DE102023003193A1

DE102023003193A1 - System und Verfahren für den Entwurf von Strukturelementen eines Fahrzeugs unter Verwendung generativer adversarialer Netzwerke

Info

Publication number: DE102023003193A1
Application number: DE102023003193.3A
Authority: DE
Inventors: Harish Ramachandrappa; Vinit Adarkar; Jayanthraj Mohanraj; Rangaraj Pandurangan
Original assignee: Mercedes Benz Group AG
Current assignee: Mercedes Benz Group AG
Priority date: 2022-08-19
Filing date: 2023-08-03
Publication date: 2024-02-22

Abstract

Die vorliegende Offenbarung bezieht sich auf ein System und ein Verfahren zum Entwerfen von Strukturelementen eines Fahrzeugs, wobei in Schritt 602 Randbedingungen empfangen werden, die sich auf ein bestimmtes Strukturelement beziehen, wobei die Randbedingungen sich auf Spezifikationen und Anforderungen beziehen, die dem Strukturelement zugeordnet sind. Ferner umfasst es, in Schritt 604 die Eingabe zu verfeinern, indem die Tiefentrennung, die Prioritätssequenz, der Abschnittsmodul und der Dreipunkt-Durchbiegungstest berücksichtigt werden. Des Weiteren umfasst es, in Schritt 606, die Entwicklung eines neuen Abschnitts des Strukturelements unter Verwendung der benutzerdefinierten Verlustfunktion und des konditionierten GAN-basierten optimierten Konzeptentwurfs und in Schritt 608 die Anzeige der Ausgabe bezüglich des entwickelten Abschnitts in verschiedenen Formaten, die Linien, Kurven, Punktwolken und Bilder. Schließlich wird in Schritt 610 die Ausgabe validiert, indem der Abschnitt einem Dreipunkt-Biegetest unterzogen wird, und die entsprechenden Ergebnisse werden aufgezeichnet, woraufhin validiert wird, ob die Ergebnisse zufriedenstellend sind.

