In dieser Deep Dive Session wird unser Solution Engineer Ram unsere Low-Code Plattform nutzen, um CAD-Klassifikation mit maschinellem Lernen durchzuführen. Anhand von praktischen Beispielen und einer Live-Demo wird Ram von Grund auf ML-Klassifizierungsaufgaben erstellen, die Ingenieure unterstützen können.
Aktueller Stand der Engineering Tools und Prozesse
Bevor wir uns den Lösungen zuwenden, sollten wir uns mit den aktuellen Herausforderungen in Bezug auf Entwicklungswerkzeuge und -prozesse befassen. Trotz der inhärenten nichtlinearen Iterationen ist der Arbeitsablauf in der Hardware-Produktentwicklung oft linear und sequentiell. Ingenieure sind aufgrund ihrer Fachkenntnisse und der von ihnen verwendeten Werkzeuge in "Silos" unterteilt, von CAD-Designern bis hin zu Simulations- und Fertigungsexperten. Diese Segmentierung führt zu Ineffizienz und behindert die Zusammenarbeit.
Erfahren Sie, wie sich Künstliche Intelligenz auf Ihre Produktentwicklung auswirkt - Whitepaper AI im Ingenieurswesen
Nutzung der Automatisierung mit Low-Code-Plattformen
Bei Synera kann eine auf Ingenieure zugeschnittene Low-Code-Sprache diese Lücken schließen. Durch die Automatisierung manueller und sich wiederholender Aufgaben können wir die Produktentwicklung beschleunigen. Unser Tool beinhaltet einen Canvas, mit dem Ingenieure visuell Workflows erstellen können, die ihren traditionellen Arbeitsmethoden sehr nahe kommen.
Eines unserer herausragenden Merkmale ist die leistungsstarke 3D-Visualisierung, die in unsere Low-Code-Software integriert ist. Dies ermöglicht es den Anwendern, Arbeitsabläufe mit Knoten und Modellen zu entwerfen, wodurch komplexe Aufgaben leichter zu bewältigen sind. Unsere Kunden, wie z.B. die EDAG Group, haben mit unserem Tool den Zeitaufwand für die Ermittlung ihrer Kopfaufprall-Koeffizienten reduziert.
Anwendung von maschinellem Lernen bei der CAD-Klassifizierung
Unsere heutige Diskussion konzentriert sich auf die Integration von maschinellem Lernen in die CAD-Klassifikation. Maschinelles Lernen ist besonders nützlich, wenn die Beziehung zwischen Input und Output komplex und mit herkömmlichen Methoden schwer zu definieren ist.
Allgemeine Aufgaben des maschinellen Lernens: Regression und Klassifizierung
Zwei grundlegende Aufgaben des maschinellen Lernens sind Regression und Klassifikation. Regression sagt einen kontinuierlichen Wert voraus, z.B. die Temperatur, während Klassifikation Daten in diskrete Klassen einteilt, z.B. Wetterbedingungen.
Betrachten wir ein Beispiel aus der Praxis. Nehmen wir an, Sie sind Ingenieur in einem Wälzlagerunternehmen und haben die Aufgabe, verschiedene Teile automatisch zu identifizieren. Zunächst erstellen Sie einen Datensatz, indem Sie parametrische Modelle verschiedener Teile - Gehäuse, Lager und Bolzen - erzeugen. Jedes Teil wird mit einem Klassenindex versehen. Aus diesen Modellen extrahieren wir dann geometrische Merkmale wie Volumen, Oberfläche und Abmessungen, die als Input für unser Machine-Learning-Modell dienen. Mit Hilfe der Design-Explorationsfunktionen von Synera erzeugen wir mehrere Designs und die entsprechenden Merkmalsdatensätze.
Nach der Vorbereitung des Datensatzes beginnen wir mit der Phase des maschinellen Lernens. Synera vereinfacht den Prozess mit vorgefertigten Knoten für die Modellschulung und -vorhersage. Indem wir diese Knoten mit unserem Merkmalsdatensatz verbinden, trainieren wir ein Klassifizierungsmodell und verwenden es zur Vorhersage der Klasse neuer Teile.
Die einzelnen Schritte: Erstellen eines Klassifizierungsmodells in Synera
- Erzeugung des Datensatzes: Wir verwenden parametrische Workflows, um verschiedene Bauteilkonstruktionen zu erzeugen und ihre geometrischen Merkmale zu extrahieren.
- Trainieren des Modells: Wir bearbeiten den Datensatz vor, behandeln Nullwerte und normalisieren die Merkmale. Dann trainieren wir das Modell mit Hilfe des Synera-Klassifikationsmodellknotens.
- Vorhersagen treffen: Mit dem trainierten Modell klassifizieren wir neue Teile, indem wir ihre Merkmale extrahieren und in den Vorhersageknoten eingeben.
Beantwortung von Fragen und erweiterte Anpassungen
Während der Demonstration wurden Fragen zur Behandlung von Nullwerten und zur Anpassung von Hyperparametern gestellt. Während unser Tool darauf abzielt, den Prozess zu vereinfachen, können fortgeschrittene Benutzer benutzerdefinierte Skripte integrieren, um mehr Kontrolle über die Modelle und Hyperparameter zu erhalten. Zum Beispiel können Benutzer ihre eigenen (Python) Skripte importieren und die Optimierungsprozesse in Synera automatisieren.
Die Low-Code-Plattform von Synera bietet Ingenieuren eine leistungsstarke und dennoch leicht zugängliche Möglichkeit, maschinelles Lernen in ihre Arbeitsabläufe zu integrieren. Ob es sich um die Automatisierung von Klassifizierungsaufgaben oder die Erforschung fortschrittlicher Regressionsmodelle handelt, unser Tool bietet die Flexibilität und Benutzerfreundlichkeit, die für Innovationen in der CAD-Klassifizierung erforderlich sind.
Entdecken Sie die Vorteile selbst - Testen Sie die Low-Code-Plattform von Synera!
Möchten Sie die Vorteile von Connected Engineering und unserer Low-Code Platform aus erster Hand erfahren? Wir laden Sie ein, die Low-Code Platform von Synera 14 Tage lang kostenlos zu testen und zu entdecken, wie Sie Ihre Produktentwicklung effizienter und agiler gestalten können. Erleben Sie die Zukunft der Produktentwicklung und entdecken Sie die Möglichkeiten, die unsere innovative Lösung bietet. Klicken Sie hier, um die Synera Low-Code Platform zu testen und Ihren Entwicklungsprozess noch heute für Ihren Anwendungsfall zu optimieren.
Oder holen Sie sich eine kostenlose Demo von unserem CEO Daniel Siegel. Jeden ersten Dienstag im Monat nimmt er Sie mit auf eine geführte Tour durch unsere synera-Software. Sie werden erfahren, wie Sie Ihren Arbeitsablauf automatisieren und Ihren Entwicklungsprozess beschleunigen können. Es wird auch eine Fragerunde geben, in der Sie alle Ihre brennenden Fragen stellen können. Jetzt hier kostenlos registrieren.
