Wie die BMW Group mit KI und virtuellen Abrissen größere Effizienzsteigerungen erzielt

In der sich entwickelnden Landschaft des Automobilbaus ist es wichtiger denn je, komplexe Produktdetails zu verstehen und jedes Bauteil zu optimieren. Traditionell waren dies physische Inspektionen, ein Ansatz, der ressourcenintensiv, zeitaufwendig und schwer skalierbar ist

Aber was wäre, wenn man Teile eines Autos abreißen könnte, ohne jemals einen Schraubenschlüssel zu berühren?

Diese Frage hat Dr. Savo Asanin, technischer Projektleiter für KI-gesteuerte Aktivitäten in der Entwicklungsstrategie-Abteilung der BMW Group, sucht nach einem besseren Weg. Die Mission ist klar: Designkonzepte durch strenge technische Analyse von Bauteilen vergleichen.

Savo und sein Team haben sich durch die Zusammenarbeit mit Unity über körperliche Einschränkungen hinweg bewegt. Sie schufen den Virtuellen Abreißassistenten, ein neues Werkzeug, das Echtzeit-3D-Daten mit Large Language Models (LLMs) kombiniert, um den Vergleichs- und Benchmarking-Prozess des Entwurfskonzepts zu automatisieren. In dieser Fallstudie hören wir von Savo und Unity Senior Software Development Consultant Daniel Bier, wie es entstanden ist.

Von physikalischen Einschränkungen bis zur digitalen Skalierbarkeit

Wie Savo erklärte, beruhte die Bauteilanalyse bei der BMW Group jahrelang stark auf manueller Inspektion. Ingenieure untersuchten Teile physikalisch oder durchsuchten Datenbanken nach den benötigten Informationen. Der Ansatz funktionierte, aber er war ressourcenintensiv, zeitaufwendig und schwierig zu skalieren.

Die Herausforderung war nicht ein Mangel an Daten, BMW verfügt über massive Repositorien an CAD-Daten. Die Herausforderung war Zugänglichkeit und Interpretation. Der Vergleich der Geometrie verschiedener Komponenten über Fahrzeuggenerationen hinweg erforderte erhebliche Arbeitsressourcen.

Hier setzt das Fundament der 3D Mine der BMW Group an. Wie in unserem vorherigen Artikel über BMWs Asset-Management-Lösung ausgeführt, dient 3D Mine als zentralisierte Lösung, die den 3D Datenzugriff im gesamten Unternehmen demokratisiert.

Grundsätzlich baut der virtuelle Abreißassistent auf dieser Grundlage auf und fügt eine Ebene intelligenter Automatisierung hinzu.

Ziel war es, ein Werkzeug zu schaffen, das Geometrien von Autokomponenten vergleichen kann, um Verbesserungspotenziale automatisch zu finden – und dies mit hoher Skalierbarkeit zu erreichen, sodass die Maschine das schwere Anheben von analysierenden Komponenten erledigen kann.

Der Maschinenraum: Unity Asset Manager und Pipeline Automation

Um den Virtual Teardown Assistant zu bauen, benötigen Sie mehr als nur ein 3D Modell; Sie benötigen ein System, das verstehen kann, was es betrachtet.

Der Workflow beginnt mit komplexen CAD-Daten, oft einem gesamten Fahrzeugmodell. Mittels Unity Asset Manager und Pipeline Automation zerlegt das System das Fahrzeug in seine Bestandteile wie einen Sitz oder ein Bremssystem.

Wie Savo erklärte, besteht der Workflow darin, ein CAD-Modell zu nehmen, es in seine Teile zu zerlegen, farblich zu kodieren und im Wesentlichen vor einem weißen Hintergrund im Editor zu „fotografieren“. All das geschieht automatisch.

Hier glänzen die Unternehmenslösungen von Unity:

• 3D Mine, betrieben von Unity Asset Manager: Funktioniert als einzige Quelle der Wahrheit, indem ausgewählte 3D Modelle und zugehörige Metadatendateien abgerufen werden.
• Pipelineautomatisierung: Bewältigt das schwere Heben. Es isoliert Teile basierend auf Daten, sprengt die Ansicht, so dass jede Schraube und Halterung sichtbar ist, und stellt hochwertige Bilder für Analysen dar.

Die erzeugten Bilder werden zusammen mit einer Stückliste (BOM), die wichtige Metadaten wie Teilenummern und Abmessungen enthält, in ein LLM eingespeist. Die KI „sieht“ sich die Explosionsdarstellung an, liest die Daten und liefert eine technische Analyse, die Möglichkeiten zur Gewichtsreduzierung, Kosteneinsparungen oder funktionalen Verbesserungen im Maßstab identifiziert.

Bisher überraschende Erkenntnisse und deutliche Kosteneinsparungen

Als das Team den Proof of Concept (POC) auf den Markt brachte, war es sich nicht sicher, wie die KI mit visuellen Daten umgehen würde.

Savos Team war unsicher, was es erwartete, aber sie waren angenehm überrascht, wie gut das Modell mit begrenzten geometrischen Informationen funktionierte. Sie lieferte wertvolle Erkenntnisse und verstand die Geometrie. Das Team sieht bereits positive Ergebnisse bei priorisierten Systemen.

