Entwurfsmethoden

Digitale Entwurfsmethoden

Teil I: Digitale Entwurfsmethoden

Was ist Entwurf und warum überhaupt?
Aufgabe 1: Digitalisierung des Entwurfs

  • Voraussetzungen zur Automatisierung des Produktentwurfs:

    • Bewertungsproblem I: Produkte, die gut aussehen müssen, stellen aufgrund der Schwierigkeit, "Schönheit" quantitativ zu bewerten, eine Herausforderung dar.

    • Bewertungsproblem II: Physikalische Eigenschaften von Produkten können oft nicht simuliert werden:

      • Aerodynamik und Thermodynamik (Strahlung, Konvektion, Wärmeleitung) sind komplex.

      • Lebensdauer und Haltbarkeit mechanischer Bauteile sind schwer vorherzusagen, da Mikrorisse entstehen können, die nicht simulativ aufgelöst werden können.

      • Umweltfaktoren wie Korrosion sind schwer vorhersagbar.

      • Simulationsmethoden müssen mit Messungen kalibriert werden.

      • Emissionsvorhersagen sind schwierig, da kleine Veränderungen einen großen Einfluss haben können (z.B. Grat am Spritzloch).

      • Große Verformungen oder Crash-Situationen sind ebenfalls schwer vorausberechenbar.

    • Fluch der Dimension: Entwurf komplexer Systeme führt zu einer Vielzahl potenzieller Ausprägungen, was hohe Anforderungen an Rechenleistungen stellt.

    • Exponentielle Beziehung: Anzahl der Parameterkombinationen (M) steigt exponentiell mit der Anzahl der Parameter (P) an, wenn N Stufen pro Parameter betrachtet werden: (M = N^P).

Aufgabe 2: Wissensbereiche im Entwurf

  • Wissensbereiche am Beispiel eines Smartphones:

    • Knowledge: Relevante technische Daten wie Speichergröße, Prozessorgeschwindigkeit, etc.

    • Ability: Benutzerfreundlichkeit, Reparaturfreundlichkeit, etc.

    • Believe: Ästhetik, gesellschaftlicher Status, etc.

  • Objektive Bewertbarkeit:

    • Wissen ist am leichtesten messbar, gefolgt von Fähigkeiten. Glaubenssätze sind schwer zu quantifizieren.

Aufgabe 3: Produktlebenszyklus

  • Phasen des Produktlebenszyklus:

    • „Geburt“: Identifizierung von Marktchancen und Marktanalyse.

    • Machbarkeit: Überprüfung der finanziellen und strukturellen Möglichkeiten für die Entwicklung.

    • Anforderungsanalyse: Detaillierte technische und rechtliche Anforderungen festlegen.

    • Konzeptentwurf: Materialwahl und erste Entwurfszeichnungen erstellen.

    • Detailentwurf: CAD-Modelle erstellen, statische Berechnungen durchführen.

    • Design Freeze: Erstellung eines virtuellen Prototyps, um die Produktion zu simulieren.

    • Fertigung und Betrieb: Überwachung der Produktionskosten und Konstruktionseffizienz,betriebliche Belange.reg

    • Lebensende: Abwicklung, Abriss und Recycling des Produkts.

Aufgabe 4: Produktlebenszykluskosten

  • Gesamtübersicht der Kosten:

    • Entwicklungskosten, Testkosten, Fertigungskosten, Logistikkosten, Vertriebskosten, Werbungskosten, Betriebskosten.

    • 80% der Produktlebenszykluskosten werden in den ersten 20% des Lebenszyklus (F&E-Phase) festgelegt.

    • Wichtige Entscheidungen in der Entwurfsphase haben große Auswirkungen auf spätere Kosten.

Digitale Entwurfmethodik in der Praxis

Ausgangspunkt

  • Mit der Digitalisierung der Entwurfsphase können 80% der Lebenszykluskosten optimiert werden.

Problemstellungen der Digitalisierung

  1. Abbildung digitaler Anforderungen

  2. Digitale Übersetzung physikalischer Eigenschaften in Produkteigenschaften

  3. Konzeptkonstruktion digital umsetzen

  4. Simulation/Verifikation digital integrieren.

Entwurfsautomatisierung

  • Verschiedene Ansätze zur Automatisierung:

    • Programmierparadigmen:

      • Imperative Programmierung, strukturierte Programmierung, prozedurale Programmierung, funktionale Programmierung, deklarative Programmierung.

