30.08.2021 – Kategorie: Konstruktion & Engineering

KI in der Produktentwicklung: Schneller vom Entwurf zur Fertigung

KI in der ProduktentwicklungQuelle: Hyundai
Schon längst hat die künstliche Intelligenz (KI) den Weg aus den Forschungslaboren in die Praxis angetreten. Auch in der Produktentwicklung setzt man große Hoffnungen in sie. Die Softwareanbieter reagieren mit…

Sechs Experten erläutern, wie sich KI in der Produktentwicklung und Konstruktion nutzbringend einsetzen lässt und welche Fallstricke zu vermeiden sind.

Die Fragen:

  1. Was bedeutet künstliche Intelligenz für Sie?
  2. Inwiefern können Produktentwicklung und Konstruktion von den entsprechenden Lösungen profitieren?
  3. Was sollten Unternehmen beachten, damit sich der Einsatz von KI-Lösungen für sie rechnet?

KI in der Produktentwicklung: Das sagen die Experten

KI in der Produktentwicklung
Bild: Ansys

Günther Hasna, Manager Application Engineering bei Ansys

1. Künstliche Intelligenz bedeutet für mich vor allem das Erstellen von Software-Algorithmen durch maschinelles Lernen (ML). Der Vorteil der künstlichen Intelligenz ist, dass sie in sehr großen Datensätzen schnell bestimmte Muster erkennt. Diese Mustererkennung und die effiziente Behandlung großer Datenmengen bietet eine großartige Gelegenheit, den Mensch zu entlasten, für den diese Aufgaben nur nach langer Erfahrung und unter großem Zeitaufwand zu bewältigen sind.

2. Bei der Entwicklung von Algorithmen für die Fußgängererkennung von autonomen Fahrzeugen ist in der Regel Spezialwissen erforderlich, um zum Beispiel zu bewerten, welche Parameter in einem mehrdimensionalen Datenfeld nötig sind, um ein Radarsignal eines Fußgängers von dem eines anderen Objektes zu unterscheiden. Sind genügend Messdaten vorhanden, kann ein neuronales Netzwerk leicht mit den Inputdaten trainiert werden. Ein erfolgreicher Einsatz solcher Algorithmen findet beispielsweise bei der Fehlererkennung in der industriellen Produktion statt. Es ist hier einfach, Unterscheidungen zwischen guten und schlechten Teilen zu treffen, ohne dass man sich über die genauen physikalischen Parameter, die für diese Unterscheidung notwendig sind, Gedanken machen muss.

3. Die Qualität der Lerndaten ist entscheidend, um einen sicheren Algorithmus zu programmieren. Bei der Erstellung von Lerndaten zur Erkennung von Verkehrsteilnehmern ist es zum Beispiel notwendig, dass diese auch den später verwendeten Sensoren entsprechen. Verwende ich Lerndaten auf Basis einer einfachen RGB Kamera, um Verkehrsteilnehmer zu erkennen, kann ich den dabei entstehenden Algorithmus nur eingeschränkt nutzen, wenn später die im Auto verwendeten Kamerasensoren auch den Infrarotanteil bewerten.

Ein weiterer Knackpunkt ist die Datensammlung. Werden zum Beispiel echte Fehlerbilder oder echte Fahrsituationen benötigt, um diesen Algorithmus zu trainieren, so ist es meist zeitaufwändig und teuer diese Daten zu erzeugen. Es ist dafür ein Prototyp des Fahrzeuges zusammen mit den Sensorprototypen notwendig. Hier bietet es sich an, Lerndaten synthetisch über physikalisch basierte Simulation in der frühen Entwicklungsphase unter dem Einsatz virtueller Prototypen zu erzeugen. Das ermöglicht eine agile und kostengünstige Entwicklung.

In manchen Fällen wie beim oben beschriebenen Fußgängerschutz oder bei der Steuerung von Kraftwerken verbietet sich der Einsatz von realen Messdaten sogar, da diese aus echten Unfällen entstehen müssten. Hier ist der Einsatz von physikalisch basierter Simulation zur Erzeugung synthetischer Daten alternativlos.


