Open-Source-Datenbank: Mechanische 3D-Teile für maschinelles Lernen

Anbieter zum Thema

Mensch und Maschine Akademie

SolidCAM GmbH

BCS CAD + INFORMATION TECHNOLOGIES GmbH

Maschinenbauingenieure der Purdue University haben eine kommentierte Open-Source-Datenbank mit rund 58'000 mechanischen 3D-Teilen erstellt.

• Forscher im Bereich Computer Vision verwenden maschinelles Lernen, um Computer im visuellen Erkennen von Objekten zu schulen.

• Nur sehr wenige wenden die entsprechenden Verfahren auf mechanische Teile wie Getriebe, Lager, Bremsen, Kupplungen, Motoren, Muttern, Bolzen und Unterlegscheiben an.

• Mit Hilfe einer neuartigen Open-Source-Datenbank soll sich das nun ändern.

Ein Team von Maschinenbauingenieuren der Purdue University hat die erste umfassende, kommentierte Open-Source-Datenbank mit mehr als 58'000 mechanischen 3D-Teilen erstellt, die Forschern helfen soll, maschinelles Lernen auf diese Teile in realen Maschinen anzuwenden.

"Wir befinden uns in der Ära des maschinellen Lernens, in der wir Computer benutzen, um visuell nach Dingen zu suchen", sagte Karthik Ramani, Donald W. Feddersen Distinguished Professor of Mechanical Engineering an der Purdue University. "Aber niemand konzentriert sich auf die Teile, die in Maschinen eingebaut sind: Rohre, Lager, Motoren, Unterlegscheiben, Muttern und Bolzen usw. Das sind die Dinge, die für uns als Ingenieure und Hersteller wichtig sind. Wir wollen in der Lage sein, eine Kamera auf ein Teil aus der realen Welt zu richten und den Computer alles über dieses Teil oder diese Konstruktion sagen zu lassen.

Ramanis Team experimentierte Anfang der 2000er Jahre mit der visuellen Suche nach Teilen, aber Rechenleistung und maschinelle Lernverfahren waren noch nicht weit genug fortgeschritten. In den folgenden Jahren haben die Forscher gelernt, dass es beim Aufbau eines soliden Datensatzes gleichermaßen auf Qualität und Quantität ankommt.

"Deep Learning ist datenhungrig", sagte Ramani. "Es braucht viele Beispiele, damit der Computer lernt, was Menschen meinen und wie die Dinge miteinander zusammenhängen. Das heißt, wir brauchten eine Menge 3D-Modelle von Teilen, die auch eine zugrunde liegende technische Klassifizierung erforderten".

Mehr als 58'000 Komponenten

Das Team initiierte eine Partnerschaft mit der französischen Firma TraceParts, die den Purdue-Forschern Zugang zu ihrer Datenbank mit 3D-Bauteilen verschaffte. Das Team arbeitete mit dem Assistenzprofessor Qixing Huang der University of Texas, Austin, zusammen, um andere Datenbanken nach ähnlichen 3D-Modellen zu durchsuchen. Am Ende stellten sie eine Datenbank mit 58'696 mechanischen Komponenten zusammen. Ein Video ist auf YouTube verfügbar.

Aber eine Datenbank ist nicht viel wert ohne gute Daten. Ramanis Team organisierte die Teile, indem es eine hierarchische Taxonomie von 68 Klassen erstellte, die auf der IInternational Classification for Standards basierte, einem System technischer Standards, das von der Internationalen Organisation für Normung ISO erstellt und gepflegt wird.

"Wenn ein Computer jetzt ein Bild eines Dichtungsbauteils sieht, weiß er, dass es in die Kategorie der dynamischen Dichtungen und dann, genauer gesagt, unter Verbundstoffdichtungen passt", sagte Ramani.

Open-Source-Datenbank veröffentlicht

Die Forscher haben jetzt ihre Open-Source-Datenbank veröffentlicht und laden Forscher aus den Bereichen Computer Vision und maschinelles Lernen ein, darauf zuzugreifen und ihre eigenen Experimente zu erstellen. Sie stellten ihre Arbeit auf der 16. Europäischen Konferenz über Computer Vision im August vor.

Nachdem nun ein Benchmark-Datensatz erstellt wurde, wie sieht die Zukunft des maschinellen Lernens für die Herstellung von Maschinen aus?

"Wir sehen viele Situationen in der realen Welt für diese Technologie", sagte Ramani. "Stellen Sie sich vor, Sie arbeiten in der Instandhaltung in einer Fabrik und ersetzen einen Teil einer Maschine. Sie können eine Kamera auf das Teil richten, und der Computer wird es erkennen und Ihnen sofort alle Spezifikationen dieses Teils mitteilen - wie es genannt wird, woran es angeschlossen ist und wo es in der Fabrik physisch gelagert ist. Dies könnte sogar durch eine Augmented-Reality-Brille geschehen; Sie könnten den gesamten visuellen Katalog Ihres Unternehmens sofort zur Hand haben und lernen, wie man Dinge repariert oder Teile bestellt.

Erster Benchmark-Datensatz für mechanische 3D-Teile

"Es gibt viele Herausforderungen beim maschinellen Lernen. Aber Sie können die Herausforderung nicht meistern, wenn Sie nicht wissen, wie Sie testen können, wie gut Sie sich machen. Wir sind stolz darauf, den weltweit ersten groß angelegten Benchmark-Datensatz kommentierter mechanischer 3D-Komponenten erstellt zu haben, und wir hoffen, die visuelle Suche in der Ära des maschinellen Lernens voranzubringen.

Diese Forschung wird am Convergence Design Laboratory der Purdue University durchgeführt. Die Arbeit wird teilweise von der National Science Foundation im Rahmen der Zuschüsse FW-HTF 1839971, OIA 1937036 und CRI 1729486 unterstützt.

Bild oben: Eine neue Open-Source-Datenbank würde Ingenieuren und Herstellern helfen, maschinelles Lernen auf mechanische Teile anzuwenden. (Bildquelle: Purdue University/Sangpil Kim)

Weitere Informationen: https://www.purdue.edu/

Erfahren Sie hier mehr über Verzahnungsteile aus Kunststoff.

Lesen Sie auch: "Additive Fertigung: Mit Visualisierungssoftware Prozessdaten stets im Blick"