KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
Thomas Schumacher, Roman Stephan, David Inkermann, Institut für Maschinenwesen, TU Clausthal
Die Entwicklung cyber-physischer Systeme (CPS) erfordert eine effiziente Nutzung bestehender digitaler Modelle. Model-based Systems Engineering (MBSE) nutzt formalisierte Modellierungssprachen, um interdisziplinäre Entwicklungsprozesse zu optimieren. Heterogene Modelle ermöglichen die Integration verschiedener Modelltypen, wodurch Konsistenz und Aussagekraft gesteigert werden. Wissensgraphen dienen als strukturierte Datenbanken zur gezielten Wiederverwendung von Systeminformationen. Die Kombination dieser Ansätze verbessert nicht nur die Effizienz, sondern auch die Nachhaltigkeit im Digital Engineering.
Jede neue Produktgeneration baut auf dem Wissen der vorherigen auf. In der Entwicklung gehen jedoch oft wertvolle Erkenntnisse verloren – versteckt in isolierten Modellen, verstreuten Datenbanken oder veralteten Dokumentationen. Dabei könnte dieses Wissen der Schlüssel zu effizienteren und nachhaltigeren Prozessen sein. Wie lässt sich gesammelte Erfahrung intelligent nutzen, um komplexe Systeme schneller, konsistenter und ressourcenschonender zu entwickeln?
Technologische Fortschritte, globale Mega-trends und neue wissenschaftliche Erkenntnisse treiben den stetigen Wandel unserer vernetzten Welt voran. Diese Veränderungen wirken sich direkt auf die Produktentwicklung aus und beeinflussen die Anforderungen an künftige Systeme maßgeblich.
Moderne technische Systeme enthalten zunehmend größere Softwareanteile, um neue Funktionen bereitzustellen und immer größere Datenmengen zu verarbeiten. Zudem verändert sich der Produktlebenszyklus durch Updates aus der Ferne, sogenannte Over-the-Air-Updates, die wiederum Auswirkungen auf die Architektur dieser Systeme haben. Solche hochvernetzten Systeme werden als cyber-physische Systeme (CPS) bezeichnet. Sie kombinieren Sensoren, Informationsverarbeitung und Aktoren, um mit ihrer Umgebung zu kommunizieren und interagieren zu können [1].
Obwohl CPS komplex sind, basiert die Produktentwicklung meist auf bestehenden Referenzprodukten oder vorherigen Generationen, die durch neue Funktionen erweitert werden [2]. Das bedeutet, dass bereits wertvolles Wissen über das zu entwickelnde System vorhanden ist. Dieses Wissen liegt in digitalen Modellen vor, die das System in unterschiedlichen Entwicklungsstufen beschreiben [3].
Um CPS nachhaltig und effizient zu entwickeln, ist die gezielte Wiederverwendung digitaler Produktmodelle essenziell [4]. Die International Council on Systems Engineering (INCOSE) hebt in ihrer Vision 2035 hervor, dass modellbasierte Wiederverwendung die Entwicklungseffizienz erheblich steigern kann [5].
Systems Engineering (SE) stellt einen interdisziplinären Ansatz zur Entwicklung technischer Systeme dar. Es berücksichtigt sowohl technische als auch projektbezogene Perspektiven und setzt eine konsequente systemische Denkweise voraus [1], [6]. Zentraler Bestandteil des SE sind die strukturierte Problemlösung sowie die Einhaltung definierter Prozesse.
Beim Model-based Systems Engineering (MBSE) steht die Nutzung digitaler Modelle im Fokus, um SE-Aktivitäten effizienter durchzuführen. Diese Modelle ersetzen traditionelle dokumentenbasierte Methoden [7]. Die formalisierte Modellierung erfolgt meist mit der Systems Modeling Language (SysML) und unterstützt die Entwicklung von Systemanforderungen, Architekturen sowie Verifikations- und Validierungsprozessen [1]. Ziel ist es, eine durchgängige Informationsverarbeitung und konsistente Modellierung innerhalb interdisziplinärer Entwicklungsprozesse sicherzustellen. Das zentrale Element ist ein kohärentes Systemmodell, das alle relevanten Informationen über das zu entwickelnde System enthält und als digitaler Wissensspeicher dient.
