Software: CAD - Tutorial - Optimierung - Toleranzen - Robust-Design: Unterschied zwischen den Versionen

Aus OptiYummy
Zur Navigation springenZur Suche springen
KKeine Bearbeitungszusammenfassung
KKeine Bearbeitungszusammenfassung
 
(4 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt)
Zeile 1: Zeile 1:
[[Software:_CAD_-_Tutorial_-_Optimierung|&uarr;]] <div align="center"> [[Software:_CAD_-_Tutorial_-_Optimierung_-_Probabilistik_Detail-Analyse|&larr;]] [[Software:_CAD_-_Tutorial_-_Optimierung_-_Toleranzen_-_Experimentkonfiguration|&rarr;]] </div>
[[Software:_CAD_-_Tutorial_-_Optimierung|&uarr;]] <div align="center"> [[Software:_CAD_-_Tutorial_-_Optimierung_-_Probabilistik_Visualisierung|&larr;]] [[Software:_CAD_-_Tutorial_-_Optimierung_-_Toleranzen_-_Experimentkonfiguration|&rarr;]] </div>
<div align="center"> ''' Robust-Design-Optimierung (Einführung) ''' </div>
<div align="center"> ''' Robust-Design-Optimierung (Einführung) ''' </div>


Aufgabe des Ingenieurs ist es, die Anforderungen an die Funktionalität eines technischen Produktes (im Beispiel der Biegefeder) trotz der unvermeidbaren Streuungen und Unsicherheiten immer zu gewährleisten. In der Industrie werden dafür enorme Anstrengungen mit hohem Aufwand und Kosten unternommen:
Aufgabe des Ingenieurs ist es, die Anforderungen an die Funktionalität eines technischen Produktes (im Beispiel der Biegefeder) trotz der unvermeidbaren Streuungen und Unsicherheiten immer zu gewährleisten. In der Industrie werden dafür enorme Anstrengungen mit hohem Aufwand und Kosten unternommen:
* Durchführung von statistischer Versuchsplanung mit vielen echten Prototypen.  
* Durchführung von statistischer Versuchsplanung (Stichproben) mit vielen echten Prototypen.  
* Häufig kostenintensive Produktänderungen während der Vorserienfertigung und sogar in der Serienfertigung.
* Häufig kostenintensive Produktänderungen während der Vorserienfertigung und sogar in der Serienfertigung.
Ein moderner und kostengünstiger Ansatz zur Lösung dieses Problems liegt in der modellbasierten probabilistischen Optimierung der Produktparameter unter Berücksichtigung der Streuungen in sehr frühen Entwurfsphasen:
Ein moderner und kostengünstiger Ansatz zur Lösung dieses Problems liegt in der modellbasierten probabilistischen Optimierung der Produktparameter unter Berücksichtigung der Streuungen in sehr frühen Entwurfsphasen:
* Finden geeigneter Produktparameter, damit das Produktverhalten trotz der unvermeidbaren Streuungen und Unsicherheiten von Eingangsgrößen robust allen Anforderungen gerecht wird. Das bedeutet, dass die Streuungen der Produktparameter nur zulässige Streuungen der Produkteigenschaften verursachen.   
* Gesucht werden geeignete Produktparameter, damit das Produktverhalten trotz der unvermeidbaren Streuungen und Unsicherheiten von Eingangsgrößen robust allen Anforderungen gerecht wird. Das bedeutet, dass die Streuungen der Produktparameter nur zulässige Streuungen der Produkteigenschaften verursachen.   
* Diesen Prozess nennt man Robust-Design-Optimierung, weil er meist zu Lösungen führt, welche möglichst unempfindlich auf Eingangsstreuungen reagieren.
* Diesen Prozess nennt man Robust-Design-Optimierung, weil er meist zu Lösungen führt, welche möglichst unempfindlich auf Eingangsstreuungen reagieren.
