GENAI WORKBENCH: AI-Assisted Analysis and Synthesis of Engineering Systems from Multimodal Engineering Data

Dieser Beitrag stellt das konzeptionelle Framework des GenAI Workbench vor, eine MBSE-Umgebung, die auf einer Open-Source-PLM-Plattform aufbaut und durch die Integration von multimodalen Daten sowie KI-gestützter Analyse und Synthese eine nahtlose digitale Durchgängigkeit von Anforderungsdokumenten bis hin zu Systemarchitekturen ermöglicht.

Das Wesentliche

Stell dir vor, du bist ein Architekt, der ein riesiges, komplexes Gebäude entwirft. Normalerweise hast du drei völlig getrennte Arbeitsbereiche:

1. Der Texter: Schreibt die Liste aller Wünsche (z. B. "Das Fenster muss 2 Meter hoch sein").
2. Der Zeichner: Zeichnet die blauen Pläne und die 3D-Modelle der Wände.
3. Der Systemplaner: Überlegt sich, wie alles zusammenpasst (z. B. "Die Heizung muss durch die Wand gehen, ohne das Fundament zu zerstören").

Das Problem heute ist: Diese drei arbeiten oft in verschiedenen Räumen, mit verschiedenen Werkzeugen und reden kaum miteinander. Wenn der Texter eine Änderung vornimmt, merkt der Zeichner das oft nicht. Das führt zu teuren Fehlern, wenn das Gebäude gebaut wird.

Das "GenAI Workbench"-Projekt ist wie ein super-intelligenter Assistent, der diese drei Räume verbindet und sie alle an einem Tisch sitzen lässt.

Hier ist die Erklärung, wie das funktioniert, ganz einfach erklärt:

1. Der große Bruch (Das Problem)

Aktuell sind Ingenieure wie Übersetzer, die ständig zwischen verschiedenen Sprachen hin- und herwechseln müssen. Sie müssen aus einem langweiligen Text (Anforderungen) ein technisches Modell bauen. Das ist mühsam, fehleranfällig und dauert ewig. Oft entstehen "Informationstürme" – Daten, die da sind, aber niemand sieht den Zusammenhang.

2. Die Lösung: Der "GenAI Workbench"

Stell dir das GenAI Workbench als eine moderne, magische Werkstatt vor, die auf einer offenen Plattform läuft. Sie nutzt Künstliche Intelligenz (KI), um die Arbeit zu erleichtern.

Wie läuft das ab? (Der magische Workflow)

• Schritt 1: Der Text-Scanner (Die Eingabe)
  Der Ingenieur wirft einfach einen dicken PDF-Bericht oder eine Anforderungsliste in die Werkstatt. Die KI liest das wie ein sehr schneller, aufmerksamer Lektor. Sie fängt alle wichtigen Sätze ein: "Das Teil muss rot sein", "Es muss 50 kg tragen".

  • Analogie: Es ist, als würde ein Roboter den Text lesen und sofort kleine, beschriftete Kärtchen für jeden Wunsch ausschneiden.

• Schritt 2: Der Architekt (Die Synthese)
  Jetzt wird es spannend. Die KI nimmt diese Kärtchen und denkt: "Okay, wenn wir ein Fenster brauchen, brauchen wir auch eine Wand und eine Scharniere." Sie baut automatisch einen ersten Entwurf des Systems – eine Art Bauplan-Matrix. Sie schlägt vor: "Hier sind die Teile, und hier sind sie miteinander verbunden."

  • Analogie: Es ist wie ein Koch, der aus einer Liste von Zutaten (Zucker, Mehl, Eier) sofort ein Rezept und eine grobe Skizze des Kuchens entwirft, bevor er überhaupt anfängt zu backen.

• Schritt 3: Der menschliche Chef (Die Korrektur)
  Der Ingenieur sieht sich diesen Vorschlag an. "Moment", denkt er, "die KI hat vergessen, dass wir noch ein Notfallsystem brauchen." Er fügt es per Mausklick hinzu oder korrigiert die Verbindung.

  • Wichtig: Die KI macht den schweren Anfang, aber der Mensch bleibt der Boss. Sie arbeiten Hand in Hand.

• Schritt 4: Die 3D-Verbindung (Der digitale Faden)
  Wenn der Ingenieur jetzt in seinem CAD-Programm (dem 3D-Zeichenprogramm) ein Teil zeichnet, weiß das System sofort: "Aha! Das ist genau das Teil, das in Schritt 2 als 'Wand' identifiziert wurde."

  • Der magische Faden: Es entsteht ein digitaler Faden. Wenn du auf ein 3D-Teil klickst, siehst du sofort: "Dieses Teil erfüllt Anforderung Nr. 42 aus dem Text." Wenn sich die Anforderung ändert, sieht das System sofort, welche Teile im 3D-Modell betroffen sind.