Description

Die vorliegende Offenbarung bezieht sich auf das Gebiet des Strukturentwurfs eines Fahrzeugs. Insbesondere stellt die vorliegende Offenbarung ein System und ein Verfahren zum Entwurf von Strukturelementen eines Fahrzeugs unter Verwendung von generativen adversen Netzwerken (GANs) bereit.
Beim Entwurf eines Strukturelements/einer Komponente eines Fahrzeugs, wie z.B. eines Autos, eines Flugzeugs, eines Zugs usw., ist eine sehr hohe Genauigkeit und Präzision erforderlich, um die erforderlichen Leistungskriterien zu erfüllen. Der Entwurf und die Herstellung mehrerer Muster einer Komponente in verschiedenen Ausführungen, um die Konstruktion im Hinblick auf die geforderten Leistungskriterien zu validieren, würde jedoch dazu führen, dass viel Rohmaterial verschwendet wird und sowohl die Zeit als auch die Mühe, die für den Entwurf der Muster aufgewendet werden, umsonst sind.
Wenn ein Konstrukteur mit dem Entwurf einer neuen Komponente beginnt, führt er in der Regel einen Vergleich mit mehreren konkurrierenden Konstruktionen durch. Nach einer Reihe von Analysen, basierend auf seiner Erfahrung in der Produktentwicklung und den Anforderungen, kann er zu einer Schlussfolgerung über die grundlegende Geometrie der Komponente kommen. Darüber hinaus kann die Entscheidung bzw. die Geometrie nur während der CAE-Analyse validiert werden. Es handelt sich also um ein zeitaufwändiges und sehr risikoreiches Verfahren.
Daher wird derzeit, wie in 1 dargestellt, ein datengesteuertes Verfahren 100 verfolgt, um die oben genannten Probleme zu überwinden. Die Technik 100 enthält mehrere Schritte, wie in 1 dargestellt, einschließlich: Erkennen des Bedarfs an einer Komponente (hier auch als Produkt bezeichnet) in Block 102; Erfassen der Produktspezifikation und der Anforderungen in Block 104; und dann Formulierung eines entsprechenden Konzepts und Vorentwurfs in Block 106. Ferner werden in Block 108 Computer-Aided-Engineering- (CAE) Simulationen durchgeführt. Falls die Simulationen zufriedenstellend sind, wird in Block 110 die Detailkonstruktion und -entwicklung analysiert. Andernfalls werden Konzept und Vorentwurf erneut formuliert, und der Prozess wird so lange iteriert, bis die Simulationen zufriedenstellend ausfallen.
Nach der Analyse des detaillierten Entwurfs und der Entwicklung wird in Block 112 ein Prototyp gebaut, und dann wird in Block 114 der gebaute Prototyp getestet. Wenn das Testen des Prototyps erfolgreich ist, erfolgt die Produktionsfreigabe in Block 116. Ist der Test des Prototyps jedoch nicht erfolgreich, wird die Analyse des Feinentwurfs und die Entwicklung erneut durchgeführt. Es ist zu beobachten, dass das Verfahren sehr viele Schritte und Iterationen umfasst, was es sehr komplex macht. Außerdem wird bei der Durchführung des gesamten Prozesses viel Zeit verbraucht, was zu einer Verringerung der Effizienz des Prozesses führt.
Des Weiteren offenbart das Patentdokument JP2020173701A eine Formerzeugungsvorrichtung und ein Formerzeugungsverfahren, wobei Zielformdaten durch Eingabe des Zielleistungswertes in einen Teil des generativen Modells erzeugt werden, das durch Eingabe der Lernformdaten und des Lernleistungswertes, der den Lernformdaten entspricht, erhalten wird, und maschinelles Lernen eine Vielzahl von Malen durchgeführt wird. Das Erzeugungsmodell ist ein Codiermodul, das die Lernformdaten und den Lernleistungswert codiert, um eine Merkmalsmenge und die Lernformdaten durch Decodieren der Merkmalsmenge und des Lernleistungswertes zu erzeugen.
Das Patentdokument KR20210066729A offenbart ein Verfahren und System für optimales Design basierend auf Deep Learning, das eine Einheit zur Erfassung realer Daten, eine Einheit zur Extraktion von Designvariablen, eine Einheit zur Konstruktion von Zielfunktionen, einen Lernmodellgenerator und eine Einheit zur Extraktion von optimalen Designvariablen enthält. Die Realdatenerfassungseinheit erfasst tatsächliche Daten für ein Ziel, um ein Entwurfsmodell zu erstellen; und die Entwurfsvariablenextraktionseinheit, die die tatsächlichen Daten empfängt, die durch die Realdatenerfassungseinheit erhalten wurden, und Entwurfsvariablen unter Verwendung der tatsächlichen Daten extrahiert. Ferner ist die Zielfunktionskonstruktionseinheit dafür konfiguriert, die von der Entwurfsvariablenextraktionseinheit extrahierten Entwurfsvariablen zu empfangen und eine Zielfunktion basierend auf den Entwurfsvariablen zu konstruieren. Der Lernmodellgenerator empfängt die von der Entwurfsvariablenextraktionseinheit extrahierte Entwurfsvariable und die von der Zielfunktionskonstruktionseinheit konfigurierte Zielfunktion und erzeugt dementsprechend ein Lernmodell unter Verwendung der Zielfunktion und der Entwurfsvariablen. Die optimale Entwurfsvariablenextraktionseinheit empfängt die von der Entwurfsvariablenextraktionseinheit extrahierten Entwurfsvariablen und extrahiert optimale Entwurfsvariablen unter Verwendung der Entwurfsvariablen. Darüber hinaus ist ein Generator für ein optimales Entwurfsmodell konfiguriert, um das von dem Lernmodellgenerator erzeugte Lernmodell und die von dem Extraktor für optimale Entwurfsvariablen extrahierten optimalen Entwurfsvariablen zu empfangen und die optimalen Entwurfsvariablen auf das Lernmodell anzuwenden, um ein optimales Entwurfsmodell des Ziels zu erzeugen.
Das Patentdokument CN113139241A offenbart ein automatisches Verfahren zur Modellierung eines konzeptionellen Modells der Karosseriestruktur basierend auf einem Bild. Das Verfahren umfasst die Schritte des Erfassens harter Punkte einer Fahrzeugkarosserie in einem Bild durch Verwendung eines trainierten neuronalen Faltungsnetzwerkmodells gemäß einer zweidimensionalen Konstruktionsskizze eines bestimmten Fahrzeugtyps, wobei das Bild eine Seitenansicht und eine Draufsicht des Fahrzeugtyps umfasst, und dann des schnellen Erstellens eines dreidimensionalen Strukturkonzeptmodells des Fahrzeugtyps. Ferner umfasst das Verfahren den Schritt der Erstellung des konzeptionellen Karosseriestrukturmodells in einem dreidimensionalen CAD-Format gemäß der zweidimensionalen Konstruktionsskizze der Karosseriezeichnung.
Nicht-patentiertes Literaturdokument mit dem Titel „Deep Learning for Automated Product Design“ von Carmen Krahea et. al, veröffentlicht in Science Direct Band 91, 2020, offenbart einen Ansatz zur konditionierten Erzeugung von 3D-Objekten in Form von Punktwolken. Dazu besteht die Architektur aus einem Autoencoder (AE) und einem GAN, wobei der AE die 3D-Objekte zunächst in eine latente Repräsentation umwandelt und das GAN anschließend neue Objekte in Form von latenten Vektoren generiert, die um die Angabe bestimmter Objekteigenschaften erweitert wird. Ferner wird die Funktionalität des Ansatzes in einer Reihe von Experimenten validiert. Allerdings führt dieser Ansatz zu einer Vielzahl von Dimensionsfehlern, die sich negativ auf das Endergebnis auswirken.
Ein Nicht-Patent-Literaturdokument mit dem Titel „A Modeling Approach for Handling Qualities and Controls Safety Analysis of Electric Air Taxi Vehicles“ von Stefan Schuet, et al., das auf dem AIAA Aviation Forum vom 15. bis 19. Juni 2020 vorgestellt wurde, offenbart eine Methodik zur Erstellung von Lufttaxi-Fahrzeugmodellen mit verteiltem Elektroantrieb zur Verwendung bei der Analyse der Sicherheit von Flugsteuerungssystemen auf der konzeptionellen Entwurfsebene. Der Ansatz baut auf bestehenden Softwaretools auf, die in der Lage sind, auf Aeromechanik basierende lineare Störungsmodelle für Senkrechtstarter und Landefahrzeuge mit mehreren Rotoren auszugeben. Die Rotordrehmoment-Eingänge werden dann in äquivalente Spannungs-Steuereingänge umgewandelt, und die linearen Zustands- und Eingangsdynamik-Matrizen werden modifiziert, um die Elektromotor-Dynamik mit gemeinsamen Parametern für Gleichstromelektromotoren zu enthalten. Die lineare Störungsdynamik wird dann über mehrere Betriebspunkte zu einem quasi-linearen Parametervariationsmodell zusammengefügt, das den gesamten Flugbereich abdeckt. Ein Model Predictive Controller wird für die Verwendung mit dem Gesamtbereichsmodell entwickelt, und eine Kompromissanalyse zwischen Handhabungsqualität und Motoranforderungen wird demonstriert.
Während die zitierten Referenzen verschiedene Systeme und Verfahren für den Entwurf von Komponenten des Fahrzeugs offenbaren, besteht immer noch die Möglichkeit, ein effizienteres und intelligenteres System bereitzustellen, das minimale Schritte für den optimierten Entwurf sowie die Validierung von Komponenten des Fahrzeugs umfasst und somit den Zeitaufwand und die Komplexität beim Entwurf reduziert.
Eine allgemeine Aufgabe der vorliegenden Offenbarung besteht darin, ein System und ein Verfahren zur optimierten Konstruktion von Strukturelementen eines Fahrzeugs bereitzustellen.
Eine Aufgabe der vorliegenden Offenbarung besteht darin, ein datengesteuertes System und Verfahren bereitzustellen, das die Anzahl der Iterationen reduziert und die für die Konstruktion der Strukturelemente erforderliche Zeit verkürzt.
Eine weitere Aufgabe der vorliegenden Offenbarung besteht darin, ein System und Verfahren bereitzustellen, das die entworfenen Strukturelemente validiert.
Eine weitere Aufgabe der vorliegenden Offenbarung besteht darin, ein System und Verfahren bereitzustellen, das einen konditionierten GAN-basierten Ansatz zur Erstellung neuer Abschnitte der entworfenen Strukturelemente verwendet.
Eine weitere Aufgabe der vorliegenden Offenbarung besteht darin, ein System und Verfahren bereitzustellen, das sich selbst über eine kundenspezifische Verlustfunktion trainiert und aktualisiert.
Eine weitere Aufgabe der vorliegenden Offenlegung besteht darin, ein intelligentes, effizientes und einfaches System und Verfahren bereitzustellen, das eine optimierte Konstruktion der Strukturelemente ermöglicht.
Aspekte der vorliegenden Offenbarung beziehen sich auf das Gebiet der Strukturauslegung eines Fahrzeugs. Insbesondere stellt die vorliegende Offenbarung ein System und ein Verfahren zum Entwurf von Strukturelementen eines Fahrzeugs unter Verwendung von Generative Adversarial Networks (GANs) bereit.
Ein Aspekt der vorliegenden Offenbarung betrifft ein System zum Entwerfen eines Strukturelements eines Fahrzeugs, wobei das System eine Entwurfseinheit in Kommunikation mit einer Lernmaschine umfasst, wobei die Entwurfseinheit einen oder mehrere Prozessoren umfasst, wobei der eine oder die mehreren Prozessoren operativ mit einem Arbeitsspeicher gekoppelt sind, wobei der Arbeitsspeicher Anweisungen speichert, die von dem einen oder den mehreren Prozessoren ausgeführt werden können. Das System ist dafür konfiguriert, von einem Benutzer eine oder mehrere Randbedingungen des Strukturelements zu empfangen; aus den empfangenen Randbedingungen ein oder mehrere zeitliche Attribute zu extrahieren; und basierend auf einer vordefinierten Prioritätssequenz mindestens ein zeitliches Attribut aus dem extrahierten einen oder mehreren zeitlichen Attributen auszusondern. Ferner ist das System dafür konfiguriert, unter Berücksichtigung der abgesonderten zeitlichen Attribute einen optimierten Abschnitt des Strukturelements zu erzeugen.
In einem Aspekt kann das System dafür konfiguriert sein, den erzeugten Abschnitt zu validieren, indem der erzeugte Abschnitt einem Dreipunkt-Durchbiegungstest unterzogen wird.
In einem Aspekt kann das System dafür konfiguriert sein, die aus dem Dreipunkt-Durchbiegungstest erhaltenen Ergebnisse zu überwachen, wobei die Ergebnisse mit vordefinierten Ergebnissen abgeglichen werden können, wodurch der erzeugte Abschnitt dementsprechend validiert werden kann.
In einem anderen Aspekt kann das System für den Fall, dass die erhaltenen Ergebnisse nicht mit den vordefinierten Ergebnissen übereinstimmen, so konfiguriert sein, dass es den Abschnitt des Strukturelements basierend auf den empfangenen Randbedingungen, die sich auf das Strukturelement beziehen, neu erstellt.
In einem Aspekt kann das System dafür konfiguriert sein, unter Verwendung der Lernmaschine die zeitlichen Attribute zu analysieren, die aus den empfangenen einen oder mehreren Randbedingungen extrahiert wurden, und dementsprechend die verbleibenden der einen oder mehreren zeitlichen Attribute vorherzusagen.
In einem anderen Aspekt kann das System dafür konfiguriert sein, den erzeugten Abschnitt als eine beliebige oder eine Kombination von Linien, Kurven, Punktwolken und Bildern bereitzustellen.
In einem anderen Aspekt kann das System dafür konfiguriert sein, ein 3D-Modell des erzeugten Strukturelements durch Konvertierung in eine 2D-Punktwolke zu verarbeiten und die 2D-Punktwolken zum Erzeugen des optimierten Schnitts des Strukturelements weiterzuverwenden.
In einem anderen Aspekt kann die Lernmaschine eine Architektur eines konditionierten generativen adversen Netzwerks (GAN) enthalten.
In einem anderen Aspekt kann das System die Lernmaschine trainieren und aktualisieren, indem es verschiedene Klassen erzeugt und die konditionierte GAN-Architektur entsprechend entwickelt.
Ein weiterer Aspekt der vorliegenden Offenbarung bezieht sich auf ein Verfahren zum Entwerfen eines Strukturelements eines Fahrzeugs. Das Verfahren umfasst die folgenden Schritte: Empfangen einer oder mehrerer Randbedingungen des Strukturelements von einem Benutzer an einer Entwurfseinheit, die mit einer Lernmaschine kommuniziert; Extrahieren eines oder mehrerer zeitlicher Attribute aus den empfangenen Randbedingungen in der Entwurfseinheit; Aussondern, in der Entwurfseinheit, mindestens eines zeitlichen Attributs aus dem extrahierten einen oder mehreren zeitlichen Attributen basierend auf einer vordefinierten Prioritätssequenz; und Erzeugen, in der Entwurfseinheit, eines optimierten Abschnitts der Strukturelemente unter Berücksichtigung der ausgesonderten zeitlichen Attribute.
Verschiedene Aufgaben, Merkmale, Aspekte und Vorteile des erfindungsgemäßen Gegenstands werden aus der folgenden detaillierten Beschreibung bevorzugter Ausführungsformen zusammen mit den beigefügten Zeichnungen, in denen gleiche Ziffern gleiche Komponenten darstellen, deutlicher.
Die beigefügten Zeichnungen dienen dem weiteren Verständnis der vorliegenden Offenbarung und sind Bestandteil dieser Beschreibung. Die Zeichnungen zeigen beispielhafte Ausführungsformen der vorliegenden Offenbarung und dienen zusammen mit der Beschreibung zur Erläuterung der Grundsätze der vorliegenden Offenbarung.