Die modellbasierte Optimierung beginnt ausgehend von einem ersten Entwurf mit einer Nennwert-Optimierung. Diese führt zu einem Nennwertoptimum (in der Grafik am Bespiel zweier Bewertungsgrößen '''''Y1''''' und '''''Y2''''' demonstriert):
Die modellbasierte Optimierung beginnt ausgehend von einem ersten Entwurf mit einer Nennwert-Optimierung:
* Die Nennwert-Optimierung führt zu einer Lösung, welche meist die Grenzen des Zulässigen ausschöpft (in der Grafik am Beispiel zweier Bewertungsgrößen '''''Y1''''' und '''''Y2''''' demonstriert):
<div align="center"> [[Datei:Software_SimX_-_Nadelantrieb_-_Robust-Optimierung_-_prozess-schema.gif|.]] </div>
<div align="center"> [[Datei:Software_SimX_-_Nadelantrieb_-_Robust-Optimierung_-_prozess-schema.gif|.]] </div>
* Berücksichtigt man mittels probabilistischer Simulation (Versuchsplanung) für dieses Nennwertoptimum die wirksamen Streuungen, so liegt ein Teil der Lösungen außerhalb der zulässigen Spezifikation.
* Berücksichtigt man mittels probabilistischer Simulation (Versuchsplanung mit Stichprobe) für dieses Nennwertoptimum die wirksamen Streuungen, so liegt ein Teil der Lösungen außerhalb der zulässigen Spezifikation.
* Um eine Ausschussquote von Null zu erreichen, ist es häufig erforderlich, die Nennwerte des Optimums so zu verschieben, dass die gesamte Streuung innerhalb des zulässigen Lösungsraumes liegt.
* Um eine Ausschussquote von Null zu erreichen, ist es häufig erforderlich, die Nennwerte des Optimums so zu verschieben, dass die gesamte Streuung innerhalb des zulässigen Lösungsraumes liegt.
* Günstig ist in solch einem Fall, wenn man zusätzlich die Empfindlichkeit der Lösung in Hinblick auf die Streuung der Eingangsparameter verringern kann (Erhöhung der Robustheit).
* Günstig ist in solch einem Fall, wenn man zusätzlich die Empfindlichkeit der Lösung in Hinblick auf die Streuung der Eingangsparameter verringern kann (Erhöhung der Robustheit).
In unserem Beispiel der Biegefeder ist eine Verschiebung der Parameter-Nennwerte nicht erforderlich:
In unserem Beispiel der Biegefeder ist eine Verschiebung der Parameter-Nennwerte nicht erforderlich:
* Es genügt, die Streuung der Federkonstante '''''c_Feder''''' auf eine Toleranzbreite von '''±10%''' um den Sollwert zu verringern.
* Es genügt, die Streuung der Federkonstante '''''c_Feder''''' auf eine Toleranzbreite von '''±10%''' um den Sollwert zu verringern.
* Im Ergebnis der vorherigen Toleranz-Analyse können wir dieses Ziel erreichen, wenn wir die Toleranz der Federdicke verringern.
* Als Ergebnis der vorherigen Toleranz-Analyse wissen wir, dass man dieses Ziel wahrscheinlich erreichen kann, indem man nur die Toleranz der Federdicke verringert.
* Dafür können wir das sehr genaue Ersatzmodell benutzen, welches für den ursprünglichen Bereich der Streuung ermittelt wurde, weil wir die Grenzen dieses Modells bei einer Verringerung des Streubereiches nicht verlassen!
* Dafür können wir das sehr genaue Ersatzmodell (Polynomfunktionen) benutzen, welches für den ursprünglichen Bereich der Streuung ermittelt wurde, weil wir die Grenzen dieses Modells bei einer Verringerung des Streubereiches nicht verlassen!
* Dieser "virtuelle Entwurf" spart insbesondere bei aufwändigen Originalmodellen extrem viel Berechnungszeit.  
* Dieser "virtuelle Entwurf" spart insbesondere bei aufwändigen Originalmodellen extrem viel an Berechnungszeit.  
 
