(DE-EN) Graph neural network based CAD-data analysis for mechanical connection classification

Institut

Lehrstuhl für Fördertechnik Materialfluss Logistik (TUM-ED)

Typ

Bachelorarbeit / Semesterarbeit / Masterarbeit /

Inhalt

 

Beschreibung

*** For English version please refer to the second page of the attached pdf file ***

Ausgangssituation

Das hochwertige Recycling von EoL-Produkten trägt zu höheren wirtschaftlichen Vorteilen und einer effizienteren Materialrückgewinnung bei. Die automatisierte Demontage ist ein wichtiger Ansatz zur Erreichung dieses Ziels, wobei die Identifizierung der Verbindungsarten zwischen den Komponenten die Grundlage für die Automatisierung bildet. Obwohl die Originalhersteller über CAD-Daten für ihre Produkte verfügen, sind die Verbindungstypen zwischen den Komponenten in diesen Daten oft nicht explizit definiert, was eine erhebliche Herausforderung für die automatisierte Demontage darstellt.

Zielsetzung

Wenn die Verbindungsart zwischen zwei Komponenten (wie Schrauben, Zahnrädern, Wellenkupplungen usw.) identifiziert werden kann, können entsprechende Demontagestrategien (einschließlich Werkzeugauswahl und geeigneter Demontagemaßnahmen) für die automatisierte Demontage ausgewählt werden. Basierend auf diesem Konzept ist es erforderlich, CAD-Baugruppendaten zu analysieren und deren geometrische Merkmale zu nutzen, um die Verbindungsarten zwischen Komponentenpaaren zu erkennen. Angesichts der Leistungsfähigkeit von GNNs bei der Beziehungserkennung versucht diese Arbeit, GNNs einzusetzen, um das Ziel der Identifizierung von Komponentenverbindungsarten zu erreichen:

• Untersuchen grobe Ansätze zur Verarbeitung von CAD-Daten mithilfe von GNNs, beispielsweise welche Aspekte der Daten besondere Aufmerksamkeit erfordern.
• Implementieren bestehende GNN, um Features aus CAD-Daten zu extrahieren.
• Die Netzwerke anhand des Datensatzes trainieren und die Ergebnisse bewerten.

Voraussetzungen

Voraussetzung

• Gute Deutsch- oder Englischkenntnisse
• Strukturierte, selbstständige und gewissenhafte Arbeitsweise
• Erfahrung in der Python Programmierung
• Kenntnisse über CAD-Daten und Machine Learning
• Für die Bewerbung bitte Lebenslauf und Leistungsnachweis beifügen

Möglicher Beginn

sofort

Kontakt

Zheng Xiang, M.Sc
Raum: MW 1590F
Tel.: +49 89 289 15914
zheng.xiangtum.de

Ausschreibung