1 zeigt ein Diagramm, das die Arbeitsweise eines herkömmlichen Systems zur Konstruktion eines Teils/einer Komponente darstellt.
2A zeigt ein beispielhaftes Diagramm, das die Netzwerk-Architektur des vorgeschlagenen Systems zum Entwurf eines Strukturelements eines Fahrzeugs darstellt, um dessen allgemeine Funktionsweise gemäß einer Ausführungsform der vorliegenden Offenbarung zu erläutern.
2B zeigt ein beispielhaftes Diagramm, das die Funktionsweise des vorgeschlagenen Systems gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
3 zeigt ein Blockdiagramm, das die Funktionseinheiten einer Entwurfseinheit des vorgeschlagenen Systems gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung darstellt.
4 zeigt ein beispielhaftes Diagramm, das den Datenfluss in dem vorgeschlagenen System gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung darstellt.
5 zeigt ein beispielhaftes Diagramm, das ein Strukturelement des Fahrzeugs darstellt, gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
6 zeigt ein beispielhaftes Diagramm, in dem die Arbeitsschritte des vorgeschlagenen Systems gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung dargestellt sind.
7 zeigt ein Flussdiagramm, in dem die Schritte dargestellt sind, die zur Erlangung eines optimierten Designs eines Strukturelements eines Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung gehören.
8 zeigt ein beispielhaftes Diagramm zur Erläuterung des maschinellen Lernansatzes, der in dem vorgeschlagenen System gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung verwendet wird.
9 zeigt ein Flussdiagramm, das den GAN-Ansatz bei der Durchführung einer binären Klassifizierung gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung darstellt.
10 zeigt ein Flussdiagramm, das das vorgeschlagene Verfahren zum Entwerfen eines Strukturelements eines Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung darstellt.

