2025, Projektarbeit, Ehsan Ahmadi
 

Betreuung durch M.Sc. Arnaud Ngamakoua Hakoua

Die Wiederverwendung von Konstruktionsdaten birgt enormes Potenzial zur Verkürzung von Entwicklungszeiten. Beim Reverse Engineering entsteht jedoch eine Formatdiskrepanz zwischen unstrukturierte Punktwolken aus optischen Scans (Standard Tessellation Language, STL) und parametrischen Modellen in Konstruktionsdatenbanken (Boundary Representation, B-Rep). Diese Projektarbeit präsentiert eine automatisierte, datengetriebene Methodik zum direkten Abgleich und Abruf (Retrieval) von Computer-Aided Design (CAD)-Modellen innerhalb von Siemens NX. 

Anstatt fehleranfälliger Flächenrückführung verarbeitet das Python-basierte System räumliche Koordinaten direkt. Das Basis-Alignment erfolgt ressourceneffizient über HüllkörperTranslationen (Bounding Box). Für die Extraktion funktionskritischer Merkmale aus verrauschten Scandaten – wie zylindrische Bohrungen – wird ein algebraischer Kåsa-Kreisfit gekoppelt mit einem Filter zur mittleren absoluten Abweichung (Median Absolute Deviation, MAD) angewendet. Topologische Ähnlichkeiten werden rotationsinvariant durch die Hauptkomponentenanalyse (Principal Component Analysis, PCA) und 2D-Formsignaturen quantifiziert. 

Validiert durch Fallstudien mit 3D-gedruckten Bauteilen, generiert das System interaktive 3D-Farbabweichungskarten und strukturierte Tabellenberichte. Eine gewichtete Aggregation der geometrischen Abweichungen identifizierte das exakte Referenzmodell trotz realer, fertigungsbedingter Schwindung fehlerfrei auf Rang 1. Dieser erfolgreiche Proof of Concept (PoC) belegt, dass algebraisch-statistische Punktwolkenverarbeitung eine präzise Retrieval-Alternative darstellt. Zur Reduktion der matrixbedingten Rechenzeit werden künftig hardwarenahe Beschleunigungen durch Grafikprozessoren (Graphics Processing Unit, GPU) für den Einsatz in skalierbaren Product Lifecycle Management (PLM)-Umgebungen empfohlen.