Damit ein konsistentes Systemmodell entsteht, müssen einheitliche Modellierungsmethoden, Werkzeuge und Sprachen definiert werden. Weiterführende Informationen dazu finden sich in [8], [6]. Eine zentrale Herausforderung im Digital Engineering besteht in der effizienten Wiederverwendung von Wissen, da die verwendeten Modelle oft stark heterogen sind. Unterschiedliche Modelltypen, Datenstrukturen und Formate erschweren eine nahtlose Integration. Zudem fehlt es häufig an standardisierten Schnittstellen, die einen reibungslosen Austausch zwischen verschiedenen Modellierungswerkzeugen ermöglichen. Dies kann zu Inkonsistenzen und redundanten Arbeitsprozessen führen, die die Entwicklungszeit und -kosten erhöhen.
Digitale Technologien aus dem Bereich des Model-based Systems Engineering bieten jedoch vielversprechende Ansätze, um diese Problematik zu bewältigen. Durch den Einsatz formalisierter Modellierungssprachen und die gezielte Verknüpfung verschiedener Modelle lassen sich Wissensinseln auflösen und eine konsistente Datenbasis schaffen.
Dieser Beitrag stellt Methoden zur Modellintegration und -transformation vor, die eine effizientere Nutzung bestehender digitaler Modelle ermöglichen. Im Fokus stehen heterogene Modelle, die verschiedene Teilmodelle miteinander verknüpfen, sowie Graphenmodelle, die als strukturierte Wissensspeicher dienen. Durch die Kombination dieser Ansätze können Unternehmen ihre Entwicklungsprozesse optimieren, Synergien zwischen Disziplinen nutzen und langfristig die Nachhaltigkeit im Digital Engineering steigern.
Zusätzlich ermöglichen diese Methoden eine bessere Rückverfolgbarkeit von Entwicklungsentscheidungen und fördern eine durchgängige Dokumentation über den gesamten Produktlebenszyklus hinweg. Insbesondere in hochkomplexen, interdisziplinären Entwicklungsumgebungen können Unternehmen so Transparenz schaffen und Fehlerquellen frühzeitig erkennen.
Heterogene Modelle ermöglichen die Zusammenführung verschiedener Teilmodelle oder Modellelemente in einer einheitlichen Darstellung [9]. Dazu gehören unter anderem Anforderungen, Funktionen, logische und physische Systemelemente sowie räumliche und kontextbezogene Einschränkungen. Durch die Integration dieser verschiedenen Aspekte entsteht ein umfassendes Modell, das eine konsistente Datenstruktur nutzt, um die Modellkonsistenz zu erhöhen. Heterogene Modelle verbessern nicht nur die Konsistenz innerhalb des Model-based Systems Engineering, sondern erhöhen auch die Aussagekraft der Modelle für spezifische Entwicklungsaufgaben. Insbesondere bei der Architekturentwicklung cyber-physischer Systeme (CPS) kann diese Verknüpfung von funktionalen und physischen Systemelementen sowie definierten Schnittstellen eine wertvolle Unterstützung bieten.
Zur Erzeugung heterogener Modelle, welche sowohl unterschiedliche Modellelemente in eine gemeinsame Visualisierung integrieren als auch deren Datenstruktur verknüpfen, wurde eine Umsetzungskonzept entwickelt. Ein zentraler Bestandteil des Konzepts ist die Entwicklung einer Programmierschnittstelle (Application Programming Interface, API), die verschiedene Modellierungswerkzeuge miteinander verbindet. In diesem Prototyp werden SysML- und CAD-Modelle verknüpft, um die Entwicklung von Systemarchitekturen zu unterstützen. Ziel ist es, das CAD-Tool um neue Funktionen zu erweitern, die die Erstellung heterogener Modelle ermöglichen. Die API umfasst vier Hauptfunktionen:
Durch diese Funktionen wird Wissen aus vorherigen Produktgenerationen effizient wiederverwendet, indem bestehende SysML- und CAD-Modelle nahtlos in neue Entwicklungsprozesse integriert werden.
Gleichzeitig erleichtert die API die Zusammenarbeit zwischen verschiedenen Disziplinen, da Ingenieur:innen und Designer:innen innerhalb einer gemeinsamen digitalen Umgebung arbeiten können. Dies reduziert Fehlerquellen, da Änderungen synchronisiert und konsistent über alle Modellierungsebenen hinweg nachvollzogen werden.