Es folgt eine ausführliche Beschreibung der in den begleitenden Zeichnungen dargestellten Ausführungsformen der Offenbarung. Die Ausführungsformen sind so ausführlich, dass die Offenbarung klar vermittelt wird. Jedoch soll die angebotene Ausführlichkeit die vorhersehbaren Variationen von Ausführungsformen nicht einschränken; im Gegensatz dazu wird beabsichtigt, alle Modifikationen, Äquivalente und Alternativen abzudecken, die in den Geist und den Umfang der vorliegenden Offenbarungen fallen, wie sie durch die beigefügten Ansprüche definiert sind.
Die hierin erläuterten Ausführungsformen beziehen sich auf das Gebiet des Strukturentwurfs eines Fahrzeugs. Insbesondere stellt die vorliegende Offenbarung ein System und ein Verfahren zum Entwerfen zweidimensionaler (2D) Abschnitte eines Strukturelements eines Fahrzeugs unter Verwendung eines bedingten GAN-Maschinenlernansatzes bereit. Die vorliegende Offenbarung ermöglicht ferner die Validierung der entworfenen Struktur unmittelbar nach Abschluss des Entwurfs, wodurch die Zeitspanne reduziert wird, die ein Konstrukteur im Falle einer CAE-Analyse möglicherweise warten muss, um sich über das Verhalten und die Funktion des entworfenen Strukturelements zu informieren.
Bezugnehmend auf 2A und 2B kann das vorgeschlagene System 200 dafür konfiguriert sein, ein Strukturelement eines Fahrzeugs basierend auf bereitgestellten Randbedingungen zu entwerfen, wobei das Strukturelement unter anderem einen Aufprallträger, eine Felge, ein Auspuffrohr und ein Lenkrad des Fahrzeugs, einschließlich eines Pkw, Lkw, Busses und dergleichen, enthalten kann.
Gemäß einer Ausführungsform kann das System 200 eine Entwurfseinheit 206 enthalten, die mit einer Lernmaschine 204 in Verbindung stehen kann. In einer beispielhaften Ausführungsform kann die Entwurfseinheit 206 einen oder mehrere Prozessoren zusammen mit einem Arbeitsspeicher enthalten, der eine oder mehrere von den Prozessoren ausgeführte Anweisungen speichern kann. Ferner kann die Lernmaschine 204 mit einer Architektur eines konditionierten generativen adversen Netzwerks (GAN) ausgestattet sein.
In einer Ausführungsform kann das System 200 beim Empfangen von Randbedingungen 222 dafür konfiguriert sein, eine oder mehrere Randbedingungen eines Strukturelements von einem Benutzer zu empfangen, wobei die eine oder mehreren Randbedingungen sich auf verschiedene begrenzende Einschränkungen beziehen können, wie z.B. Größenbereich, Festigkeitsanforderung, bevorzugtes Material usw. des zu entwerfenden Strukturelements und den Randbedingungen des Strukturelements zugeordnete Werte. In einer beispielhaften Ausführungsform kann der Benutzer die eine oder mehrere Randbedingungen über ein Eingabemodul 202 in das System 200 einspeisen, das in Form einer Tastatur, eines Touchpads, einer grafischen Benutzeroberfläche (GUI) und dergleichen ausgeführt sein kann. Ferner kann der Nutzer auch sein Smartphone kommunikativ mit dem System 200 koppeln, wobei das Smartphone als Eingabemodul 202 fungieren kann, über das der Nutzer die eine oder mehrere Randbedingungen in das System 200 eingeben kann. Es wird darauf hingewiesen, dass der Benutzer leicht andere solche mobilen Computervorrichtungen, die dem Smartphone ähnlich sind, z.B. Laptop, Tablet und dergleichen, mit dem System 200 koppeln kann, wobei die Vorrichtung als das Eingabemodul 202 fungieren kann.
In einer weiteren Ausführungsform kann das System 200 beim Extrahieren von zeitlichen Attributen 224 dafür konfiguriert sein, ein oder mehrere zeitliche Attribute aus den empfangenen Randbedingungen zu extrahieren. In einer beispielhaften Ausführungsform können das eine oder die mehreren zeitlichen Attribute unter anderem einen Crash-Widerstandswert, ein Materialkonzept, eine Begrenzungshüllkurve und ein Fahrzeugsegment enthalten. In einer Ausführungsform kann das System 200 dafür konfiguriert sein, unter Verwendung der Lernmaschine 204 die zeitlichen Attribute zu analysieren, die aus den empfangenen einen oder mehreren Randbedingungen extrahiert wurden, und dementsprechend die verbleibenden der einen oder mehreren zeitlichen Attribute vorherzusagen. Angenommen, dass beispielsweise von fünf erforderlichen zeitlichen Attributen nur drei zeitliche Attribute aus den empfangenen Randbedingungen extrahiert werden konnten. Dann kann das System 200 unter Verwendung der Lernmaschine 204 diese drei extrahierten zeitlichen Attribute analysieren und dementsprechend die verbleibenden zwei zeitlichen Attribute vorhersagen, die für den Entwurf des Strukturelements erforderlich sind.
In einer weiteren Ausführungsform kann das System 200 beim Trennen von Attributen 226 dafür konfiguriert sein, mindestens ein zeitliches Attribut von dem extrahierten einen oder mehreren zeitlichen Attributen basierend auf einer vordefinierten Prioritätssequenz zu separieren. In einer beispielhaften Ausführungsform kann die Prioritätssequenz erstellt werden, indem jedem der einen oder mehreren zeitlichen Attribute unterschiedliche vordefinierte Gewichtungen zugewiesen werden, und basierend auf diesen Gewichtungen kann das System 200 ein zeitliches Attribut gegenüber dem anderen aussondern und priorisieren. In einer weiteren beispielhaften Ausführungsform kann das System 200 die Lernmaschine trainieren und aktualisieren, indem es basierend auf der Aufteilung verschiedene Klassen erzeugt und entsprechend die konditionierte GAN-Architektur entwickelt. Darüber hinaus kann das System 200 auch die Klassen und die konditionierte GAN-Architektur verwenden, um eine Trennung von mindestens einem zeitlichen Attribut aus dem extrahierten einen oder mehreren zeitlichen Attributen durchzuführen.
In einer weiteren Ausführungsform kann das System 200 dafür konfiguriert sein, beim Erzeugen eines optimierten Abschnitts des Strukturelements 228 einen optimierten Abschnitt des Strukturelements zu erzeugen, indem die abgesonderten zeitlichen Attribute berücksichtigt werden. Das System 200 kann dafür konfiguriert sein, den erzeugten Abschnitt als eine beliebige oder eine Kombination von Linien, Kurven, Punktwolken und Bildern bereitzustellen. Darüber hinaus kann das System 200 dafür konfiguriert sein, ein 3D-Modell des erzeugten Strukturelements durch Konvertierung in eine 2D-Punktwolke zu verarbeiten und die 2D-Punktwolke zum Erzeugen des optimierten Schnitts des Strukturelements weiterzuverwenden. Ferner kann das System 200 auch dafür konfiguriert sein, eine Validierung des erzeugten Abschnitts durchzuführen.
In einer Ausführungsform kann die Entwurfseinheit 206 dafür konfiguriert sein, zusammen mit der Lernmaschine 204 eine benutzerdefinierte Verlustfunktion zu erzeugen, indem Wasserstein-GAN-Verlust und adaptives Gradientenclipping auf die zeitlichen Attribute angewendet werden. Die erzeugte benutzerdefinierte Verlustfunktion kann das Training und die Aktualisierung des Systems 200 erleichtern, indem sie unterschiedliche Klassen erzeugt und die konditionierte GAN-Architektur entsprechend entwickelt.
Gemäß einer Ausführungsform kann das System 200 ein Ausgabemodul 208, beispielsweise eine Anzeigeeinheit, enthalten, die operativ mit der Entwurfseinheit 206 gekoppelt sein kann, so dass die Anzeigeeinheit 208 konfiguriert werden kann, um den erzeugten optimierten Abschnitt des Strukturelements, seine Validierung und ein oder mehrere zeitliche Attribute sowie Randbedingungen anzuzeigen. In einer beispielhaften Ausführungsform kann die Anzeigeeinheit 208 in Form einer LED-Anzeigetafel, eines LCD-Anzeigemoduls und eines GUI-Moduls konfiguriert sein. In einer anderen beispielhaften Ausführungsform kann das System 200 operativ mit einem externen Vorrichtung wie einem persönlichen Laptop, einem Smartphone, einem Tablet oder einem anderen derartigen mobilen Computer gekoppelt sein, der allein als die Anzeigeeinheit 208 fungieren kann.
Gemäß einer Ausführungsform kann die Entwurfseinheit 206 über ein Netzwerk 210 mit dem Eingabemodul 202, der Lernmaschine 204 und der Anzeigeeinheit 208 in Verbindung stehen. Weiterhin kann das Netzwerk 210 ein drahtloses Netzwerk, ein kabelgebundenes Netzwerk oder eine Kombination davon sein, das als eine der verschiedenen Arten von Netzwerken implementiert werden kann, wie z.B. Intranet, Local Area Network (LAN), Wide Area Network (WAN), Internet, und dergleichen.