Die Auswirkungen dieser Effizienz sind erheblich. Durch die Automatisierung der Pipeline für das gesamte Fahrzeug über verschiedene Systeme hinweg steigert BMW die Effizienz und ermöglicht eine schnellere technische Analyse.

Durch die Einführung des virtuellen Abreißassistenten im gesamten Unternehmen können Teams Konzepte, Designs und Lieferantenlösungen schneller und konsistenter vergleichen. Dies unterstützt ein schnelleres Benchmarking und hilft Ingenieuren, die vielversprechendsten Optionen bereits früher in der Entwicklung zu identifizieren.

Zusammenarbeit zur Innovation

Der Erfolg des Virtual Teardown Assistant verdeutlicht die vertiefte Unternehmensbeziehung zwischen BMW Group und Unity. Es geht nicht nur um den Kauf von Software, sondern auch um die Mitentwicklung von Lösungen.

Savos Team arbeitete eng mit Unity zusammen, um diese Lösung zu entwickeln, wobei das technische Know-how direkt von den kundenorientierten Teams von Unity bereitgestellt wurde. Das Ergebnis war eine Plattform, die einfach an Bord ist, und die Leistung bei der Visualisierung von Teilen in hoher Qualität ist genau das, was sich das Team erhofft hat.

Für den Endanwender bei BMW, der kritische Designentscheidungen trifft, ist die Komplexität des Backends unsichtbar. Sie sehen nicht die Unity Lösungen wie Asset Transformer SDK Konvertierungsdateien oder die Pipeline Automation Skripte im Hintergrund laufen. Das Feedback des POC war überwältigend positiv, denn die Teams waren bestrebt, das Tool auf einer Vielzahl von Fahrzeugkomponenten einzusetzen.

Technischer Tieftauchgang: Wie der virtuelle Abreißassistent aufgebaut wurde

Neugierig darauf, wie dieses transformative Werkzeug entstanden ist? Im folgenden Abschnitt erläutert Daniel Bierwith, Senior Software Development Consultant bei Unity, die Architektur, Technologien und den Engineering-Ansatz, die den Virtual Teardown Assistant zum Leben erweckt haben.

Die wesentlichen Komponenten

Der virtuelle Abreißassistent wird von Unity Asset Manager betrieben, einer skalierbaren Plattform, die die Erstellung detaillierter Explosionsdarstellungen optimiert. Durch die direkte Anbindung an die LLM-Pipeline über automatisierte APIs überträgt das System mühelos Ausgabedaten.

Herzstück dieser Lösung ist Unity Pipeline Automation, eine Low-Code-Schnittstelle, die Systeme verknüpft, Daten transformiert und 3D-Inhalte skaliert aktualisiert. Pipelines laufen in virtuellen Maschinen auf einem flexiblen Cluster und können durch Ereignisse, Zeitpläne oder bei Bedarf ausgelöst werden. Weitere Informationen finden Sie im Anhang unten.

Der Prozess wird durch Unity Asset Transformer SDK beschleunigt, das 70+ 3D und CAD Dateiformate unterstützt. Es übernimmt die Aufnahme, Optimierung und Standardisierung und macht es einfach, Assets in jeden 3D-Workflow zu integrieren.

Ein zentralisiertes Digital Asset Management Hub (in diesem Fall die 3D Mine der BMW Group) hält alles organisiert und zugänglich. Teams können komplexe 3D Assets in Echtzeit an einem Ort abrufen, verwalten und zusammenarbeiten, was die Produktion beschleunigt und die Schaffung skalierbarer, hochwertiger digitaler Erlebnisse ermöglicht.

Virtueller Abreißassistent Pipelineschritte

Die Virtual Teardown Assistant-Pipeline optimiert den Prozess der Analyse komplexer 3D Engineering-Modelle durch die Kombination von automatisierter Datenverarbeitung, Visualisierung und KI-gesteuerten Erkenntnissen.

Pipelineübersicht

Der Workflow beginnt, wenn die Modellladeaktion das ausgewählte 3D Engineering-Modell im JT-Format aus der Unity Asset Manager / 3D Mine abruft. Gleichzeitig wird eine Systemfilterdatei geladen, um das spezifische Subsystem innerhalb des vollständigen Produktmodells zu isolieren. Beide Aktionen werden über die grafische Pipelineschnittstelle konfiguriert.

In einem typischen Anwendungsfall verarbeitet die Pipeline JT-Dateien mit mehr als mehreren GB, die komplette Engineering-Modelle mit Tausenden von Komponenten und Millionen von Polygonen enthalten.

Datenverarbeitung und -transformation

Sobald das Modell aus Asset Manager geladen wurde, führt die Pipeline die Hauptverarbeitungsaufgaben über ein benutzerdefiniertes Python-Skript aus, das auf einer virtuellen Maschine ausgeführt wird, die mit dem Asset Transformer-SDK ausgestattet ist. Das Skript lädt das komplette JT-Modell. Asset Transformer SDK wird verwendet, um einen Filtermechanismus auf die Vorkommen des Datensatzes anzuwenden, um die relevanten Systemteile mithilfe der Filtertabelle zu isolieren, die im vorherigen Pipelineschritt aus der CSV-Datei importiert wurde.