3. Warum ist das so cool? (Die Vorteile)

• Kein mehr "Vergessen": Niemand vergisst mehr, dass ein Kabel durch eine Wand führen muss, weil das System alles automatisch verknüpft.
• Schnelleres Bauen: Statt Wochen zu brauchen, um aus Texten Pläne zu machen, passiert das in Stunden. Man kann schneller verschiedene Ideen durchspielen.
• Fehler finden, bevor sie passieren: Das System kann prüfen: "Hey, dieses Teil ist zu schwer für den Motor, den wir gewählt haben." – noch bevor das erste Stück Metall geschweißt wird.

4. Ein konkretes Beispiel: Der CubeSat

Stell dir vor, ein kleines Team baut einen winzigen Satelliten (CubeSat). Sie haben hunderte Anforderungen von der Rakete, die ihn starten soll, und von der Wissenschaft, die Daten sammeln will.
Mit dem GenAI Workbench kann das Team:

1. Die Raketen-Dokumente hochladen.
2. Die KI extrahiert sofort: "Der Satellit darf nicht schwerer als X sein."
3. Die KI schlägt vor, wie die Solarpanels und die Antennen angeordnet sein müssen, um das Gewicht zu halten.
4. Wenn jemand später das Gewicht der Antenne ändert, warnt das System sofort: "Achtung! Jetzt sind wir zu schwer für die Rakete!"

Fazit

Das GenAI Workbench ist im Grunde ein Übersetzer und Brückenbauer. Es nimmt die chaotische Welt von Texten, 3D-Modellen und Systemplänen und verbindet sie zu einem einzigen, klaren Bild. Es macht Ingenieure nicht überflüssig, sondern gibt ihnen Superkräfte, damit sie sich auf das Wesentliche konzentrieren können: Gute, sichere und innovative Systeme zu bauen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „GenAI Workbench: AI-Assisted Analysis and Synthesis of Engineering Systems from Multimodal Engineering Data" auf Deutsch:

1. Problemstellung

Moderne Engineering-Design-Plattformen sind zwar in disziplinspezifischen Aufgaben (wie CAD, CAM und CAE) hervorragend, weisen jedoch oft einen Mangel an integrierten Systemtechnik-Frameworks auf. Dies führt zu einer Fragmentierung von Daten und Werkzeugen:

• Datensilos: Systemanforderungen, funktionale Architekturen und detaillierte physikalische Designs existieren in getrennten Umgebungen.
• Unterbrochener „Digital Thread": Die Trennung erschwert die Verifikation und Validierung über den gesamten Produktlebenszyklus hinweg und erhöht das Risiko von Integrationsfehlern.
• Manuelle Prozesse: Aktuelle MBSE-Tools (Model-Based Systems Engineering) sind oft manuell und isoliert, was den Bedarf an einer intelligenten, KI-gestützten Integration („MBSE 2.0") begründet.

Das Ziel des Papers ist es, diese Lücke zu schließen, indem eine kohärente, datengesteuerte Methodik entwickelt wird, die KI direkt in den Workflow des Designers integriert.

2. Methodik: Das GenAI Workbench Framework

Das GenAI Workbench ist kein kommerzielles Produkt, sondern ein konzeptioneller Beweis für die Machbarkeit (Proof-of-Concept), der eine integrierte Softwareumgebung für multimodale Daten beschreibt. Es basiert auf einer offenen PLM-Plattform (Product Lifecycle Management) und verbindet semantische Daten (Dokumente), geometrische Daten (B-Rep-Geometrie) und relationale Daten (Systemgraphen).

Technische Architektur und Kernkomponenten

Das Framework nutzt eine persistente Unique Identifier (UID)-Struktur als technisches Rückgrat, um die semantische Lücke zwischen verschiedenen Datenmodi zu überbrücken.

• Systems Hub (Repository): Zentrales Repository für Projekte und Systemhierarchien. Es verwaltet die Integration von Text, Geometrie und Graphen und stellt sicher, dass multimodale Daten nicht isoliert, sondern semantisch verknüpft sind.
• DocumentLabeler (Semantische Engine): Wandelt Rohdokumente (PDF, Word) in strukturierte semantische Kenntnisse um. Es extrahiert Anforderungen und Funktionen mittels LLMs (Large Language Models) und OCR.
• Requirements Manager: Behandelt Anforderungen als „First-Class-Objekte", die mit Architekturteilen verknüpft und verifiziert werden können.
• Architecture (Canvas): Eine visuelle Modellierungsumgebung für die hierarchische Zerlegung von Systemen, Subsystemen und Schnittstellen, einschließlich Verhaltensmodellierung (Zustandsmaschinen, Skripte).