Weiterhin kann das Netzwerk 210 entweder ein dediziertes Netzwerk oder ein gemeinsam genutztes Netzwerk sein. Das gemeinsam genutzte Netzwerk kann eine Verbindung verschiedener Arten von Netzwerken darstellen, die eine Vielzahl von Protokollen verwenden können, z.B. Hypertext Transfer Protocol (HTTP), Transmission Control Protocol/Internet Protocol (TCPIIP), Wireless Application Protocol (WAP) und ähnliches.
In einer Ausführungsform kann das System 200 unter Verwendung einer beliebigen oder einer Kombination von Hardware-Komponenten und Software-Komponenten implementiert werden, wie z.B. eine Cloud, ein Server 212, ein Computersystem, ein Computervorrichtung, ein Netzwerkvorrichtung und dergleichen. Ferner kann die Gestaltungseinheit 206 mit anderen Komponenten des Systems 200 interagieren, und zwar über eine Website oder eine Anwendung, die sich in dem vorgeschlagenen System 200 befinden kann. In einer Implementierung kann auf das System 200 über eine Website oder eine Anwendung zugegriffen werden, die mit jedem Betriebssystem konfiguriert werden kann, einschließlich, aber nicht beschränkt auf, AndroidTM, iOSTM und dergleichen.
Bezugnehmend auf 3 zeigt das Blockdiagramm 300 eine beispielhafte Funktionseinheit der Gestaltungseinheit 206. Der/die eine oder mehrere Prozessoren) 302 kann/können als ein oder mehrere Mikroprozessoren), Mikrocomputer, Mikrocontroller, digitale Signalprozessoren, zentrale Verarbeitungseinheiten, Logikschaltungen und/oder beliebige Vorrichtungen implementiert werden, die Daten basierend auf Betriebsanweisungen manipulieren. Neben anderen Fähigkeiten sind der eine oder die mehreren Prozessoren 302 dafür konfiguriert, computerlesbare Anweisungen, die in einem Arbeitsspeicher 304 der Gestaltungseinheit 206 gespeichert sind, abzurufen und auszuführen. Der Arbeitsspeicher 304 kann eine oder mehrere computerlesbare Anweisungen oder Routinen speichern, die abgerufen und ausgeführt werden können, um die Dateneinheiten über einen Netzwerkdienst zu erstellen oder zu teilen. Der Speicher 304 kann jede nicht flüchtige Speichervorrichtung enthalten, beispielsweise flüchtige Arbeitsspeicher wie RAM oder nicht flüchtige Arbeitsspeicher wie EPROM, Flash-Speicher und dergleichen.
In einer Ausführungsform kann die Entwurfseinheit 206 auch eine Schnittstelle(n) 306 enthalten. Die Schnittstelle(n) 306 kann/können eine Vielzahl von Schnittstellen enthalten, zum Beispiel Schnittstellen für Dateneingabe- und -ausgabevorrichtungen, die als E/A-Vorrichtungen bezeichnet werden, Speichervorrichtungen und dergleichen. Die Schnittstelle(n) 306 kann/können die Kommunikation der Entwurfseinheit 206 mit verschiedenen mit der Entwurfseinheit 206 gekoppelten Vorrichtungen erleichtern. Die Schnittstelle(n) 306 kann/können auch einen Kommunikationspfad für eine oder mehrere Komponenten der Entwurfseinheit 206 bereitstellen. Beispiele für solche Komponenten enthalten, sind aber nicht beschränkt auf, Verarbeitungsmaschine(n) 308 und Datenbank 310.
In einer Ausführungsform kann die Verarbeitungsmaschine(n) 308 als eine Kombination aus Hardware und Programmierung (z.B. programmierbare Anweisungen) implementiert werden, um eine oder mehrere Funktionalitäten der Verarbeitungsmaschine(n) 308 zu implementieren. In den hierin beschriebenen Beispielen können solche Kombinationen aus Hardware und Programmierung auf verschiedene Weise implementiert werden. Beispielsweise kann es sich bei der Programmierung für die Verarbeitungsmaschine(n) 308 um prozessorausführbare Anweisungen handeln, die auf einem flüchtigen, maschinenlesbaren Speichermedium gespeichert sind, und die Hardware für die Verarbeitungsmaschine(n) 308 kann eine Verarbeitungsressource (z.B. einen oder mehrere Prozessoren) enthalten, um solche Anweisungen auszuführen.
In den vorliegenden Beispielen kann das maschinenlesbare Speichermedium Anweisungen speichern, die, wenn sie von der Verarbeitungsressource ausgeführt werden, die Verarbeitungsmaschine(n) 308 implementieren. In solchen Beispielen kann die Entwurfseinheit 206 das maschinenlesbare Speichermedium, das die Befehle speichert, und die Verarbeitungsressource zur Ausführung der Befehle enthalten, oder das maschinenlesbare Speichermedium kann getrennt, aber für die Entwurfseinheit 206 und die Verarbeitungsressource zugänglich sein. In anderen Beispielen kann die Verarbeitungsmaschine(n) 308 durch elektronische Schaltungen implementiert sein. Die Datenbank 310 kann Daten enthalten, die als Ergebnis von Funktionalitäten, die von einer der Komponenten der Verarbeitungsmaschine(n) 308 implementiert werden, entweder gespeichert oder erzeugt werden. In einer Ausführungsform kann die Verarbeitungsmaschine(n) 308 eine Trenneinheit 312, eine Einheit zum Erzeugen eines optimierten Abschnitts 314, eine Validierungseinheit 316 und andere Einheit(en) 318 enthalten. Die andere(n) Einheit(en) 318 kann (können) Funktionalitäten implementieren, die Anwendungen oder Funktionen ergänzen, die von der Entwurfseinheit 206 oder der (den) Verarbeitungsmaschine(n) 308 ausgeführt werden.
Gemäß einer Ausführungsform kann die Trenneinheit 312 mindestens ein zeitliches Attribut aus dem extrahierten einen oder mehreren zeitlichen Attributen basierend auf einer vordefinierten Prioritätssequenz aussondern. In einer beispielhaften Ausführungsform kann das System 200 trainiert und aktualisiert werden, indem basierend auf der Trennung unterschiedliche Klassen gebildet werden und dementsprechend die konditionierte GAN-Architektur entwickelt wird. Darüber hinaus kann das System 200 die Klassen und die konditionierte GAN-Architektur auch dazu verwenden, eine Trennung von mindestens einem zeitlichen Attribut aus dem extrahierten einen oder mehreren zeitlichen Attributen durchzuführen, wobei durch die konditionierte GAN-Architektur unterschiedliche Gewichtungen für jedes der einen oder mehreren zeitlichen Attribute zugewiesen werden können, und entsprechend dieser Gewichtungen kann ein zeitliches Attribut getrennt und gegenüber dem anderen priorisiert werden.
In einer Ausführungsform kann die Einheit 314 zum Erzeugen eines optimierten Abschnitts einen optimierten Abschnitt des Strukturelements unter Berücksichtigung der getrennten zeitlichen Attribute erzeugen. In einer beispielhaften Ausführungsform kann der erzeugte Schnitt in Form einer beliebigen oder einer Kombination aus Linien, Kurven, Punktwolke und Bild vorliegen. In einer Implementierung kann die Einheit 314 zum Erzeugen eines optimierten Abschnitts ein 3D-Modell des erzeugten Strukturelements durch Konvertierung in eine 2D-Punktwolke verarbeiten und die 2D-Punktwolke zum Erzeugen des optimierten Abschnitts des Strukturelements weiterverwenden. In einer Ausführungsform kann die Einheit 314 zum Erzeugen des optimierten Abschnitts zusammen mit der konditionierten GAN-basierten Lernmaschine 204 die zeitlichen Attribute analysieren, die aus den empfangenen einen oder mehreren Randbedingungen extrahiert wurden, und entsprechend die verbleibenden der einen oder mehreren zeitlichen Attribute vorhersagen.
In einer anderen Ausführungsform kann die Validierungseinheit 316 den erstellten Abschnitt validieren, indem sie den erstellten Abschnitt einem Drei-Punkt-Durchbiegungstest unterzieht. In einer Ausführungsform kann die Validierungseinheit 316 zusammen mit der/den anderen Einheit(en) 318 die aus dem Dreipunkt-Durchbiegungstest erhaltenen Ergebnisse überwachen, wobei die Ergebnisse mit vordefinierten Ergebnissen abgeglichen werden können, und dementsprechend kann die Validierungseinheit 316 den erzeugten Abschnitt validieren. In einer anderen Ausführungsform kann die Validierungseinheit 316 den erzeugten Abschnitt für ungültig erklären, wenn die erhaltenen Ergebnisse nicht mit den vordefinierten Ergebnissen übereinstimmen.
In einer Ausführungsform kann die Einheit 314 zum Erzeugen optimierter Abschnitte zusammen mit der Lernmaschine 204 eine benutzerdefinierte Verlustfunktion erzeugen, die das System 200 trainieren kann. Weiterhin kann die bedingte GAN-Architektur zwei Verlustfunktionen für den Trainingsgenerator und den Diskriminator aufweisen. In einer Ausführungsform kann die Verlustfunktion in der GAN-Architektur den Unterschied zwischen dem generierten Entwurf und dem realen Entwurf widerspiegeln. Ein höherer Wert der Verlustfunktion bedeutet, dass der Generator und der Diskriminator mehr Fehler aufweisen und dass beide Modelle aktualisiert werden müssen.
