Nachdem die künstliche Intelligenz überall ihre Spuren hinterlassen hat, erreicht sie endlich die Ingenieur-Workflows und verbessert die Art und Weise, wie Teams Produkte entwerfen, simulieren und optimieren. Für Entwickler von Fertigungsanwendungen erfordert der nächste Schritt der KI-Innovationen die Überwindung eines gewaltigen Hindernisses: Wie integriert man CAD-Daten in KI-Workflows? 

CAD-Daten stehen im Mittelpunkt moderner Fertigungs-Workflows. Sie tragen Geometrie, Struktur, Produktwissen und Ingenieur-Absichten vom Entwurf bis zur Analyse, Produktion, Inspektion und Wartung. Sie sind auch hoch proprietär und weitaus komplexer als die Text- und Bilddaten, auf die die meisten KI-Tools ausgerichtet sind.

Um die nächste Generation von Fertigungsanwendungen zu schaffen, müssen Entwickler maschinelle Lern-Workflows mit echten CAD-Daten verbinden, ohne das geistige Eigentum zu gefährden, den Ingenieur-Kontext zu verlieren, der die Daten wertvoll macht, oder Ausgaben zu erzeugen, die im weiteren Verlauf nicht nützlich sind. Zusammengefasst, Fertigungsanwendungen benötigen KI-Funktionalität, die um CAD-Daten herum entwickelt und explizit dafür ausgelegt ist. 

In diesem Beitrag skizzieren wir, was CAD-Daten und KI für Entwickler zu einem Problem machen und was getan werden muss, um diese Probleme praktisch zu adressieren.

Schließlich teilen wir HOOPS AI, das CAD-basierte Framework, das speziell zum Verbinden von Ingenieur-Daten mit maschinellem Lernen entwickelt wurde, das Fertigungsanwendungsentwicklern helfen kann, diese Probleme zu überwinden.

Besuchen Sie unseren Blogbeitrag, der unser Gespräch mit dem Senior Editor von Digital Engineering 24/7,Kenneth Wong behandelt, um mehr über die bereits laufende Transformation von Ingenieur-, Design- und Simulations-Workflows durch KI zu erfahren. 

Herausforderung 1: Die nützlichsten CAD-Daten können das Unternehmen in der Regel nicht verlassen

Die meisten Fertigungs-CAD-Daten sind hoch vertraulich. Sie können Produktgeometrie, Entwurfsabsicht, Kundenanforderungen, Produktionswissen, Lieferanteneinschränkungen und andere Details enthalten, die nicht außerhalb der Organisation offengelegt werden sollten.

Dies ist das erste große Problem bei der Integration mit KI-Tools. KI-Systeme sind am nützlichsten, wenn sie aus Daten lernen oder auf Daten zugreifen können, die den realen Workflows entsprechen, die sie unterstützen sollen, und die speziellisierten Daten, die Sie zur Modellierung verwenden möchten, sind die Infos, die Hersteller am wenigsten bereit oder fähig sind preiszugeben. Die einzigartige Natur von Fertigungsdaten bedeutet auch, dass öffentlich zugängliche Daten wahrscheinlich nicht ausreichend sind.

Allgemeine KI-Tools sind unter anderem leistungsstark, weil sie aus enormen öffentlichen Datensätzen lernen können. Diese Grundlage gibt es für proprietäre CAD-Daten nicht.

Für Entwickler bedeutet dies eine klare Anforderung für ihre Anwendungen: KI für die Fertigung muss innerhalb der Systeme und Umgebungen funktionieren, in denen die CAD-Daten bereits existieren.Es muss maschinelle Lern-Workflows in kontrollierten Umgebungen unterstützen und dabei die eigenen Ingenieurdaten des Unternehmens verwenden, ohne unnötig sensible IP preiszugeben.

Dies ist eine der Kernideen hinter HOOPS AI. HOOPS AI bietet Entwicklern ein Framework zur Anwendung von maschinellem Lernen auf CAD-Daten in kontrollierten Ingenieurumgebungen. Anstatt CAD als generische Dateien zu behandeln, die anderswohin geschickt werden, unterstützt es Workflows, die auf den Realitäten von proprietären Ingenieur-Daten basieren.