Der KI-unterstützte Workflow

Der Prozess verläuft in sequenziellen Phasen (Human-in-the-Loop):

1. Dokumenten-Ingestion: Quellendokumente werden eingelesen. Ein LLM extrahiert Anforderungssätze und erstellt eine strukturierte Liste im PLM-System, verknüpft mit den Quelldaten.
2. Initiale Architektursynthese: Das System interpretiert die Anforderungen kollektiv, identifiziert Komponenten (Substantive) und Beziehungen (Verben/Verbindungen). Es generiert einen Entwurf für eine Design Structure Matrix (DSM), die Komponenten und deren Interaktionen als Adjazenzmatrix darstellt.
3. Human-in-the-Loop Verfeinerung: Der Ingenieur prüft und korrigiert die KI-Vorschläge (z. B. fehlende Komponenten hinzufügen, Verbindungen ändern). Dies stellt sicher, dass Domänenwissen korrekt abgebildet wird.
4. Verknüpfung mit CAD: Sobald die Architektur bestätigt ist, wird eine 1-zu-1-Entsprechung zwischen den Systemkomponenten und den CAD-Teilen/Assemblies hergestellt.

Verifikation und Validierung (V&V)

Das Framework unterstützt eine hierarchische V&V:

• Phase 1 (Cross-Modal Checks): Ein Regel-Engine prüft die Kompatibilität zwischen den Modi (z. B. räumliche Beziehungen in der Geometrie vs. funktionale Parameter in den Anforderungen).
• Phase 2 (Formale Verifikation): Natürlichsprachliche Constraints werden mittels symbolischer KI in formale Spezifikationen übersetzt, um das Systemverhalten mathematisch zu verifizieren.

3. Wichtige Beiträge

Das Paper stellt vier Hauptbeiträge vor:

1. Einheitliches multimodales Datenmodell: Eine UID-basierte Architektur, die semantische (Text), geometrische (CAD/B-Rep) und relationale (Graph/DSM) Daten nahtlos verknüpft.
2. KI-unterstützte Workflows: Drei vorgeschlagene Workflows für Analyse, Synthese und Generierung von Systemmodellen, die den manuellen Aufwand reduzieren.
3. Hierarchisches V&V-Framework: Eine Kombination aus regelbasierten Cross-Modal-Checks und formaler Verifikation zur Sicherstellung der Systemintegrität.
4. Implementierungsstrategie: Ein Ansatz, der auf Open-Source-Stacks und verfügbaren Geometrie-Kernen (z. B. für STEP-Dateien und B-Rep-Traversal) basiert, um Reproduzierbarkeit und Zugänglichkeit zu gewährleisten.

4. Erwartete Ergebnisse und Anwendungen

Das Framework zielt darauf ab, den „Digital Thread" von einem theoretischen Konzept in eine praktische Realität zu verwandeln.

• End-to-End-Traceability: Ingenieure können auf ein CAD-Feature klicken und sofort die erfüllten Anforderungen sehen oder umgekehrt alle betroffenen Komponenten bei einer Anforderungsänderung identifizieren.
• Beschleunigung der Architektursuche: Systemarchitekten können in Stunden mehrere Kandidatenarchitekturen generieren und iterieren, anstatt Wochen für die manuelle Zerlegung zu benötigen. Dies ermöglicht eine breitere Exploration des Designraums in frühen Projektphasen.
• Anwendungsbeispiel (CubeSat): Als illustratives Beispiel wird die Anwendung auf CubeSat-Missionen skizziert. Dort hilft das Tool, komplexe Schnittstellenanforderungen (z. B. von Trägerraketen) zu erfassen und sicherzustellen, dass keine Subsysteme (Kommunikation, ADCS, Strom) die Mass- oder Leistungsbeschränkungen verletzen.

5. Bedeutung und Ausblick

Die Bedeutung des GenAI Workbench liegt in seiner Fähigkeit, die Lücke zwischen systemischer Ebene und Komponentendesign zu schließen und so die Integration von KI in den MBSE-Workflow zu operationalisieren. Es demonstriert, dass die Generierung von Systemarchitekturen aus unstrukturierten Dokumenten computationally machbar ist.

Zukünftige Arbeiten konzentrieren sich auf:

• Die vollständige Implementierung und empirische Validierung durch Benutzerstudien.
• Die Vertiefung der Brücke zwischen Physik und Semantik durch Fine-Tuning von Vision-Language-Modellen (VLMs) auf Engineering-Datensätzen.
• Die Entwicklung von „Agentic Synthesis", bei der KI-Agenten autonom Analyse-Skripte ausführen, um die Verifikation weiter zu automatisieren und den Human-in-the-Loop-Anteil zu reduzieren.

Zusammenfassend bietet das Paper einen wegweisenden Rahmen für eine integrierte, datengesteuerte und KI-gestützte Engineering-Methodik, die das Risiko von Integrationsfehlern senkt und die Effizienz im Systemdesign erheblich steigern könnte.