KI in der Produktentwicklung
Bild: Autodesk

Karl Osti, Sr. Industry Manager Manufacturing bei Autodesk

1. Mithilfe der künstlichen Intelligenz als einer Schlüsseltechnologie der digitalen Transformation sind wir in der Lage, die Zukunft der Fertigung zu gestalten. Dabei im Fokus: das generative Design., Diese Technologie, eine innovative Ausformung der künstlichen Intelligenz, macht es möglich, dass wir die Rechenleistung der Cloud und die Möglichkeiten des Machine Learnings bei der digitalen Produktentwicklung umfassend nutzen können. Das Resultat: Der Produktlebenszyklus wird beginnend bei der Erstellung eines Entwurfs bis hin zur Fertigung beschleunigt.

Damit zahlt das generative Design als Form der KI auf die Effizienz und Innovation verschiedener Prozesse ein. Anschauliche Beispiele: Elevate, das mit generativen Design entwickelte Ultimate Mobility Vehicle-Konzeptfahrzeug, die in Kooperation mit der Briggs Automotive Company entwickelte leichtgewichtige Fahrzeug-Felge sowie der im Jahr 2019 entwickelte AI-Chair als erster von Menschen und künstlicher Intelligenz gemeinsam gefertigte Stuhl.

2. Unternehmen sind bei ihrer digitalen Transformation mit wachsenden Herausforderungen konfrontiert, die zeit -und kosteneffizient gelöst werden sollten. Vor diesem Hintergrund bewährt sich der Einsatz von KI in der Produktentwicklung in besonderem Maße. So macht es das generative Design in Fusion 360 möglich, KI-basiert eine Vielzahl von Konstruktions- und Lösungsansätzen zu entwerfen, die nicht nur in Gewichtsreduzierungen der einzelnen Komponenten und einer Leistungsoptimierung resultieren, sondern auch die Aspekte der Bauteilkonsolidierung und der Nachhaltigkeit bedienen.

Das Ergebnis: Der Produktentwicklungsprozess wird durch KI vom Entwurf bis hin zur Fertigstellung und der permanenten Qualitätskontrolle auch nach Auslieferung schneller, effizienter und nachhaltiger. Auf sich ständig wandelnde Marktanforderungen und daraus resultierende Anpassungen während des Lebenszyklus eines Produkts kann ebenso reagiert werden, wie auf individuelle Kundenforderungen an ein Produkt, die mithilfe von KI passgenau umsetzbar sind.

KI in der Produktentwicklung
Der A.I. Chair von Philippe Starck, Kartell und Autodesk, der erste von Menschen und KI gemeinsam entwickelten Stuhl. Bild: Kartell

3. Für eine reibungslose Transformation eignet sich ein dreischrittiges Vorgehen. Zunächst wird mit dem Ersatz analoger Analysen durch digitale Daten eine Datengrundlage geschaffen. Es folgt die Optimierung hinsichtlich durchgängiger Prozesse, um Insellösungen zu vermeiden. Schließlich folgt die Transformationsphase, die Implementierung innovativer Daten- und Prozessansätze für neue Geschäftsmodelle.

KI-Lösungen sollten als Grundlage für das Implementieren weiterer Technologien wie das generative Design angelegt werden. Zudem sollte ein effektives Datenmanagement mit ihnen einher gehen, wie es beispielsweise durch cloud-basiertes Arbeiten und Bereitstellen von Datensätzen einhergeht. Denn: Die KI ist in ihrer Arbeit immer nur so gut, wie die ihr zur Verfügung stehenden Daten. Weiterhin zentral: eine produktive Zusammenarbeit von Mensch und Maschine.

KI in der Produktentwicklung sollte nicht in Konkurrenz zum Konstrukteur stehen. Vielmehr übernimmt sie beispielsweise im Rahmen des generativen Designs die Rechenleistung, über die hunderte von Entwurfsalternativen für ein Produkt entstehen können. Mehr, als ein einzelner Konstrukteur – zumal mit Blick auf die Zeit – entwickeln könnte. Zudem entlastet sie den Konstrukteur von Routineaufgaben, sodass sich dieser der kreativen Ausgestaltung sowie der ästhetischen Gestaltung seiner Ideen widmen kann.