In einer beispielhaften Ausführungsform kann die benutzerdefinierte Verlustfunktion eine Kombination aus Wasserstein-GAN-Verlust und adaptivem Gradientenclipping enthalten. Die Vorteile der Verwendung der benutzerdefinierten Verlustfunktion umfassen Trainingsstabilität und bessere Generalisierung mit weniger Trainingsdaten.
In einem Szenario, in dem die erhaltenen Ergebnisse nicht mit den vordefinierten Ergebnissen übereinstimmen, kann die Einheit 314 zur Erzeugung eines optimierten Abschnitts so konfiguriert werden, dass sie den Abschnitt des Strukturelements basierend auf den empfangenen Randbedingungen in Bezug auf das Strukturelement neu erstellt. In einer Implementierung kann die Validierungseinheit 316 einen GAN-basierten maschinellen Lernansatz verwenden, um eine binäre Klassifizierung während der Validierung durchzuführen, wobei der GAN-basierte maschinelle Lernansatz den Empfang eines zufälligen Entwurfs eines Strukturelements und zugeordneter Einschränkungen umfasst. Des Weiteren wird durch ein Generatormodell eine Ausgabe basierend auf dem empfangenen Entwurf und den Einschränkungen erzeugt und dann eine binäre Klassifizierung an einem Diskriminatormodell durchgeführt, das die erzeugte Ausgabe als echt oder unecht klassifizieren kann.
In 4 ist der Datenfluss in dem vorgeschlagenen System 200 beispielhaft dargestellt. In einem Beispiel für das Entwerfen eines Aufprallträgers 502, wie in 5 dargestellt, kann der Benutzer in Block 402 die eine oder mehrere Randbedingungen, die sich auf den Aufprallträger beziehen, als Eingabe in das System 200 durch das Eingabemodul 202 einspeisen, wobei sich die eine oder mehreren Randbedingungen auf verschiedene begrenzende Einschränkungen und Werte beziehen können, die dem Aufprallträger zugeordnet sind. Ferner kann das System 200 in Block 404 die Erstellung eines optimierten Abschnitts 504 des Aufprallträgers ermöglichen. In einer Implementierung kann die Entwurfseinheit 206 zusammen mit der Lernmaschine 204 den optimierten Abschnitt 504 des Aufprallträgers erstellen, indem ein oder mehrere zeitliche Attribute basierend auf einer vordefinierten Prioritätssequenz getrennt werden, wobei das eine oder die mehreren zeitlichen Attribute aus den empfangenen Randbedingungen extrahiert werden können. In einer beispielhaften Ausführungsform kann die Lernmaschine 204 einen GAN-basierten Ansatz des maschinellen Lernens (ML) zur Entwicklung/Erstellung eines neuen Abschnitts eines beliebigen Strukturelements verwenden.
In einer Ausführungsform kann das System 200 in Block 406 die erwartete Ausgabe an der Anzeigeeinheit 208 bereitstellen, nachdem der erstellte Abschnitt validiert wurde. In einer beispielhaften Ausführungsform kann die erwartete Ausgabe mehrere/einzelne neue Abschnitte enthalten, wobei die Abschnitte optimiert und durch das System 200 validiert werden, um technische Anforderungen zu erfüllen. In einer weiteren beispielhaften Ausführungsform kann der Aufprallträger 502 so gestaltet sein, dass er einen Seitenaufprall wirksam abmildert.
Bezug nehmend auf 6 kann das System 200 in Schritt 602 dem Benutzer erlauben, die eine oder mehrere Randbedingungen, die sich auf ein bestimmtes Strukturelement beziehen, über das Eingabemodul 202 in das System 200 einzugeben, wobei die eine oder mehreren Randbedingungen sich auf Spezifikationen und Anforderungen 702 beziehen können, wie in 7 dargestellt, die wiederum verschiedene begrenzende Einschränkungen und Werte enthalten können, die dem Strukturelement zugeordnet sind.
In einer Ausführungsform kann das System 200 in Schritt 604 die eingespeiste Eingabe verfeinern, indem es Tieftauchtrennung, Prioritätssequenz, Abschnittsmodul und Dreipunkt-Durchbiegungstest berücksichtigt. Das System 200 kann basierend auf der verfeinerten Eingabe geometrische Merkmale 704 definieren. Darüber hinaus kann das System 200 auch so konfiguriert sein, dass es die Merkmale 706 basierend auf den eingegebenen Spezifikationen und Anforderungen vorhersagt.
In einer Ausführungsform kann das System 200 in Schritt 606 einen neuen Abschnitt des Strukturelements unter Verwendung des konditionierten GAN-basierten optimierten Konzeptentwurfs 708 entwickeln. Weiterhin kann das System 200 in Schritt 608 die Ausgabe an der Anzeigeeinheit 208 anzeigen. Die Ausgabe kann in verschiedenen Formaten, einschließlich, aber nicht beschränkt auf, Linien, Kurven, Punktwolke und Bild, angezeigt werden.
In einer Ausführungsform kann das System 200 in Schritt 610 die Ausgabe validieren, indem der entwickelte neue Abschnitt einem Dreipunkt-Biegetest unterzogen wird, und entsprechende Ergebnisse werden aufgezeichnet. Diese Ergebnisse können weiterhin mit den gewünschten (vordefinierten) Ergebnissen verglichen werden, und basierend auf dem Vergleich, wenn die erhaltenen Ergebnisse zufriedenstellend sind, kann die Schleife beendet werden. Wenn die erzielten Ergebnisse jedoch nicht zufriedenstellend sind, wird die Schleife fortgesetzt, bis das System 200 die gewünschten Ergebnisse erzielt hat.
Bezugnehmend auf 8 umfasst der Ansatz des maschinellen Lernens, der in dem vorgeschlagenen System 200 involviert ist, bei 802 die Beschaffung von dreidimensionalen (3D) Designs als Eingabe, wobei SAP 3D-Modelle von verschiedenen Fahrzeuglinien verwendet werden können, um das System 200 zu trainieren. Ferner kann das System 200 bei 804 die 3D-Modelle in eine 2D-Punktwolke umwandeln, was die Projektion und Abtastung von Punkten, die der 2D-Punktwolke zugeordnet sind, für eine feste Größe umfasst, und die entsprechende Durchbiegung kann ferner in hoch, mittel und niedrig kategorisiert werden.
In einer Ausführungsform kann das System 200 bei 806 die Lernmaschine 204, die die Architektur des konditionierten generativen adversen Netzwerks (GAN) enthält, trainieren und aktualisieren, indem es Klassen erzeugt und die konditionierte GAN-Architektur basierend auf der benutzerdefinierten Verlustfunktion entsprechend entwickelt. Ferner kann das System 200 bei 808 die gewünschten Ergebnisse basierend auf dem erstellten Abschnitt und der entsprechenden Durchbiegung anzeigen. In einer beispielhaften Ausführungsform kann das System 200 dafür konfiguriert sein, die Ausgabe in Objektdateien zu konvertieren, die Linien glätten und extrahieren.
Bezugnehmend auf 9 umfasst der GAN-Ansatz, der in dem System 200 zur Durchführung der binären Klassifizierung während der Erstellung des neuen Abschnitts involviert ist, den Empfang eines zufälligen Entwurfs eines Strukturelements in Block 902 und dem Strukturelement zugeordnete Einschränkungen in Block 904. In einer beispielhaften Ausführungsform kann für eine vordefinierte Zeitdauer ein Musterlos des Zufallsentwurfs, beispielsweise z, abgetastet werden. In einer weiteren beispielhaften Ausführungsform kann der Zufallsentwurf anhand von Punktwolken erstellt werden. In Block 906 können der empfangene Entwurf und die Einschränkungen an das Generatormodell übertragen werden, das in Block 908 eine entsprechende Ausgabe (hier auch als Generatorausgabe bezeichnet) erzeugen kann.
In einer Ausführungsform kann das System 200 in Block 910 einen vorgespeicherten realen Entwurf des Elements abrufen, der in Block 912 zusammen mit dem Generatorausgang in ein Diskriminatormodell eingespeist werden kann. In einer beispielhaften Ausführungsform kann für eine vordefinierte Zeitdauer ein Musterlos des realen Musters, beispielsweise x, abgerufen werden. In einer anderen beispielhaften Ausführungsform kann das reale Muster mit Hilfe von Punktwolken erstellt werden. Weiterhin kann das Diskriminatormodell in Block 914 eine binäre Klassifizierung durchführen, bei der es die erzeugte Ausgabe als echt oder erzeugt (fake) klassifizieren kann. In einer Ausführungsform kann das System 200, wenn das Unterscheidungsmodell die generierte Ausgabe als echt klassifiziert, in Block 916 eine Unterscheidungsverlustfunktion erstellen und diese entsprechend in Block 918 in die Lernmaschine 204 sowie das Unterscheidungsmodell aktualisieren.
In einer beispielhaften Ausführungsform kann die Diskriminator-Verlustfunktion (gw) unter Verwendung der folgenden Gleichung berechnet werden -

