Mann vor einer virtuellen Abbildung einer Fahrzeugkarosserie — Im Transferprojekt KG4MBSE geht es darum, Wissen aus vorherigen Produktionsentwicklungen wiederzuverwenden, um zukünftige Entwicklungen zu vereinfachen. Bildquelle: Adobe Stock/Tondone

Transferprojekt KG4MBSE: Komplexe Entwicklungsprozesse vereinfachen

Das Transferprojekt KG4MBSE unterstützt Unternehmen dabei, Wissen aus früheren Entwicklungsprojekten komplexer Produkte wiederzuverwenden. Mit einem innovativen Ansatz sollen modellbasierte Verfahren vereinfacht und beschleunigt werden – für effizientere Abläufe in der Industrie.

Technische Produkte werden immer komplexer und anspruchsvoller. Verschiedene Fachdisziplinen wie das Ingenieurswesen, die Software-Entwicklung oder das Design müssen Hand in Hand arbeiten, um ein in allen Aspekten abgestimmtes Produkt zu entwerfen. Eine Möglichkeit, diese umfangreichen Entwicklungsprozesse übersichtlicher und verständlicher zu machen, ist die modellbasierte Systementwicklung (Model-based Systems Engineering, MBSE).

Dabei werden Anforderungen, Funktionen, Bestandteile und Abläufe des Produktes definiert, in Beziehung zueinander gesetzt und mithilfe eines digitalen Modells visualisiert. So wird die Komplexität auf einen Blick erkennbar. Ein autonomes Fahrzeug muss z. B. die Anforderung erfüllen, Abstand zu anderen Fahrzeugen zu halten. Außerdem sieht die Funktion vor, Fahrzeugpositionen zu bestimmen oder Fahrwege zu planen. Verbaute Teile sind u. a. Sensoren und Kommunikationsmodule. Die Abläufe definieren z. B., wann das Auto startet, navigiert und bremst.

Diese Zusammenhänge werden innerhalb des digitalen Modells deutlich. Das Modell wird mit einer grafischen Sprache erzeugt (z. B. Systems Modeling Language, SysML). Die Sprache legt u. a. fest, welche Diagrammtypen eingesetzt werden oder welche Elemente miteinander verknüpft sind. Diese Art der Produktentwicklung wird zunehmend in der Industrie verwendet. Dadurch entstehen viele verschiedene Systemmodelle, in denen wertvolles Wissen enthalten ist. Dieses Wissen wird aber häufig nicht für Folgeprojekte genutzt, da die Systemmodelle separat voneinander entwickelt werden. Genau hier setzt das Transferprojekt „Knowledge Graphs for Model-based Systems Engineering“ (KG4MBSE) an.

Projektziele und Vorgehensweise

Ein zentrales Ziel des Projektes ist es, bereits erarbeitetes Wissen in Form von Teilmodellen aus den Systemmodellen wiederzuverwenden (Model Reuse). Die Herausforderung besteht darin, dass die Wiederverwendung durch uneinheitliche Modellierungsweisen eingeschränkt ist. Daher wollen die Forschenden verschiedene Modelle in einem neuen System (Ontologie) zusammenführen, um das Wissen in einer toolunabhängigen Wissensbasis verfügbar zu machen. Außerdem wollen die Forschenden das Model Reuse vereinfachen, indem Modellfragmente (automatisiert) bereitgestellt werden, die für die Entwicklung neuer Systemmodelle genutzt werden können.

Wenn bestehende Modelle in neuen Entwicklungsprojekten genutzt oder angepasst werden sollen, stehen Unternehmen oft vor zwei zentralen Problemen: Zum einen fällt es schwer, die Vielzahl an Informationen und Daten aus früheren Projekten sinnvoll zu organisieren – gerade bei technisch anspruchsvollen Produkten. Zum anderen fehlt es an Werkzeugen, die eine strukturierte Wiederverwendung von Wissen unterstützen. Dadurch gehen Erfahrungen und Erkenntnisse aus früheren Arbeiten oft verloren. Um dem entgegenzuwirken, sind praxistaugliche Ansätze gefragt, mit denen Wissen systematisch gesichert und bereits zu Beginn neuer Entwicklungsprozesse nutzbar gemacht werden kann.

Prof. Dr. techn. Wolfgang Nejdl
Leibniz Universität Hannover, Forschungszentrum L3S

Ein weiteres zentrales Ziel besteht darin, in bereits erstellten Systemmodellen die Auswirkungen von Änderungen zu beurteilen. Dies ist für spätere Tests wichtig, die z. B. aufgrund gesetzlicher Vorschriften durchgeführt werden müssen.