Forschung zu KI in der Produktentwicklung ist die Zukunft

KI in der Produktentwicklung
Bild: Contact Software

Dr. Udo Göbel, Mitglied der Geschäftsführung und Leiter der Data Science Group bei Contact Software

1. Wissenschaftlich betrachtet, ist künstliche Intelligenz ein eigenständiger Forschungsbereich. Der Hype um das Thema hat in den letzten Jahren jedoch dazu geführt, dass der gesamte Bereich Data Science – also auch klassische Statistik und Machine Learning – in den Medien unter KI subsumiert wird. Durch den Erfolg von neueren Deep-Learning-Methoden ist der KI-Begriff einem starken Wandel unterworfen und nähert sich seiner Verwendung in der Öffentlichkeit immer stärker an. Dies spiegelt sich auch in entsprechenden Studiengängen wie Data Science wider, die heute alle drei genannten Bereiche umfassen.

2. Die KI-Forschung hat vor allem bei der Bilderkennung, Text- und Sprachverarbeitung Durchbrüche erzielt. Hier ist die Methode des Deep Learning anhand von großen vereinheitlichten Datensätzen vorangetrieben worden. Produktentwicklung und Konstruktion sind dagegen sehr spezielle Disziplinen, in denen solche Standarddatensätze nicht zur Verfügung stehen. Dennoch gibt es einige vielversprechende, schon untersuchte Fragestellungen, die zeigen, wo KI-Lösungen helfen könnten:

  • Finetuning von Simulationen (zum Beispiel Crash, Verformung, Strömungsdynamik): Angelernte Algorithmen ersetzen kostspielige und langwierige Detailsimulationen und beschleunigen die Produktoptimierung
  • Feedback aus Felddaten von Produktflotten: KI-gestützte Analysen dienen zur Qualitätssicherung und Verbesserung der Produkte (Closed-Loop-Engineering)
  • Ähnlichkeitssuche in CAD-Modellen beschleunigt Neu- oder Variantenkonstruktion
  • automatische Konstruktion per Klassifikation: Auswertung der CAD-Modelle zu einem Produkt mit bestimmten Funktionen und daraus Vorhersage des CAD-Modells zu einem gewünschten Design
  • Qualitätssicherung: automatische Klassifikation von verschiedenen Probe-Designs nach Fehlern oder Design-Schwächen.

3. KI bedeutet eine Kulturveränderung und Lernphase. Klar ist, dass Unternehmen in diesem Bereich investieren müssen, wollen sie nicht den Anschluss verlieren. Sie sollten aber nicht erwarten, dass sich der erste KI-Einsatz schnell rechnet. Wir empfehlen, mit kleinen Pilotprojekten zu starten und dann darauf aufzubauen.


Bild: Altair

Anthony Mc Loughlin, VP Sales Data Analytics EMEA, Altair

1. Datengetriebene Entscheidungsfindung durch KI hat für mich Game-Changing-Potenzial. Ich bin fest davon überzeugt, dass Ingenieure dieses Potenzial freisetzen werden. Warum – das können Sie in meinem Blogbeitrag „Game Changer“ auf LinkedIn erfahren.

2. Ich sehe drei Hauptbereiche, in denen große Hersteller durch Reduzierung von Kosten und Entwicklungszeit Einsparungen in zweistelliger Millionenhöhe sowie Umsatzsteigerungen erzielen können:

Erstens: Das Potenzial für eine drastische Reduzierung physischer Tests. Mithilfe der Datenautomatisierung können Testreihen reduziert werden, da Sie vergleichbare frühere Tests nutzen können, die heute aufgrund siloartiger Prozessstrukturen nicht auffindbar sind. Durch maschinelles Lernen (ML) lassen sich Daten aus bisher durchgeführten Tests und CAE-Simulationen auswerten. Darüber hinaus können ML und hybride Künstliche Intelligenz (KI) bei der Durchführung von Tests dabei helfen, anhand von Konstruktionsdaten und Know-how vorherzusagen, wo getestet werden soll und wo und wie viele Sensoren zu installieren sind.