$gw = Δ w [\frac{1}{m} \sum_{1}^{m} ƒ w (x) - \frac{1}{m} \sum_{1}^{m} ƒ w (g (z))];$
und kann ferner durch Aktualisierung von w aktualisiert werden -
w = w + α * RMSProp(w, gw)
- wobei w der Diskriminatorparameter ist,
- g(z) die Generatorausgabe ist, und
- fw die Ausgabe des Diskriminators ist.

Ferner kann die Generatorverlustfunktion (ge) anhand der folgenden Gleichung errechnet werden -

$g_{θ} = - Δ_{θ} [\frac{1}{m} \sum_{1}^{m} ƒ w (g (z))];$
und kann ferner durch Aktualisierung von θ aktualisiert werden -
θ = θ + α * RMSProp(θ, ge)
- wobei θ der Generatorparameter ist,
- α die Lernrate ist, und
- m die Losgröße ist.

In einer anderen Ausführungsform kann das System 200, wenn das Diskriminatormodell die erzeugte Ausgabe als Fälschung einstuft, in Block 920 eine Generatorverlustfunktion erstellen, sie in Block 922 entsprechend aktualisieren und basierend auf dem empfangenen Entwurf erneut eine Ausgabe aus dem Generatormodell erzeugen.
In einer beispielhaften Ausführungsform kann die benutzerdefinierte Verlustfunktion zum Trainieren des Systems 200 erforderlich sein. Weiterhin können GANs zwei Verlustfunktionen für den Trainingsgenerator und den Diskriminator aufweisen. In einer Ausführungsform kann die Verlustfunktion im GAN die Differenz zwischen generiertem Design und realem Design widerspiegeln. Ein höherer Wert der Verlustfunktion bedeutet, dass der Generator und der Diskriminator mehr Fehler aufweisen und dass beide Modelle aktualisiert werden müssen.
In einer beispielhaften Ausführungsform ist die benutzerdefinierte Verlustfunktion in der vorliegenden Offenlegung eine Kombination aus Wasserstein-GAN-Verlust und adaptivem Gradientenclipping. Die Vorteile der Verwendung der benutzerdefinierten Verlustfunktion umfassen Trainingsstabilität und bessere Generalisierung mit weniger Trainingsdaten.
In einer Implementierung zur Erzeugung der benutzerdefinierten Verlustfunktion können die Gewichte in den ersten Iterationen mit einem Schwellenwert, z. B. c, gemäß Clip (w, -c, c) beschnitten werden, wobei w zu einem vordefinierten Gewicht gehört und c ein Clipping-Parameter ist. Ferner kann in der späteren Iteration ein adaptiv normalisiertes Gewicht verwendet werden, wobei das adaptiv normalisierte Gewicht als $β * \frac{w}{‖ w ‖}$
dargestellt werden kann, wobei β einen Tuner darstellt.
Bezugnehmend auf 10 kann das vorgeschlagene Verfahren 1000 (hier austauschbar als Verfahren 1000 bezeichnet) für den Entwurf eines Strukturelements eines Fahrzeugs verwendet werden. Das Verfahren 1000 kann umfassen, dass in Schritt 1002 in einer Entwurfseinheit, die mit einer Lernmaschine kommuniziert, eine oder mehrere Randbedingungen des Strukturelements von einem Benutzer empfangen werden.
In einer Ausführungsform kann das Verfahren 1000 umfassen, dass in Schritt 1004 in der Entwurfseinheit ein oder mehrere zeitliche Attribute aus den in Schritt 1002 empfangenen Randbedingungen extrahiert werden. Weiterhin kann das Verfahren 1000 umfassen, dass in Schritt 1006 in der Entwurfseinheit mindestens ein zeitliches Attribut, basierend auf einer vordefinierten Prioritätssequenz, von dem einen oder den mehreren zeitlichen Attributen, die in Schritt 1004 aus den empfangenen Randbedingungen extrahiert wurden, getrennt wird.
In einer anderen Ausführungsform kann das Verfahren 1000 umfassen, dass in Schritt 1008 in der Entwurfseinheit ein optimierter Abschnitt der Strukturelemente unter Berücksichtigung der zeitlichen Attribute, die in Schritt 1006 getrennt wurden, erstellt wird.
In einer Ausführungsform kann das vorgeschlagene System und Verfahren eine konditionierte GAN-basierte maschinelle Lerntechnologie in den Bereich der Konstruktion der Fahrzeugkarosseriestruktur integrieren. Darüber hinaus kann es schnell und intelligent 2D-Schnitte des Strukturelements unter Verwendung der vom Benutzer bereitgestellten Randbedingungen erstellen und dabei die Anzahl der Iterationen stark reduzieren und die für die Konstruktion der Strukturelemente erforderliche Zeit verkürzen.
In einer anderen Ausführungsform kann das vorgeschlagene System und Verfahren den Vergleich und die Analyse von Konkurrenzfahrzeugen erleichtern. Außerdem kann es den Konstrukteuren einen Vorsprung bei ihrer Konstruktion verschaffen. Darüber hinaus kann das vorgeschlagene System und Verfahren einem Benutzer eine Lösung mit mehreren Ansätzen für die Konstruktion von Strukturelementen eines Fahrzeugs erleichtern, wobei die Lösung mit mehreren Ansätzen einen funktionalen Ansatz, einen Materialansatz, einen Geometrieansatz und dergleichen enthalten kann.
In einer weiteren Ausführungsform kann das vorgeschlagene System und Verfahren durch seinen Validierungsprozess eine Reduzierung des derzeitigen Zeitrahmens ermöglichen, in dem ein Konstrukteur bis zur CAE-Analyse warten muss, um einen Einblick in das Verhalten des Strukturelements zu erhalten.
Es ist daher Fachleuten ersichtlich, dass die Diagramme, Schemata, Illustrationen und dergleichen konzeptionelle Ansichten oder Verfahren darstellen, die Systeme und Verfahren, die diese Erfindung verkörpern, veranschaulichen. Die Funktionen der verschiedenen in den Figuren gezeigten Elemente können sowohl durch die Verwendung von dedizierter Hardware als auch von Hardware, die in der Lage ist, zugehörige Software auszuführen, bereitgestellt werden. Ebenso sind die in den Figuren dargestellten Schalter nur konzeptionell. Ihre Funktion kann durch den Betrieb von Programmlogik, durch dedizierte Logik, durch die Interaktion von Programmsteuerung und dedizierter Logik oder sogar manuell ausgeführt werden, wobei die jeweilige Technik von der Entität, die diese Erfindung implementiert, ausgewählt werden kann. Fachleuten ist ferner ersichtlich, dass die hierin beschriebenen beispielhaften Hardware-, Software-, Prozess-, Verfahrens- und/oder Betriebssysteme nur der Veranschaulichung dienen und daher nicht auf eine bestimmte genannte Technik beschränkt sein sollen.
Während das Vorstehende verschiedene Ausführungsformen der Erfindung beschreibt, können andere und weitere Ausführungsformen der Erfindung erdacht werden, ohne vom grundsätzlichen Umfang der Erfindung abzuweichen. Der Umfang der Erfindung wird durch die folgenden Ansprüche bestimmt. Die Erfindung ist nicht auf die beschriebenen Ausführungsformen, Varianten oder Beispiele beschränkt, die enthalten sind, um eine Person mit normalem Fachwissen auf dem Gebiet der Technik in die Lage zu versetzen, die Erfindung herzustellen und zu verwenden, wenn sie mit Informationen und Wissen kombiniert wird, die der Person mit normalem Fachwissen auf dem Gebiet der Technik zur Verfügung stehen.
Die vorliegende Offenbarung stellt ein System und ein Verfahren für den optimierten Entwurf von Strukturelementen eines Fahrzeugs bereit.
Die vorliegende Offenbarung stellt ein datengesteuertes System und Verfahren bereit, das die Anzahl der Iterationen reduziert und die für die Konstruktion der Strukturelemente erforderliche Zeit verkürzt.
Die vorliegende Offenbarung stellt ein System und Verfahren bereit, das die entworfenen Strukturelemente validiert.
Die vorliegende Offenbarung stellt ein System und Verfahren bereit, das einen konditionierten GAN-basierten Ansatz zur Erstellung neuer Abschnitte der entworfenen Strukturelemente verwendet.
Eine weitere Aufgabe der vorliegenden Offenbarung stellt ein System und Verfahren bereit, das sich selbst über die kundenspezifische Verlustfunktion trainiert und aktualisiert.
Die vorliegende Offenbarung stellt ein intelligentes, effizientes und einfaches System und Verfahren bereit, das eine optimierte Konstruktion der Strukturelemente ermöglicht.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2020173701 A [0006]
KR 20210066729 A [0007]
CN 113139241 A [0008]