    • Beispiel eines Codes zur Addition zweier Zahlen in verschiedenen Programmierparadigmen veranschaulicht diese Ansätze.

Anwendungsbeispiel: Digitaler Entwurf einer Brücke

CAD-Konstruktion

  • Infrastruktur/Werkzeuge:

    • Betriebssystem: Ubuntu

    • IDE: Eclipse + CDT

    • Programmiersprache: C++

    • CAD-Bibliothek: OpenCASCADE.

/

Parametrik vs. Topologie

  • Topologie: Beziehungen zwischen topologischen Elementen.

  • Parametrik/Geometrie: Form und Lage von geometrischen Strukturen im Raum.

Algorithmisches Konstruieren

  • Fehleranalyse bei Verwendung von ChatGPT für Geometriegenerierung entdeckt.

  • Manuelle Konstruktion wegen unzureichender Ergebnisse notwendig.

Datenaustausch

  1. DATENAUSTAUSCH MIT CAD: Einfache Beschreibung der Interaktion zwischen JAVA und CAD-Datenaustauschdateien.

Optimierung

  • Ziele der Optimierung: Gewicht reduzieren, Materialspannung minimieren, etc.

Einzel- und Multizieloptimierung

Einzelzieloptimierung:

  • Fokus auf die Maximierung oder Minimierung eines einzigen Ziels.

  • Beispiele umfassen die Minimierung von Produktionskosten oder die Maximierung der Produktqualität.

  • Der Prozess ist oft einfacher zu handhaben, da nur ein Ziel berücksichtigt wird.

Multizieloptimierung:

  • Berücksichtigt mehrere Zielgrößen gleichzeitig, auch wenn diese in Konflikt stehen können.

  • Permittiert eine gleichzeitige Betrachtung aller Zielgrößen, was zu einer ganzheitlicheren Lösung führen kann.

  • Ein Beispiel hierfür ist die gleichzeitige Minimierung von Abgasemissionen und Druckverlusten bei der Optimierung eines Produkts.

  • Die Visualisierung der Interaktionen zwischen Zielgrößen kann komplex sein, jedoch bietet es tiefere Einblicke in das Design und ermöglicht, dass verschiedene Einschränkungen in die Entscheidungsfindung einfließen

    Einzieloptimierung vs. Multizieloptimierung:

    • Die Multizieloptimierung ermöglicht eine gleichzeitige Betrachtung aller Zielgrößen, auch wenn diese sich widersprechen.

    • Beispielbild zeigt Interaktion zwischen Abgasemission und Druckverlust bei Multizieloptimierung.

Genetischer Algorithmus

Ein genetischer Algorithmus ist ein Optimierungsverfahren, das auf den Prinzipien der natürlichen Selektion und genetischer Evolution basiert. Er wird in der Regel verwendet, um Lösungen für komplexe Probleme zu finden, die eine große Anzahl möglicher Lösungen haben.

Hier sind die grundlegenden Schritte eines genetischen Algorithmus:

  1. Initialisierung: Beginnen Sie mit einer Startpopulation von zufällig generierten Lösungen (Konfigurationen).

  2. Bewertung: Jede Konfiguration wird anhand einer Bewertungsfunktion evaluiert, die bestimmt, wie gut es die Problemstellung löst.

  3. Selektion: Wählen Sie erfolgreiche Konfigurationen aus, um eine neue Generation zu bilden (Kinder).

  4. Kreuzung (Crossover): Kombinieren Sie Teile von zwei oder mehr Konfigurationen, um neue Kinder zu erzeugen. Dies kann helfen, gute Eigenschaften von Eltern in die Nachkommen zu übertragen.

  5. Mutation: Führen Sie zufällige Veränderungen an den Kindern durch, um die Vielfalt in der Population zu erhöhen und die Möglichkeit zu bieten, neue Lösungsmöglichkeiten zu entdecken.

  6. Wiederholung: Gehen Sie zurück zu Schritt 2 und wiederholen Sie den Prozess über mehrere Generationen, bis eine optimale oder zufriedenstellende Lösung erreicht wird.

Genetische Algorithmen sind besonders nützlich, wenn die Lösungsräume groß und komplex sind, und werden in verschiedenen Bereichen wie Ingenieurwesen, Wirtschaft, Biologie und Computerwissenschaften eingesetzt.