Zweitens: Beschleunigung von Zertifizierungen und Design-Iterationen. Bei Designänderungen kann Data Science vorhersagen, wo Sie ‚simulieren‘ müssen, was die Anzahl der erforderlichen Neuzertifizierungen reduziert. ‚Digital Twin‘-Anwendungsfälle ermöglichen zum Beispiel die Nutzung von Betriebsdaten zur Verbesserung des Designs.

KI in der Produktentwicklung
Maschinelles Lernen und prädiktive Analysen liefern schnell Ergebnisse. Bild: Altair

Drittens: Reduzierung der Gewährleistungskosten & Qualitätsverbesserungen. Die Nutzung von Betriebs-, Lieferanten- und Konstruktionsdaten beschleunigt die Ursachenanalyse bei Qualitätsproblemen. Die Nutzung eines klassischen und bewährten Anwendungsfalls mit hochwertigen Daten und geringer Komplexität reduziert Garantiekosten und Vertragsstrafen. Entscheidend ist hier die Vision, die Macht der Datenanalyse in die Hände der Ingenieure zu legen, so dass diese nicht auf Datenwissenschaftler warten müssen.

3. Das A und O ist der Anwendungsfall: wählen Sie zu Beginn wichtige, bewährte Anwendungsfälle mit geringer Komplexität, z. B. aus dem Bereich Gewährleistung. Vor großen Investitionen führen Sie dann zunächst kurze Pilotstudien durch, um das Potenzial zu bestätigen. Der Schlüssel ist, Ihre Ingenieure mit einfachen No-Code-Lösungen zu Citizen Data-Analysten zu machen. Es geht nicht darum, wie skaliert wird, sondern wer skaliert wird.


  1. Was bedeutet künstliche Intelligenz für Sie?
  2. Inwiefern können Produktentwicklung und Konstruktion von den entsprechenden Lösungen profitieren?
  3. Was sollten Unternehmen beachten, damit sich der Einsatz von KI-Lösungen für sie rechnet?

Was ist wirklich möglich

Bild: Fraunhofer- Institut für Produk- tionstechnik und Automatisierung IPA

Prof. Dr.-Ing. Marco Huber, Leiter des Zentrums für Cyber Cognitive Intelligence CCI, Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

1. Bei der künstlichen Intelligenz geht es um das Lösen von Problemen, die vom Menschen intelligentes Handeln erfordern. Neben dem maschinellen Lernen, dem derzeit aktivsten Teilgebiet, sind auch Planungs- und Suchalgorithmen oder die Robotik Teil der künstlichen Intelligenz. KI ist ja bereits seit einigen Jahrzehnten ein Forschungsthema, aber erst in den letzten Jahren hat es aufgrund der verfügbaren starken Rechenleistungen und großen Datenmengen richtig Auftrieb erhalten. KI bietet sehr viele Chancen; allerdings ist der Weg von Forschungsergebnissen in die Praxis für Unternehmen oft noch herausfordernd, weil es an Wissen oder Ressourcen fehlt.

2. KI hat das Potenzial, Produkte schneller und kostengünstiger entwickeln und konstruieren zu können. So dreht sich ein Forschungsthema bei uns darum, dass KI in der Produktentwicklung dabei unterstützt, Produkt- oder Designvorschläge mittels generativer Algorithmen zu entwerfen. Eine andere Einsatzmöglichkeit ist der Entwurf topologisch optimierter Strukturen. Das Hauptproblem besteht darin, die jeweils richtige Struktur abzuleiten. Im Idealfall fertigt der Konstrukteur eine einfache Handskizze an, etwa ein Kräftediagramm, und ein KI-Verfahren erzeugt daraus eine optimale Topologie, etwa in Form von Michell-Strukturen.

Und schließlich bietet das Fraunhofer IPA das Tool ‚NeuroCAD‘: Konstrukteure können dort ihre Step-Dateien hochladen und NeuroCAD berechnet, ob sich das Bauteil im Produktionsprozess automatisiert vereinzeln lässt. Eine Heatmap zeigt, welche Bereiche des Bauteils einer Automatisierung hinderlich sind. So kann ein Konstrukteur noch im Planungsprozess Änderungen am Entwurf vornehmen, damit die automatisierte Produktion gelingt.

