persönliches Wissen in die Modelle und Algorithmen einfließen lassen würden.

Komplexität durchdringen, Zeit sparen

Anschließend zeigte Rother anhand mehrerer Beispiele aus dem letzten Jahrzehnt, wie Programme bei Entwicklungsaufgaben unterstützen: etwa Catia 4 bei der zeitsparenden Auswahl einer optimalen Aufnahmekonstruktion aus 280.000 theoretischen Möglichkeiten, oder bei der IT-gestützten Konstruktion eines Dampfturbinen-Leitschaufelträgers in nur 20 Minuten. Bei letzterem bezog die Applikation den Ingenieur in die Entscheidungsfindung mit ein, er musste gewisse Hilfestellung leisten und Richtungsentscheidungen treffen.

Direkt das Thema automobiler Leichtbau adressierten diverse Projekte: zum Beispiel die Optimierung von Ergonomie und Sitzkomfort sowie der Sitzpolsterproduktion. Hier kommen probabilistische, also die Wahrscheinlichkeit berücksichtigende, regionale Mensch-Modelle zum Einsatz. Ein weiteres Projekt umfasste das Ableiten von Aussagen über die optimale Wandstärkenverteilung von Tiefziehteilen. Dazu wurden Techniken wie Mustererkennung, neuronale Netze und die Fingerprint-Analyse verwendet.

„KI ist kein Allheilmittel“

Ein neues Beispiel aus der Hochschule München ist die beschleunigte Berechnung und Simulation von Schweißverbindungen mithilfe von neuronalen Netzen. Mittels Finite-Elemente-Methode konnten 3.000 Datensätze von Schweißverbindungen samt Kerbformzahlen an Schweißstößen generiert werden, die als Datenbasis für das Einlernen der Schweißsysteme dienen.

Als Fazit betonte Rother, dass die Entwicklung von künstlichen intelligenten Systemen noch lange nicht abgeschlossen sei. Es gebe einen wachsenden Fundus an Methoden und Anwendungen, die inzwischen viel leichter als früher einzusetzen seien. Künftig werde es darum gehen, durch breites Wissen die passenden Tools aus dem Werkzeugkasten einzusetzen. Hilfreich seien dafür eine enge Kooperation zwischen Projektpartnern und eine Einstellung, die künstliche Intelligenz als ein vielseitiges, nützliches Werkzeug sehe – nicht als Allheilmittel.

(ID:46949542)