<div align="center"> [[Software:_CAD_-_Tutorial_-_Optimierung_-_Probabilistik_Visualisierung|&larr;]] [[Software:_CAD_-_Tutorial_-_Optimierung_-_Toleranzen_-_Experimentkonfiguration|&rarr;]] </div>
<div align="center"> ''''' Der Entwurf des Scriptes wird hier bald fortgesetzt! ''''' </div>
<div align="center"> [[Software:_CAD_-_Tutorial_-_Optimierung_-_Probabilistik_Detail-Analyse|&larr;]] [[Software:_CAD_-_Tutorial_-_Optimierung_-_Toleranzen_-_Experimentkonfiguration|&rarr;]] </div>

Aktuelle Version vom 7. Dezember 2015, 15:58 Uhr

Robust-Design-Optimierung (Einführung)

Aufgabe des Ingenieurs ist es, die Anforderungen an die Funktionalität eines technischen Produktes (im Beispiel der Biegefeder) trotz der unvermeidbaren Streuungen und Unsicherheiten immer zu gewährleisten. In der Industrie werden dafür enorme Anstrengungen mit hohem Aufwand und Kosten unternommen:

  • Durchführung von statistischer Versuchsplanung (Stichproben) mit vielen echten Prototypen.
  • Häufig kostenintensive Produktänderungen während der Vorserienfertigung und sogar in der Serienfertigung.

Ein moderner und kostengünstiger Ansatz zur Lösung dieses Problems liegt in der modellbasierten probabilistischen Optimierung der Produktparameter unter Berücksichtigung der Streuungen in sehr frühen Entwurfsphasen:

  • Gesucht werden geeignete Produktparameter, damit das Produktverhalten trotz der unvermeidbaren Streuungen und Unsicherheiten von Eingangsgrößen robust allen Anforderungen gerecht wird. Das bedeutet, dass die Streuungen der Produktparameter nur zulässige Streuungen der Produkteigenschaften verursachen.
  • Diesen Prozess nennt man Robust-Design-Optimierung, weil er meist zu Lösungen führt, welche möglichst unempfindlich auf Eingangsstreuungen reagieren.

Die modellbasierte Optimierung beginnt ausgehend von einem ersten Entwurf mit einer Nennwert-Optimierung:

  • Die Nennwert-Optimierung führt zu einer Lösung, welche meist die Grenzen des Zulässigen ausschöpft (in der Grafik am Beispiel zweier Bewertungsgrößen Y1 und Y2 demonstriert):
.
  • Berücksichtigt man mittels probabilistischer Simulation (Versuchsplanung mit Stichprobe) für dieses Nennwertoptimum die wirksamen Streuungen, so liegt ein Teil der Lösungen außerhalb der zulässigen Spezifikation.
  • Um eine Ausschussquote von Null zu erreichen, ist es häufig erforderlich, die Nennwerte des Optimums so zu verschieben, dass die gesamte Streuung innerhalb des zulässigen Lösungsraumes liegt.
  • Günstig ist in solch einem Fall, wenn man zusätzlich die Empfindlichkeit der Lösung in Hinblick auf die Streuung der Eingangsparameter verringern kann (Erhöhung der Robustheit).

In unserem Beispiel der Biegefeder ist eine Verschiebung der Parameter-Nennwerte nicht erforderlich:

  • Es genügt, die Streuung der Federkonstante c_Feder auf eine Toleranzbreite von ±10% um den Sollwert zu verringern.
  • Als Ergebnis der vorherigen Toleranz-Analyse wissen wir, dass man dieses Ziel wahrscheinlich erreichen kann, indem man nur die Toleranz der Federdicke verringert.
  • Dafür können wir das sehr genaue Ersatzmodell (Polynomfunktionen) benutzen, welches für den ursprünglichen Bereich der Streuung ermittelt wurde, weil wir die Grenzen dieses Modells bei einer Verringerung des Streubereiches nicht verlassen!
  • Dieser "virtuelle Entwurf" spart insbesondere bei aufwändigen Originalmodellen extrem viel an Berechnungszeit.