Als nächstes wird der SDK-Algorithmus verwendet, um Materialeigenschaften zu extrahieren und anzupassen, um jeder Komponente eindeutige Farben für eine klare visuelle Unterscheidung zuzuordnen. Dies ist die beschriftete Auftretensdarstellung, die vom LLM zusammen mit der Stückliste und den geometrischen Eigenschaften verwendet wird.

Die isolierten Komponenten werden mit einem benutzerdefinierten Algorithmus, der sowohl hierarchische als auch geometrische Beziehungen berücksichtigt, auseinander gebrochen. Für die visuelle Analyse durch die LLM ist es wichtig, die richtige Trennung der Teile zu gewährleisten und sicherzustellen, dass sie für die Aufnahmekamera gut sichtbar sind.

Über die Pipeline-Schnittstelle kann die Anwendung benutzerdefinierte Einstellungen als Explosion anwenden und Rezepte rendern, um die Pipeline-Einstellungen basierend auf Produkt- und Systemeigenschaften dynamisch zu ändern.

Das Asset Transformer SDK bietet Cloud-Rendering-Funktionen, die zum Rendern der beschrifteten Explosionsansichten des Systems als Teil der Verarbeitungspipeline verwendet werden. Die daraus resultierenden visuellen Daten dienen sowohl als Grundlage für die menschliche Überprüfung als auch für die KI-Analyse.

Datenexport und KI-Analyse

Zusätzlich exportiert eine benutzerdefinierte Skriptfunktion die Stückliste als CSV-Datei mit Metadaten für alle Systemkomponenten und berechnet die geometrischen Eigenschaften jedes Auftretens mithilfe der Asset Transformer SDK-Funktionen. Die Stückliste wird neben den gerenderten Explosionsansichten in der 3D Mine gespeichert.

Die KI-Komponente übernimmt. Die Pipeline Automation-Schnittstelle sendet HTTP-Anfragen an ein großes Sprachmodell (LLM), das die Explosionsansichten, Stücklisten und Systembeschreibungen bereitstellt:

• Zunächst wird in einem Pipelineschritt die Nutzlast für die LLM-Anforderung erstellt, indem die gerenderten Bilder und die Stückliste im Anforderungskörper zusammen mit der Systembeschreibung, den LLM-Anweisungen und der Aufforderung codiert werden.
• Das LLM führt eine umfassende Analyse der Eingangsdaten durch und gibt Textdateien zurück, die wichtige architektonische Erkenntnisse, Materialien und Fügestrategien, Herstellbarkeitsbewertungen, erstklassige Leistungskennzahlenschätzungen, Annahmen mit Vertrauensbewertungen und Designverbesserungsvorschläge enthalten.

Ergebnisse und Wirkung

Der letzte Pipeline-Schritt lädt den KI-generierten Benchmark-Bericht und die markierten Explosionsansichten zurück in den Asset Manager und bietet so eine zentrale Referenz für Teams. Dies ermöglicht ein frühzeitiges Benchmarking, bevor es zu einem physischen Abriss kommt.

Die Virtual Teardown Assistant Pipeline automatisiert komplexe CAD-Verarbeitungs- und Visualisierungsaufgaben und integriert dabei KI-gesteuerte Erkenntnisse. Die Kombination aus skalierbarer Pipeline-Automatisierung, Echtzeit-Rendering und fortschrittlicher LLM-Auswertung reduziert den Zeit- und Kostenaufwand für umsetzbare Engineering-Benchmarks erheblich.

Der Weg vor uns

Der virtuelle Abreißassistent wird derzeit eingesetzt und liefert konsistente Renderings für Systeme mit hoher Priorität. Aber Savo und sein Team stehen erst am Anfang.

In den nächsten zwei Jahren soll das System maßstabsgetreu optimiert und direkt mit den internen Systemen von BMW, wie dem CAD-Repository, verbunden werden. Dies wird eine noch detailliertere Analyse ermöglichen, die Bilder aus verschiedenen Blickwinkeln macht und sich auf einzelne Komponenten konzentriert, um die Qualität zu verbessern. Savos Team erfuhr, dass die Kombination von Vision Algorithmen mit großen Sprachmodellen der Schlüssel zur Skalierbarkeit ist.

Für andere Unternehmen, die an ähnlichen Lösungen interessiert sind, ist der Rat eindeutig. Wähle ein echtes Problem, baue einen schnellen POC auf und lass die Ergebnisse sprechen. Strategie ist wichtig, aber nichts überzeugt eine Organisation so sehr, wie wenn man sie funktionieren sieht. Sobald die Auswirkungen sichtbar sind, wird die Skalierung zum Sog des Geschäfts, nicht zum Anstoß der IT.

Durch die Nutzung des Unity Ökosystems visualisiert die BMW Group nicht nur Autos, sondern bringt Maschinen bei, sie zu verstehen, um eine intelligentere, schnellere und datenorientierte Zukunft für den Automobilbau voranzutreiben.