Klassifikation von 3D Daten - CAD Daten richtig klassifizieren

23. Feb 2017

klassifikation-3d-daten-klassifizieren.jpg

Die Klassifikation von Daten und 3D Daten ist ein mühsames Unterfangen. Es ist lästig, bindet viel Zeit und Kapazitäten. Damit wir jedoch den Überblick behalten, ist es ein notwendiges Übel. Aber mal ehrlich, die erzwungene Schaffung von Ordnung in Daten widerliegt uns doch eigentlich, oder? Zumal die Ordnung, die wir in mühevoller Kleinstarbeit schaffen, in kürzester Zeit von der schleichenden Unordnung, die ja eigentlich in uns steckt, wieder untergraben wird. Es wäre ein großer Gewinn, wenn es uns gelingen würde, Ordnung zu halten, obwohl wir die Unordnung in gewisser maßen brauchen. Es heißt doch, dass unordentliche Menschen intelligenter und kreativer sind, nicht wahr? Da käme uns ein Tool zur 3D Daten Klassifikation, was sich völlig automatisch im Hintergrund um unsere Unordnung kümmert, gerade recht. Denn dann könnten wir uns endlich wieder auf das wesentliche konzentrieren, auf unsere so sehr geliebte Unordnung, die unsere Arbeit ja eigentlich erfolgreich macht. In unserem heutigen Blog verraten wir Ihnen, wie Sie sich um Ihre Unordnung nicht mehr kümmern müssen. Lernen Sie die kleinen Helferchen kennen, die für Sie völlig automatisch aufräumen könnten.

Hinterlegen Sie noch immer die geometrischen Merkmale Ihrer CAD Daten händisch?

Viele Konstrukteure und Ingenieure nehmen an, dass man CAD Modelle nur klassifizieren und finden kann, wenn man zuvor mühsam die konstruktiven bzw. geometrischen Merkmale und Attribute der Bauteile sowie die funktionalen Merkmale als Kennwerte in einem Datenbanksystem hinterlegen hat. So müsse z.B. eine Getriebewelle mit ihren wesentlichen Merkmalen wie Länge, Durchmesser, Anzahl der Absätze und ihre einzelnen Spezifikationen, die Fertigungstoleranzen und Oberflächengüten, Beschichtung, Werkstoffangaben etc., händisch eingetragen werden, um diese Getriebewelle dann korrekt zu klassifizieren und später auch im Datenbestand zu finden.


Klassifikation Ihrer 3D Daten? So geht das klassifizieren der CAD Daten ganz einfach.

Es gibt aber heute eine Reihe von Verfahren, die bereits in modernen ERP- und PDM-Systemen integriert sind und eine teilautomatisierte konventionelle Klassifizierung von CAD-Modellen ermöglichen. Informationen aus dem CAD Modell, wie z.B. PMI (Product Manufacturing Information), können über geeignete Schnittstellen ausgelesen und zur Klassifizierung verwendet werden. Es handelt sich hier um eine Merkmalsextraktion aus dem 3D Datensatz. Diese Form der Merkmalsextraktion bedarf zwingend eine saubere und einheitliche Definition der Merkmale für diese Form der konventionellen Klassifizierung. Daher ist eine genaue und akribische Pflege dieser Attribute zwingend erforderlich. Andernfalls kann eine Klassifizierung der 3D Daten über teil automatisierte Verfahren nicht erfolgen.

Trotz dieser möglichen Teilautomatisierung, ist der Aufwand für diese Methode der Klassifizierung erheblich, arbeits- und kostenintensiv. Dies schreckt die meisten Anwender zurück, diese Form der Klassifizierung der 3D Daten einzusetzen, was verständlich ist. Insbesondere der Aufwand zur ersten und gründlichen Konfiguration der erforderlichen Regelwerke für jede einzelne Klasse und deren dauerhafte Aktualisierung ist hoch bis sehr hoch und gleichzeitig kostenintensiv. Zuvor bedarf es einer genauen und durchdachten Planung des angestrebten Klassifizierungssystems bis ins kleinste Detail, um später diese Merkmale in den Klassenbaum aufzunehmen.