Zur Demonstration der entwickelten API wurde ein mechatronisches System aus dem Fahrwerk eines Fahrzeugs gewählt – die elektromechanische Wankstabilisierung. Ziel war die Entwicklung einer neuen Systemarchitektur unter Berücksichtigung neuer oder veränderter Anforderungen. Ein zentraler Aspekt nachhaltiger Produktentwicklung ist die gezielte Wiederverwendung von Wissen aus vorherigen Produktgenerationen. Durch den Import bestehender SysML- und CAD-Modelle konnte eine initiale Systemarchitektur automatisch generiert werden, die auf früheren Architekturentscheidungen basiert.
Anschließend wurde diese Architektur schrittweise erweitert, indem zusätzliche Modellelemente integriert und miteinander verknüpft wurden, um spezifische Anforderungen zu erfüllen. Die API ermöglicht dabei eine nahtlose Integration verschiedener Modelltypen in eine einheitliche Visualisierung. Dies trägt zur Konsistenz der Modellierung bei und unterstützt Ingenieur:innen dabei, effizient auf bestehende Wissensressourcen zurückzugreifen und so Entwicklungszeiten zu verkürzen.
Die Integration und Wiederverwendung digitaler Modelle in heterogenen Modellstrukturen soll sowohl den Informationsgehalt der Modelle erhöhen als auch die Modellierung effizienter gestalten. Um dies zu bewerten, wurden Modellierungsexperimente mit Studierenden und Fachleuten durchgeführt. Dabei wurden die erstellten Modelle anhand definierter Kriterien wie Architekturmuster, Korrektheit, Informationsdichte, Vereinfachung und Rückverfolgbarkeit analysiert [12].
Die Ergebnisse zeigen, dass heterogene Modelle die Modellierung unterstützen, insbesondere bei interdisziplinären Entwicklungsaufgaben und der Definition des Modellierungszwecks. Sie fördern zudem die Kreativität im Modellierungsprozess und erleichtern die Zusammenarbeit in Entwicklungsteams. Die Befragten gaben an, dass diese Methode insbesondere die Wiederverwendung bestehender Modelle und Systemelemente verbessert und somit einen effizienteren Wissenstransfer ermöglicht.
Ein weiterer Ansatz zur Wiederverwendung von Wissen in der Produktentwicklung ist die Nutzung von Wissensgraphen. Diese ermöglichen die strukturierte Speicherung, Erweiterung und Analyse von Produktdaten und helfen, vorhandenes Wissen aus früheren Produktgenerationen gezielt in neue Entwicklungen zu integrieren. Dadurch können Nachhaltigkeit und Effizienz im Entwicklungsprozess gesteigert werden.
Ein Wissensgraph ist ein multirelationales Netzwerk aus Entitäten (Knoten) und deren Beziehungen (Kanten) [13]. Seine Ontologie legt die Struktur und Regeln des Datensatzes fest, ähnlich zur semiformalen Struktur von SysML-Modellen [14]. Gespeicherte Daten lassen sich mit Abfragesprachen wie Cypher analysieren [15].
Bestehende Modelle werden in einer zentralen Datenbank zusammengeführt, dabei gleiche oder ähnliche Elemente identifiziert und vereinheitlicht. Durch die systematische Kategorisierung von systemübergreifenden Komponenten, Funktionen und Anforderungen entsteht eine konsistente Wissensbasis. Die Abfrage aus dem Graphen kann je nach Bedarf einzelne Artefakte oder ganze Modellketten umfassen – von Anforderungen über Testszenarien bis hin zu realisierten Funktionen. Der letzte Schritt ist der Export der Daten und die Integration in neue SysML-Modelle, wobei die Ontologie des Graphen sicherstellt, dass die Struktur erhalten bleibt. Durch die kontinuierliche Erweiterung des Wissensspeichers können Analysen und Wiederverwendungsprozesse projektübergreifend optimiert werden. (Abbildung 2)
Um die Nachhaltigkeit im Digital Engineering zu steigern, rücken Modellbibliotheken, selbstlernende Algorithmen und KI-Methoden stärker in den Fokus. Diese Technologien haben das Potenzial, Entwicklungsprozesse effizienter und ressourcenschonender zu gestalten. Ein Beispiel ist DeepCAD, ein KI-gestütztes Modell, das 3D-Objekte anhand bestehender Daten generiert [16], [17]. Solche Ansätze können auch auf cyber-physische Systeme übertragen werden, um automatisiert Lösungsalternativen für Anforderungen oder Systemfunktionen zu entwickeln. Damit eröffnen sich neue Möglichkeiten, Digital Engineering zukunftsfähiger und nachhaltiger zu gestalten.