Claims

System (200) zum Entwerfen eines Strukturelements eines Fahrzeugs, wobei das System (200) Folgendes umfasst: eine Entwurfseinheit (206) in Kommunikation mit einer Lernmaschine (204), wobei die Entwurfseinheit (206) einen oder mehrere Prozessoren umfasst, wobei der eine oder die mehreren Prozessoren betriebsmäßig mit einem Arbeitsspeicher gekoppelt sind, wobei der Arbeitsspeicher Anweisungen speichert, die von dem einen oder den mehreren Prozessoren für Folgendes ausgeführt werden können: Empfangen, von einem Benutzer, einer oder mehrerer Randbedingungen des Strukturelements; Extrahieren, aus den empfangenen Randbedingungen, eines oder mehrerer zeitlicher Attribute; Trennen, basierend auf einer vordefinierten Prioritätssequenz, mindestens eines zeitlichen Attributs von dem extrahierten einen oder mehreren zeitlichen Attributen; und Erzeugen, unter Berücksichtigung der getrennten zeitlichen Attribute, eines optimierten Abschnitts des Strukturelements.
System (200) nach Anspruch 1, wobei das System (200) dafür konfiguriert ist, den erzeugten Abschnitt zu validieren, indem der erzeugte Abschnitt einem Dreipunkt-Durchbiegungstest unterzogen wird.
System (200) nach Anspruch 2, wobei das System (200) dafür konfiguriert ist, die aus dem Dreipunkt-Durchbiegungstest erhaltenen Ergebnisse zu überwachen, wobei die Ergebnisse mit vordefinierten Ergebnissen abgeglichen werden, wodurch der erzeugte Abschnitt dementsprechend validiert wird.
System (200) nach Anspruch 3, wobei das System (200) für den Fall, dass die erhaltenen Ergebnisse nicht mit den vordefinierten Ergebnissen übereinstimmen, so konfiguriert ist, dass es den Abschnitt des Strukturelements basierend auf den empfangenen Randbedingungen, die sich auf das Strukturelement beziehen, neu erstellt.
System (200) nach Anspruch 1, wobei die Lernmaschine (204) eine Architektur eines konditionierten generativen adversen Netzwerks (GAN) umfasst.
System (200) nach Anspruch 5, wobei die Entwurfseinheit (206) dafür konfiguriert ist, zusammen mit der Lernmaschine (204) eine benutzerdefinierte Verlustfunktion zu erzeugen, indem Wasserstein-GAN-Verlust und adaptives Gradientenclipping auf die zeitlichen Attribute angewendet werden. wobei die erzeugte benutzerdefinierte Verlustfunktion das Training und die Aktualisierung des Systems (200) erleichtert, indem sie unterschiedliche Klassen erzeugt und die konditionierte GAN-Architektur entsprechend entwickelt.
System (200) nach Anspruch 6, wobei das System (200) dafür konfiguriert ist, unter Verwendung der Lernmaschine (204) die zeitlichen Attribute zu analysieren, die aus den empfangenen einen oder mehreren Randbedingungen extrahiert wurden, und dementsprechend die verbleibenden der einen oder mehreren zeitlichen Attribute vorherzusagen.
System (200) nach Anspruch 1, wobei das System (200) dafür konfiguriert ist, den erzeugten Abschnitt als eine beliebige oder eine Kombination von Linien, Kurven, Punktwolken und Bildern bereitzustellen.
System (200) nach Anspruch 8, wobei das System (200) dafür konfiguriert ist, ein 3D-Modell des erzeugten Strukturelements durch Konvertierung in eine 2D-Punktwolke zu verarbeiten und die 2D-Punktwolken zum Erzeugen des optimierten Schnitts des Strukturelements weiterzuverwenden.
Verfahren (1000) zum Entwerfen eines Strukturelements eines Fahrzeugs, wobei das Verfahren (1000) folgende Schritte umfasst: Empfangen (1002), in einer Entwurfseinheit, die mit einer Lernmaschine kommuniziert, einer oder mehrerer Randbedingungen des Strukturelements von einem Benutzer; Extrahieren (1004), in der Entwurfseinheit, eines oder mehrerer zeitlicher Attribute aus den empfangenen Randbedingungen; Trennen (1006), in der Entwurfseinheit, von mindestens einem zeitlichen Attribut aus dem extrahierten einen oder mehreren zeitlichen Attributen basierend auf einer vordefinierten Prioritätssequenz; und Erzeugen (1008), in der Entwurfseinheit, eines optimierten Abschnitts der Strukturelemente unter Berücksichtigung der abgesonderten zeitlichen Attribute.