Herausforderung 2: CAD-Daten können nicht wie Text oder Bilder gelesen werden

Selbst wenn die Sicherheitsbedenken überwunden sind, stoßen Entwickler von Fertigungsanwendungen auf das nächste Problem: CAD-Daten sind von Natur aus nicht lesbar für KI. 

Offensichtlich ist eine CAD-Datei nicht einfach ein Bild eines Teils. Die Datei enthält B-Rep-Geometrie, Topologie, Abmessungen, numerische Werte, strukturierten Text, Montageinformationen, Feature-Bäume, Metadaten und andere Ingenieurinformationen. Obwohl diese Struktur und Datenreichhaltigkeit CAD nützlich machen, erschwert sie es auch für allgemeine KI-Systeme, CAD direkt zu interpretieren.

Ingenieure interagieren mit einem CAD-Modell erst, nachdem ihre gewählte Software die Datei gelesen, die Geometrie interpretiert, die Form gerendert und Werkzeuge zur Inspektion bereitgestellt hat. Maschinelle Lernsysteme benötigen ihre eigene Version dieser Übersetzungsschicht. Die Geometrie und Struktur des Modells muss in Darstellungen umgewandelt werden, die für die Modellierung, Inferenz- und Bewertung trainierbar sind.

Für Entwickler bedeutet das dass eine praktische KI-Infrastruktur für Ingenieuranwendungen CAD-Zugriff, CAD-Interpretation, Umwandlung in maschinenlernfreundliche Formate und eine Möglichkeit für Menschen, Ergebnisse mit der ursprünglichen Geometrie zu überprüfen, benötigt. 

HOOPS AI ist darauf ausgelegt, diesen Workflow zu unterstützen. Das Toolkit kann CAD-Daten lesen und in tensorbereite Darstellungen für maschinelles Lernen umwandeln. Es enthält auch Visualisierungsfunktionen, damit Benutzer CAD-Daten im Kontext inspizieren und maschinelle Lernergebnisse bewerten können.

Dieser Überprüfungsschritt ist wichtig. KI wird Fehler machen und Ingenieurteams brauchen einen Weg, um Ausgaben zu überprüfen, bevor sie Design-, Fertigungs- oder Inspektionsentscheidungen beeinflussen.

HOOPS AI unterstützt auch CAD-spezifische maschinelle Lernansätze wie UV-Net und bietet Entwicklern einen praktischen Ausgangspunkt, um mit BRep-Geometrie und Topologie zu arbeiten.

HOOPS AI unterstützt UV-Net, was Entwicklern einen praktischen Ausgangspunkt bietet, um mit BRep-basiertem maschinellem Lernen zu experimentieren, ohne diese Basis von Grund auf neu entwickeln zu müssen.

Herausforderung 3: KI-Ergebnisse müssen zu realen Ingenieur-Workflows passen

Die dritte Herausforderung für Entwickler tritt auf, nachdem das von ihnen erstellte KI-Tool ein Ergebnis liefert.

In der Fertigung muss eine nützliche Ausgabe in den nächsten Schritt eines komplexen, kundeninformierten Workflows passen. Das kann Designprüfung, Simulation, CAM, Inspektion, Dokumentation, Datenaustausch oder weitere Bearbeitung durch einen Ingenieur bedeuten.

Hier können viele KI-Demos irreführend sein. Ein visuell plausibles 3D-Ergebnis mag beeindruckend sein, aber Fertigungsteams benötigen mehr als nur eine Form auf dem Bildschirm. Sie benötigen Ergebnisse, die überprüft, vertraut und in den bereits bestehenden Systemen verwendet werden können, die Ingenieur- und Produktionsprozesse steuern.