3. Nach meiner Erfahrung gibt es vier bedenkenswerte Punkte, damit sich KI-Lösungen in Unternehmen schnell rechnen:

  • klein anfangen, groß denken: Suchen Sie sich zuerst ‚Low-hanging fruits‘. So ergeben sich schnelle Ergebnisse, erste Erkenntnisse und damit Argumentationshilfen im Unternehmen. Mit dieser Erfahrung kann man größere Herausforderungen angehen.
  • Fangen Sie früh an: Identifizieren Sie frühzeitig sinnvolle Anwendungsmöglichkeiten für KI. Nutzen Sie kurze Entwicklungszyklen, um schnell voranzukommen und bei Schwierigkeiten agil gegensteuern zu können. So kommt man schnell zu Prototypen.
  • Achten Sie auf den Nutzen von KI in der Produktentwicklung: Letztlich steht und fällt ein KI-Projekt mit dessen Mehrwert. Lassen Sie die Fachabteilung das Thema vorantreiben und nicht unbedingt die IT-Abteilung.
  • Nehmen Sie alle mit: Vergessen Sie die Mitarbeitenden nicht. Wenn Sie diese von den Vorteilen eines KI-Projekts überzeugen können, verhindert das unnötige Blockaden.

Gerade wenn es Startschwierigkeiten oder Unklarheiten über Vorteile und Nutzen von KI für ein Unternehmen gibt, empfehle ich, Expertenrat einzuholen. Beispielsweise bietet das KI-Fortschrittszentrum der Fraunhofer-Institute IPA und IAO verschiedene Förderformate. Diese gehen auf Einsteigerfragen ein, bieten kurze Machbarkeitsstudien oder ermöglichen den Bau eines Demonstrators.


Bild: Hexagon

Dr. Tarik El Dsoki, Managing Director von MSC Software GmbH, Teil der Abteilung Manufacturing Intelligence von Hexagon

1. Künstliche Intelligenz (KI) und maschinelles Lernen (ML) ergänzen die physikbasierte Simulation perfekt und revolutionieren den Produktionsprozess. Smart Manufacturing ist der Weg, den die Industrie einschlägt, und wir setzen uns dafür ein, dass unsere Kunden auf die günstigste und effizienteste Weise diesen Weg gehen können. Physik- und datenbasierte Simulationen erfassen Daten, die physikbasierte Modelle allein nicht ausreichend schnell und genau erfassen können. Wir sehen eine Zukunft, in der alle Bereiche der Produktionsprozesse zusammenarbeiten, um die bestmögliche Lösung durch den Einsatz von KI- und ML-gestützten Simulationen und Modellierungen zu erreichen.

2. In der Designphase bietet KI in der Produktentwicklung die Möglichkeit, viel größere High-Fidelity-Modelle zu simulieren und die Effizienz des gesamten Arbeitsablaufs kosteneffektiv zu steigern. Durch die Anwendung von maschinellem Lernen können digitale Zwillinge die gesamte End-to-End-Produktentwicklung erheblich verbessern. Zum Beispiel kann das Verständnis dafür, wie sich die Eigenschaften eines Materials während des Fertigungszyklus verändern, die Entwicklungszeit und die Menge des verwendeten Materials verringern.

3. Die Kombination aus Computer Aided Engineering (CAE) und Simulationssoftware für computergestützte Designwerkzeuge wird zunehmend zu einem grundlegenden Bestandteil der technischen Simulation. Im Hinblick auf die CAE hat KI in der Produktentwicklung das Potenzial, die Entwicklung bestimmter Tools zu beschleunigen, die es auch Nicht-Fachleuten ermöglichen, anspruchsvolle Simulationsverfahren zu nutzen. Dadurch steigt ihre Produktivität, die notwendigen Rechenkapazitäten für die Simulationen werden optimiert und der Produktentwicklungsprozess verbessert. Designingenieure können mit KI die immer komplexer werdenden Probleme, mit denen sie heute konfrontiert sind, lösen.

Lesen Sie auch: Produktentwicklung in Unternehmen: Industrieumfrage zeigt beachtliche Lücken


Teilen Sie die Meldung „KI in der Produktentwicklung: Schneller vom Entwurf zur Fertigung“ mit Ihren Kontakten:

Scroll to Top