Innovaties Product Design
Ontdek onze nieuwste innovaties rond product design
De vraag naar productie op maat neemt dramatisch toe en het op de markt brengen van één product is niet langer voldoende. Met behulp van modelgebaseerde ontwerpmethoden en ondersteunende software helpen we ontwikkelaars het steeds complexere ontwerpproces te verbeteren. Hierbij gebruiken we Artificiële Intelligentie, digital twins, maar bijvoorbeeld ook tools die de produceerbaarheid van CAD-designs controleren.
Andere thema's:
50% sneller mechanische herontwerpen met behulp van high-dynamics digitale twin
In productontwerp identificeerden we een industriële nood om de operator-designer wisselwerking te vereenvoudigen. Dit doen we door een brug te slaan tussen de twee in de vorm van een centrale digital twin. Door gebruik te maken van een flexibel multi-body model als digital twin kunnen we een effectief en geïntegreerd raamwerk opzetten dat dienstdoet voor de hele waardeketen. Van identificatie tot ontwerp tot operationele monitoring. Met deze centrale digital twin bereiken we tot 50% snellere redesigns en profiteren we van realtime status- en inputinschattingen. De centrale digital twin stroomlijnt het hele ontwikkelingsproces, reduceert de modelling- en identificatie-inspanningen en leidt zo tot betere mechatronische producten.
Optimalisering van de vroege ontwerpfase van de aandrijflijn van een elektrisch voertuig
De ontwerp- en ontwikkelingscyclus van mechatronische systemen wordt steeds korter. Hierdoor hebben bedrijven steeds meer moeite om in een vroeg ontwerpstadium, waarin vereisten en componentkeuzes nog onzeker zijn, optimaal presterende systemen te ontwerpen.
Om ontwerpers hierin te helpen hebben we een ontwerp workflow ontwikkelt die hen helpt om snel de meest veelbelovende ontwerpen voor de aandrijflijn van een elektrisch voertuig (EV) te identificeren. Dit doet de workflow door de relatie tussen de verschillende parameters en de prestaties van de aandrijflijn te begrijpen en vervolgens te optimaliseren. Dit resulteert in een korter en geoptimaliseerd ontwikkelingsproces én leidt tot energie- en kostbesparingen voor de eindgebruiker van het voertuig.
Productiecontrole voor CAD-ontwerpen
Ieder productontwikkelingsproces kampt met beperkingen rond product geometrie, materiaalkeuze en de gebruikte machine. Om deze processen te versnellen hebben we een methode ontwikkelt die de in-house productie-expertise verzamelt en deze toepast op het CAD-ontwerpproces.
Deze nieuwe methode laat een eenvoudige evaluatie toe van de maakbaarheid van een CAD-ontwerp, gebaseerd op de verzamelde productiekennis. Zo kan onze tool bijvoorbeeld een behuizingsonderdeel van een beamer evalueren. De tool assisteert de CAD-ontwerper met het beoordelen van de limieten voor verschillende maakbaarheidsaspecten in een eenvoudige workflow. Op basis van de feedback van de tool kan de CAD-ontwerper verschillende ontwerpiteraties maken die zo leiden tot een finaal ontwerp dat geen productiefouten meer bevat. Door ontwerpfouten in de ontwerpfase te vermijden kunnen er veel kosten bespaard worden. Daarnaast reduceer je met onze tool de complete ontwikkelingstijd voor een compleet CAD-ontwerp proces.
Hands-on topologie optimalisatie
Topologie optimalisatie is een techniek die het een industrieel ontwerper mogelijk maakt om de beschikbare ontwerpruimte zo effectief mogelijk te gebruiken. Vaak gaat het daarbij om het vinden van de stijfste component bij een gewenst gewicht of, omgekeerd, de lichtste component bij een gewenste stijfheid. Helaas zijn conventionele topologie optimalisatiemethodes nogal duur en ongeschikt voor dunwandige structuren die we vaak terugvinden in hedendaagse ontwerpen.
Om deze topologie optimalisatie methodes toegankelijker te maken hebben we een raamwerk ontwikkeld dat dunwandige stukken kan inzetten door gebruik te maken van schaalelementen (‘shell elements’) in plaats van vaste stoffen (‘solids’). Dit leidt tot een sneller ontwerp dat bovendien gemakkelijker te produceren is met conventionele productiemethodes. Met onze aanpak start de ontwerper met een willekeurige 3D-geometrie en kan hij van daaruit de beste verdeling vinden van het dunwandige materiaal.
Producten ontwerpen voor optimale prestaties en assemblage
In een traditioneel productontwerpproces focussen bedrijven meestal eerst op het behalen van alle productspecificaties. Pas daarna houdt men rekening met productie- en assemblageaspecten. Dit leidt er vaak toe dat het ontwerp heen en weer gestuurd wordt tussen de productie- en ontwerpteams, wat veel tijd en inspanning kost. Idealiter zou je de assemblagekennis moeten kunnen inladen in het ontwerpproces. Zo kan je zowel rekening houden met de beperkingen van het assemblageproces in het ontwerp als de impact van het ontwerp op het assemblageproces.
Om dit op te lossen hebben we een automatische modeleer tool ontwikkeld waarmee een ontwerper een product kan optimaliseren. Hierbij houden we zowel rekening met de productprestaties als de assemblagecomplexiteit. Met deze tool krijgt de ontwerper instant feedback tijdens het ontwerpproces wanneer een ontwerp moeilijk, of onmogelijk, te assembleren is. Bovendien komen er zo ook nieuwe en soms onconventionele ontwerpen naar boven die een ideaal compromis vormen tussen product prestaties en maakbaarheid.
Snellere afstelling van machine en taken met AI tool
Productie-efficiëntie en productkwaliteit zijn in elke productieomgeving belangrijk. Om dit te bereiken gebruikt met vaak een inbedrijfstellingsproces om de productiemachines nauwkeurig af te stellen. Dit proces duurt echter lang, en kan bovendien enkel uitgevoerd worden door ervaren operatoren, zeker voor machines die meerdere taken uitvoeren of werken in variabele omstandigheden.
Om dit proces te versnellen en de afhankelijkheid van ervaren personeel te verminderen hebben we een methode op basis van AI ontwikkeld die een goede eerste schatting van de juiste controleparameters maakt. Dit doen we door de informatie te gebruiken van gelijkaardige machines en taken die al afgesteld zijn. We hebben deze methode toegepast op drie stangenmechanismes die allemaal een verschillende taak uitvoeren. Vergelijken we onze methode met een (modelgebasseerde) benchmarkmethode, dan zien we dat de tijd nodig voor het afstellen van de machines daalt met zo’n 35%. Tegelijkertijd verbeteren de prestaties met zo’n 70%. Toch gebruiken we slechts 20% van de beschikbare gegevens om onze AI-methode te trainen. Ideaal voor het afstellen van een volledig machinepark met een breed scala aan taken.