 

Klassifikation der 3D Daten mittels geometrischer Ähnlichkeitssuche - ist das die Lösung?

Das Verfahren der geometrischen Ähnlichkeitssuche bzw. der Einsatz des Shape Indexing Verfahrens hingegen kann auch sehr effizient dazu genutzt werden die 3D Date Klassifikation bzw. - genauer gesagt - zu clustern. Der Unterschied zwischen klassifizieren und clustern ist klein, aber fein. Im Gegensatz du den oben genannten konventionellen Klassifikationsverfahren, kann das Clustering von 3D CAD-Daten vollautomatisch erfolgen. Es bedarf dazu nicht der Vorgabe und der Pflege von Attributen. Dies ist ein wesentlicher Unterschied zwischen Clustering und der Klassifikation.

Unterschied zwischen Klassifizierung und Clustering

Doch wie erfolgt das Clustering?

Beim Klassifizieren von 3D-CAD Modellen muss man sich zuvor ganz genau überlegen und definieren in wieviele Klassen und in welche Klassen, nach welchen Unterscheidungsmerkmalen und -kriterien die Objekte unterteilen möchte. Anhand dieser vielen Merkmale wird ein komplexer Klassenbaum erstellt, der vom Stamm bis in die Äste und letztlich bis in die Blätter führt. Der Stamm stellt die grobe Zuordnung (Getriebewelle) und das Blatt die Detailzuordnung (Oberflächenbesichtung der Laufflächen der Getriebewelle) dar. Ist diese Baumstruktur einmal fixiert, so ist eine Änderung dieser Struktur äußerst aufwändig. Regeln und Randbedingungen müssten dann neu erstellt bzw. angepasst werden. Die vielen Wechselwirkungen in den geometrischen und funktionalen Randbedingungen müssen aufgebrochen und neu zusammengestellt werden. Ein sehr großer Aufwand. Daher muss eine Klassifizierung wohl überlegt sein. Steht allerdings dieser Klassenbaum einmal und können die Attribute eines Objektes manuell oder teilautomatisch bestimmt werden, so erfolgt die Klassifizierung der Modelle in diesen Klassifizierungssystem schnell. Das Entscheidende hierbei ist, dass alle Attribute vollständig und fehlerfrei vorliegen müssen, um die Zuordnung eines Objektes in den Klassenbaum auch korrekt vornehmen zu können. Da eine absolut fehlerfreie Zuordnung der Merkmale kaum möglich sein wird, ist eine kontinuierliche Überprüfung der Daten auf Fehler nicht abzuwenden. Somit bedarf auch die teilautomatisierte Klassifikation eine permanente Überwachung.

Beim Clustern ist der Ablauf grundlegend anders. Das Clustering-Verfahren überträgt alle verfügbaren 3D-CAD Modelle automatisch in einzelne Gruppen, auch Cluster genannt. Die Anzahl der erforderlichen Cluster kann automatisch erfolgen oder vorgegeben werden. Um die einzelnen Cluster voneinander zu trennen nutz das Clustering-Verfahren ein Distanzmaß. Auf diese Weise wird unterschieden, ob ein Objekt besser in die eine oder in die andere Gruppe (Cluster) hineinpasst. Dieses Distanzmaß ist ein wichtiger Baustein für das Clustering-Verfahren. Ohne Distanzmaß kann ein Clustering-Verfahren nicht funktionieren.

Da nun über das Shape Indexing Verfahren bzw. die Methoden der geometrischen Ähnlichkeitssuche geometrische Objekte klar indiziert werden, ohne dass es dazu beschreibender Merkmale bedarf, ist dies ein sehr gute Basis für ein robustes automatisches Clustering der 3D-CAD Modelle. Das erwähnte Distanzmaß ist hierbei kein Wert, der vom Anwender vorgegeben werden muss, sondern wird über das Clusterin-Verfahren automatisch berechnet. Fairerweise muss man sagen, dass ein Clustering niemals in der Feingranularität eines Klassifikationsverfahrens vollzogen werden kann. Dieser kleine Nachteil wird allerdings gerne in Kauf genommen, da eine nachträgliche Kontrolle der Attribute vollständig entfallen kann.

Ein weiterer Vorteil des Clusterings besteht zusätzlich darin, dass die Anzahl der Gruppen frei und flexibel eingestellt bzw. verändert werden kann. Ist im Gegensatz dazu der Klassenbaum fixiert, ist er nur mit einem extrem großen Aufwand zu verändern.

Besonders elegant ist letztlich die Kombination aus Clustering mit einer sehr flachen Klassifizierungsstruktur. So kann beispielsweise automatisch eine Getriebewelle der korrekten Gruppe zugeordnet werden. Anhand nur weniger, der zwingend erforderlichen Attributen wie z.B. Werkstoff oder Fertigungsgenauigkeit, kann eine Unterteilung der Gruppe "Getriebewellen" in weitere Werkstoff und Fertigungsklassen unterteilt werden. Dieser Aufwand in der Handhabung der wenigen Attribute ist absolut vertretbar, weil es sich nur um einige wenige Merkmale handelt, die zudem ohnehin erforderlich sind.

Clustern anhand geometrischer Ähnlichkeit

Für jedes CAD Modell wird mit Hilfe des Verfahrens der geometrischen Ähnlichkeitssuche bzw. des Shape Indexing Verfahrens ein digitaler Fingerabdruck erstellt (Siehe Blog-Eintrag: Was ist geometrische Ähnlichkeitssuche). Jeder digitale Fingerabdruck ist ein eindeutiges ganzheitlich beschreibendes Merkmal und kann einem 3D-CAD Modell oder einer ganzen Baugruppe zugeordnet werden. Alle ähnlichen digitalen Fingerabdrücke bilden innerhalb des Gesamtbestands zusammenhängende Wolken. Diese mehr oder weniger zusammenhängende Wolken werden auch als Scatter oder Scatter-Plot bezeichnet.

Diese Wolkenbildung ist stellenweise dichter und stellenweise wiederum weniger dicht oder auch lückenhaft besetzt. Die Dichte dieser Wolken ist - bildhaft dargestellt - abhängig von der Anzahl der CAD Modelle, die dieser Wolke zugeordnet werden. Die CAD Modelle, die nicht eindeutig einer dieser Wolken zugeordnet werden können, werden automatisch einer Gruppe der "Sondermodelle" zugewiesen. Der Anwender neigt nun zu der Vermutung, dass die Gruppe der "Sondermodelle" besonders zahlreiche Modelle beinhaltet, weil das Verfahren möglicherweise nicht ganz sauber funktioniert und die Gruppenbildung nicht eindeutig oder zuverlässig erfolgen kann.

Genauigkeit durch lernendes bzw. semantisches Verfahren zum Clustern der CAD Modelle

Dieses automatisierte Verfahren kann nun interaktiv getrimmt und justiert werden. Dadurch werden auch die Modelle aus dem Topf der Sonderelemente den korrekten Gruppen zugeordnet. Diese stellt eine Kombination aus einem vollautomatischen Clustering-Verfahren und einem lernenden Nachjustieren des Verfahrens dar. Auf diese Weise so kann der Anwender seine Cluster auf Genauigkeit trimmen und "anlernen".

Letztlich bedarf es keiner aufwändigen Pflege der Daten bzw. der Attribute, um seine Daten in eine strukturierte Ordnung zu überführen.

Klassifikation von 3D Daten - das Fazit

Heute ist zur Wiederverwendung von Bauteilen mit Hilfe der geometrischen Ähnlichkeitssuche bzw. des Shape Indexing Verfahrens weder eine Klassifizierung noch ein Clustering erforderlich. Dennoch kann es sinnvoll sein, die Bestandsdaten zu ordnen und zu strukturieren. Dabei soll der Verwaltungsaufwand so gering wie möglich gehalten werden. Hierzu ist das Clustering Verfahren eine sehr effiziente Methode, die 3D CAD Daten automatisch zu strukturieren. Dieses Verfahren ist besonders flexibel und kann jederzeit angepasst und bei Bedarf verfeinert werden.