Das ist besonders wichtig in den CAD-gesteuerten Workflows, die in der Fertigung üblich sind. Wenn KI ein ähnliches Teil identifiziert, ein Modell klassifiziert, eine Designänderung vorschlägt oder eine Fertigungsentscheidung unterstützt, benötigen Ingenieure Zugriff auf die zugrunde liegenden CAD-Daten und eine Möglichkeit, das Ergebnis im Kontext zu bewerten. Das System muss die Verbindung zwischen der KI-Ausgabe und der dahinterstehenden Geometrie, den Metadaten und der ingenieurtechnischen Bedeutung bewahren.

Für Entwickler lautet die Anforderung praktisch: KI-Workflows müssen sich wieder mit CAD-, Visualisierungs- und Datenaustauschinfrastrukturen verbinden. Ohne diese Verbindung riskiert KI, zu einer losgelösten Schicht anstatt zu einem nützlichen Teil des Ingenieurprozesses zu werden.

Dies ist der Punkt, an dem das breitere Toolkit-Portfolio von Tech Soft 3D wichtig wird. HOOPS Exchange unterstützt den Zugriff auf CAD-Daten und die Übersetzung über wichtige Ingenieurformate hinweg, während HOOPS AI die Seite des maschinellen Lernens von CAD-Workflows unterstützt. Zusammen helfen diese Fähigkeiten Entwicklern, KI-gestützte Anwendungen zu entwickeln, die in echten CAD-Daten verankert sind, anstatt isolierte KI-Demos zu sein.

Für Teams, die über CAD-basiertes maschinelles Lernen hinaus und in AI-unterstützte CAD-Generierung nachdenken, verkauft Tech Soft 3D auch Parasolid, Der weltweit führende 3D-geometrische Modellierungskern. Parasolid kann robuste prozedurale CAD-Erstellung für Anwendungen unterstützen, die bearbeitbare, downstream-bereite Geometrie erstellen müssen.

Praktische KI in der Fertigung beginnt mit der richtigen Dateninfrastruktur

KI in der Fertigung wird nicht nur durch die Modellqualität definiert, sondern auch durch die Fähigkeit, ob KI-Systeme sinnvoll mit den Daten arbeiten können, die in der Fertigung tatsächlich verwendet werden.

Dies umfasst jeden Teil der CAD-Daten, einschließlich B-Rep, Ingenieurstruktur, menschlicher Überprüfung, downstream-Kompatibilität und das angesammelte Wissen, das jedes Produkt und jeden Prozess eines Herstellers einzigartig macht.

Für Softwareentwickler sind diese Anforderungen schwer von Grund auf zu erstellen. CAD-Zugriff, Geometrieverarbeitung, Visualisierung, Vorbereitung für maschinelles Lernen und Interoperabilität sind allesamt komplexe technische Bereiche. Sie in einen zuverlässigen KI-Workflow zu integrieren, kann schnell zu einem großen Entwicklungsengpass werden.

HOOPS AI wurde entwickelt, um Entwicklern bei der Bewältigung dieser Herausforderung zu helfen.Dieses Toolkit unterstützt Workflows für maschinelles Lernen mit CAD-Daten und bietet Teams eine Grundlage, um praktische KI-Funktionen in Ingenieur- und Fertigungsanwendungen zu integrieren.

Bereit, mehr über HOOPS AI zu erfahren?

Bei weitem die beste Möglichkeit, zu erkunden, wie HOOPS AI Ihrer Organisation helfen kann, maschinelles Lernen mit CAD-Daten anzuwenden und dabei sensible Ingenieursinformationen zu schützen, ist ein Gespräch mit uns.

Kontaktieren Sie unser Team um zu erfahren, wie HOOPS AI, HOOPS Exchangeund Parasolid in eine umfassendere Ingenieur-KI-Strategie passen können.

Wenn Sie erkunden möchten, wie die Toolkits von Tech Soft 3D Ihnen helfen können, mit einer schnelllebigen Branche Schritt zu halten, kontaktieren Sie uns, um mehr zu erfahren.

FAQs zu KI, CAD-Daten und Fertigungsanwendungen