Um diese Ziele zu erreichen, führen die Forschenden das Wissen aus verschiedenen Modellen in einem Wissensgraphen zusammen. Dabei handelt es sich um ein digitales Netzwerk, in dem einzelne Elemente und ihre Beziehungen zueinander repräsentiert sind. Bei einem autonomen Fahrzeug wären z. B. die Elemente „Sensor“ und „Edge-Computer“ als Graph-Knoten (große Punkte) repräsentiert, ihre Beziehung zueinander wiederum durch eine Graph-Kante (Linie). In diesem Netzwerk wird immer auch die Bedeutung der Beziehung definiert (z. B. der Edge-Computer verarbeitet die vom Sensor erfassten Daten). Wegen der Zuweisung dieser Bedeutungen spricht man auch von einem semantischen digitalen Netzwerk.

Das Wissen aus den verschiedenen Modellen soll mithilfe von Ontology Matching und Entity Resolution zusammengeführt werden. Ontology Matching versucht, Konzepte mit gleicher Bedeutung zu erkennen und abzugleichen. Zum Beispiel könnte die gleiche Klasse von Akteur*innen in Modell A als „Nutzer*in“ und in Modell B als „Endanwender*in“ bezeichnet werden. Mit Entity Resolution werden doppelte oder ähnliche Elemente aus verschiedenen Modellen zusammengeführt (z. B. „Fahrzeugsteuerung“ in Modell A und „Kontrollmodul“ in Modell B als Bezeichnung für die gleiche Fahrzeugkomponente).

Schaubild — Links: Unterschiedliche SysML-Modelle mit variierender Qualität. Mittig: Wissensgraph zur Zusammenführung vorhandener SysML-Modelle. Rechts: Nutzung vorhandener (Teil-)Modelle für neue Entwicklungsprozesse. Bildquelle: Technische Universität Clausthal

Gezielte Anfragen an den Wissensgraphen sowie Methoden der Künstlichen Intelligenz sollen eingesetzt werden, um das vorhandene Wissen zu selektieren und (Teil-)Modelle zu identifizieren, die für neue Entwicklungsprozesse wiederverwendet werden können. So wird die aufwendige Neuentwicklung der Modelle reduziert, zeitliche und personelle Ressourcen werden eingespart. Durch die zielgerichtete Wiederverwendung und Integration der Modellfragmente kann der Modellierungsaufwand gesenkt und die Modellqualität gesteigert werden – ein praktischer Nutzen für die industrielle Anwendung des Model-based Systems Engineering.

Wir werden eine prototypische Online-Plattform entwickeln, die SysML-Modelle in ein einheitliches Format umwandelt und im Wissensgraphen zusammenführt. Dafür werden wir die erforderlichen Maßnahmen wie Ontology Matching und Entity Resolution umsetzen. Gemeinsam mit unseren Praxispartnern werden wir die Wiederverwendung von SysML-Modellen mithilfe des Wissensgraphen testen und mit mindestens zwei Anwendungsfällen evaluieren. So leisten wir einen wertvollen Transfer zwischen Forschung und Praxis und tragen dazu bei, komplexe Entwicklungsprozesse zu vereinfachen.

Prof. Dr.-Ing. David Inkermann
Technische Universität Clausthal, Institut für Maschinenwesen

Die Forschenden werden Workshops für weitere Unternehmen anbieten, in denen sie ihre Erkenntnisse weitergeben.

Erkenntnisse aus den Zukunftslaboren

Die Transferprojekte sind Teil des Zentrums für digitale Innovationen Niedersachsen (ZDIN) und knüpfen an die acht Zukunftslabore an. Neben dem Innovationstransfer zwischen Forschung und Praxis steht auch die Weiterentwicklung der Forschungsergebnisse aus den Zukunftslaboren im Fokus. Das Transferprojekt KG4MBSE wurde von Forschenden der Zukunftslabore Gesellschaft & Arbeit sowie Mobilität ins Leben gerufen. Aus dem Zukunftslabor Gesellschaft & Arbeit fließen Erkenntnisse zu Graph-Algorithmen sowie zur Erstellung und Anwendung von Wissensgraphen ein. Das Zukunftslabor Mobilität verfügt über praktisches Anwendungswissen des Model-based Systems Engineering und stellt exemplarische Daten und Anwendungsfälle für die Entwicklung und Evaluation bereit.

Projektpartner

Folgende Partner aus Forschung und Praxis sind am Transferprojekt KG4MBSE beteiligt: