Sebastjan Kotnik¹, Peter Fajs¹
¹TECOS
POVZETEK
V sodobni proizvodnji se spreminja paradigma razvoja izdelkov – od dolgih razvojnih ciklov in maksimalne robustnosti k hitrim iteracijam, prilagodljivosti trgu in optimizirani življenjski dobi. Evropski pristop tradicionalno temelji na natančni optimizaciji, robustnosti in dolgi življenjski dobi orodij, medtem ko azijski modeli poudarjajo hitrost razvoja, serijsko razmišljanje in iterativni pristop.
Prispevek najprej obravnava razlike med pristopi skozi primere iz orodjarstva, vključno z uporabo aluminijastih orodij, epoksidnih gravur in aditivnih tehnologij za prototipne in pilotne serije. Na tej osnovi je uveden koncept “prave življenjske dobe”, ki pomeni ekonomsko optimalno življenjsko dobo orodja glede na trg, serijo in čas.
V drugem delu je analizirana vloga generativne umetne inteligence (GAI) v CAD okoljih kot orodja za pospeševanje razvoja. Predstavljene so razlike med parametričnim modeliranjem, topološko optimizacijo in generativnim oblikovanjem ter pomen podatkovno vodenih pristopov in nadomestnih modelov.
Na podlagi literature in industrijskih primerov so prikazani potencialni učinki, kot so zmanjšanje mase, zmanjšanje števila iteracij in skrajšanje razvojnega časa. Prispevek zaključuje, da generativni pristopi ne nadomeščajo inženirja, temveč razširjajo prostor možnih rešitev ter predstavljajo pomembno priložnost za povečanje konkurenčnosti evropskega orodjarstva.
1. Uvod
V sodobni industriji razvoja izdelkov prihaja do izrazite spremembe paradigme. Tradicionalni pristopi, ki temeljijo na dolgih razvojnih ciklih, visoki robustnosti in optimizaciji do skrajnih meja, se postopoma umikajo novim zahtevam trga. Te narekujejo hitrejše uvajanje izdelkov, večjo prilagodljivost in bistveno krajši čas od ideje do realizacije.
Glavni dejavniki teh sprememb so pospešen tehnološki razvoj, digitalizacija in globalizacija, ki omogočajo hiter prenos znanja in proizvodnje. Hkrati se spreminjajo tudi potrošniške navade, ki vse bolj poudarjajo personalizacijo, stalne novosti in kratke življenjske cikle izdelkov. Posledično so podjetja prisiljena skrajševati razvojne procese in uvajati strategije, kot je minimalno sprejemljiv produkt (MVP), kar pomeni, da se izdelki na trg lansirajo hitreje in se nato iterativno izboljšujejo.
V tem kontekstu se postavlja vprašanje, ali je tradicionalni evropski pristop k razvoju in orodjarstvu še vedno optimalen.
2. Prelom paradigme: redefinicija življenjske dobe orodij
Evropsko orodjarstvo je zgodovinsko zgrajeno na principih visoke kakovosti, natančnosti in dolge življenjske dobe. Orodja so pogosto dimenzionirana za več milijonov ciklov, kar zagotavlja zanesljivost in stabilnost proizvodnje. Tak pristop pa prinaša tudi visoke začetne stroške ter dolge razvojne čase, ki niso vedno skladni z dinamiko sodobnih trgov.
Zato se uveljavlja nov koncept, ki življenjsko dobo orodja definira kot ekonomsko optimalno glede na konkretno aplikacijo. Namesto maksimalne obstojnosti postaja ključno vprašanje, ali je življenjska doba usklajena s pričakovano serijo, časom prisotnosti izdelka na trgu in investicijskimi omejitvami.
Slika 1: Povezava med življenjskim ciklom izdelka in življenjskim ciklom orodja ter vloga informacijskega kroga
Tak pristop omogoča uporabo alternativnih tehnologij, kot so aluminijaste gravure ali orodja iz umetnih mas. Aluminijaste gravure omogočajo hitrejšo izdelavo, krajše ciklusne čase in zadostno obstojnost za srednje velike serije. Po drugi strani tehnologije, kot je 3D tisk (npr. SLA), omogočajo izjemno hitro izdelavo prototipnih orodij, ki so primerna za testiranje konceptov in zgodnje faze razvoja.
Slika 2: Gravure iz umetnih mas
Seveda imajo takšne rešitve tudi omejitve, predvsem v smislu mehanske obstojnosti, dimenzijske stabilnosti in omejene uporabe določenih materialov. Kljub temu pa omogočajo bistveno hitrejše iteracije, kar je v mnogih primerih ključnega pomena.
3. Primerjava razvojnih modelov: Evropa in Azija
Razlike med evropskim in azijskim pristopom k razvoju izdelkov so izrazite. Evropski model temelji na natančnosti, robustnosti in optimizaciji, pri čemer se veliko pozornosti namenja detajlom in dolgoročni zanesljivosti. Posledica tega so daljši razvojni cikli in višji stroški, vendar tudi visoka kakovost končnih izdelkov.
Nasprotno pa azijski model temelji na serijskem razmišljanju, hitrih iteracijah in pragmatičnem pristopu k razvoju. Orodja se pogosto obravnavajo kot potrošna investicija, ki jo je mogoče prilagajati in nadgrajevati skozi življenjski cikel izdelka. Tak pristop omogoča hitrejše odzivanje na tržne spremembe, vendar lahko vodi do nižje začetne kakovosti.
Ključni izziv evropske industrije je, kako ohraniti svojo tradicionalno prednost v kakovosti, hkrati pa povečati hitrost razvoja. Kljub omenjenim izzivom evropska orodjarska podjetja ostajajo med tehnološko najnaprednejšimi na svetu. Podjetja, kot so Haidlmair GmbH, Otto Männer GmbH in Foboha GmbH, predstavljajo primere uspešne integracije avtomatizacije, digitalizacije in naprednih proizvodnih tehnologij.
Za ta podjetja je značilna visoka stopnja avtomatizacije, vključno z robotiziranimi obdelovalnimi celicami, avtomatsko menjavo orodij in elektrod ter integriranimi sistemi za upravljanje proizvodnje (MES). Posebej pomemben je koncept t. i. »lights-out« proizvodnje, kjer proizvodni procesi potekajo neprekinjeno brez prisotnosti operaterjev.
Slika 3: Proizvodnja kompleksnih multi-cavity orodij (CUBE Moulds) (Otto Männer GmbH)
Takšne rešitve omogočajo visoko produktivnost, ponovljivost in natančnost, hkrati pa zmanjšujejo vpliv človeškega faktorja in stroškov dela.
4. Generativna umetna inteligenca v CAD okoljih
V zadnjih letih se kot pomembno orodje za pospeševanje razvoja uveljavlja generativna umetna inteligenca. Ta omogoča prehod od klasičnega načrtovanja k raziskovanju prostora možnih rešitev.
Pri parametričnem modeliranju inženir neposredno definira geometrijo in spreminja posamezne parametre, pri čemer se generira ena rešitev naenkrat. Topološka optimizacija predstavlja nadgradnjo tega pristopa, saj na podlagi fizikalnih zakonitosti išče optimalno porazdelitev materiala, vendar običajno vodi do ene same rešitve.
Generativni pristop pa temelji na definiciji ciljev in omejitev, pri čemer sistem sam generira več alternativnih rešitev. Te se lahko vrednotijo glede na različne kriterije, kot so masa, togost, stroški ali proizvodne omejitve. Tak pristop pogosto vključuje uporabo podatkovno vodenih metod in nadomestnih modelov, ki omogočajo hitrejše ocenjevanje rešitev brez potrebe po polnih numeričnih simulacijah.
Ključna prednost generativnega pristopa je v tem, da omogoča hkratno obravnavo več rešitev in s tem boljše razumevanje kompromisov med različnimi kriteriji.
Slika 4: Primerjava klasičnega, generativnega in proizvodno prilagojenega CAD modeliranja komponente; Vir: Dassault Systèmes, 3DEXPERIENCE
5. Integracija umetne inteligence v razvojni cikel
Uporaba umetne inteligence se ne omejuje zgolj na generativno oblikovanje, temveč zajema celoten življenjski cikel izdelka. V fazi načrtovanja omogoča avtomatizacijo ponavljajočih se nalog, zaznavanje napak in kolizij ter generiranje standardnih komponent. V kombinaciji s simulacijami omogoča tudi zgodnjo validacijo rešitev, kar zmanjšuje število iteracij in stroške razvoja.
V širšem kontekstu umetna inteligenca omogoča tudi prediktivno vzdrževanje, optimizacijo virov, napovedovanje povpraševanja ter upravljanje tveganj. S tem postaja ključni element digitalne transformacije proizvodnih podjetij.
Kljub številnim prednostim pa ostajajo tudi izzivi, povezani z zahtevami po velikih količinah podatkov, interoperabilnostjo modelov ter sprejemanjem novih tehnologij v industrijskem okolju.
Slika 5: Uporaba umetne inteligence in strojnega učenja v PLM sistemih za avtomatizacijo in optimizacijo procesov (Vir: WavePLM – AI & ML in PLM: Automation and Workflow Optimization)
6. Razprava
Rezultati analize potrjujejo, da prihodnji razvoj evropskega orodjarstva ne temelji na opuščanju obstoječih prednosti, temveč na njihovi nadgradnji in prilagoditvi novim tržnim in tehnološkim pogojem. Tradicionalni poudarki evropskega pristopa, kot so visoka kakovost, robustnost konstrukcij ter poglobljeno inženirsko znanje, ostajajo pomembni diferenciacijski dejavniki, vendar se v sodobnem okolju vse bolj soočajo z omejitvami v smislu daljših razvojnih ciklov in manjše prilagodljivosti.
Eden ključnih trendov je premik od absolutnega optimiranja življenjske dobe orodij k konceptu projektno pogojene, ekonomsko optimalne življenjske dobe. V tem okviru se uveljavljajo tudi alternativni proizvodni pristopi, kot so uporaba gravur iz aluminija in umetnih mas, zlasti v fazah razvoja, testiranja in proizvodnje manjših serij. Takšne rešitve omogočajo bistveno skrajšanje razvojnega časa in zmanjšanje stroškov, pri čemer zavestno sprejemajo omejitve glede trajnosti in obrabe. S tem postaja življenjska doba orodja funkcija konkretnega projekta, njegovih količinskih zahtev in časovnih omejitev.
Pomembno dopolnilo tem pristopom predstavljajo digitalne tehnologije, zlasti generativno modeliranje in umetna inteligenca. Generativni pristopi omogočajo prehod od determinističnega, linearnega načrtovanja k raziskovalno usmerjenemu procesu, kjer se simultano generira in vrednoti več alternativnih rešitev. S tem se bistveno poveča učinkovitost iskanja optimalnih konstrukcijskih rešitev ter zmanjša potreba po zaporednih iteracijah. Vendar pa vloga inženirja ostaja osrednja, saj je odgovoren za ustrezno definicijo robnih pogojev, interpretacijo rezultatov in končno odločanje.
Pri implementaciji teh pristopov je ključna njihova integracija v obstoječe razvojne in proizvodne procese. Učinkovitost generativnih metod je neposredno povezana s kakovostjo vhodnih podatkov, razpoložljivostjo simulacijskih modelov ter stopnjo digitalne zrelosti organizacije. Posledično generativna umetna inteligenca ne predstavlja zgolj tehnološke inovacije, temveč zahteva tudi organizacijske in procesne spremembe.
7. Zaključek
Prehod od koncepta dolge življenjske dobe k ekonomsko optimalni življenjski dobi predstavlja pomembno spremembo paradigme v razvoju izdelkov in orodij. Namesto maksimalne robustnosti postaja v ospredju optimizacija, ki upošteva celoten kontekst izdelka, vključno s tržnimi zahtevami, velikostjo serije, časom razvoja in stroškovno učinkovitostjo.
Evropska industrija ima v tem procesu pomembno izhodišče, saj razpolaga z visoko ravnjo tehničnega znanja, napredno proizvodno infrastrukturo in dolgo tradicijo kakovostnega inženiringa. Vendar pa ohranjanje konkurenčnosti v globalnem okolju zahteva tudi povečanje hitrosti razvoja ter večjo prilagodljivost. To vključuje tako uporabo digitalnih tehnologij, kot so generativno modeliranje, umetna inteligenca in avtomatizacija, kot tudi pragmatične proizvodne pristope, ki omogočajo hitrejšo validacijo in uvedbo izdelkov na trg.
Generativna umetna inteligenca pri tem predstavlja pomembno podporno orodje, ki omogoča raziskovanje širšega prostora rešitev in hitrejšo optimizacijo konstrukcij. Kljub temu ne nadomešča inženirja, temveč razširja njegove zmožnosti ter podpira bolj informirano in učinkovito odločanje.
Na podlagi izvedene analize lahko zaključimo, da bo konkurenčnost evropskega orodjarstva v prihodnje temeljila na sposobnosti združevanja tradicionalnih prednosti z novimi tehnološkimi pristopi. Ključni izziv ostaja doseganje ravnotežja med kakovostjo in hitrostjo razvoja, pri čemer tehnologija predstavlja sredstvo, končne odločitve pa ostajajo v domeni človeka.
Literatura:
- Yüksel, N., & Börklü, H. R. (2024).
A Generative Deep Learning Approach for Improving the Mechanical Performance of Structural Components.
Applied Sciences, 14(9), 3564.
https://doi.org/10.3390/app14093564
- Koul, P. (2024).
A Review of Generative Design Using Machine Learning for Additive Manufacturing.
Advances in Mechanical and Materials Engineering, 41, 145–159.
https://doi.org/10.7862/rm.2024.14
- Peckham, O., et al. (2025).
Artificial Intelligence in Generative Design: A Structured Review of Trends and Opportunities.
Designs, 9(79).
https://doi.org/10.3390/designs9040079
- Buga, A., Borzan, M., & Trif, A. (2025).
Artificial Intelligence in the CAD Process: Machine Learning Models, Generative Optimisation, and Their Impact on Design.
Academic Journal of Manufacturing Engineering, 23(1).
- Villena Toro, J. (2023).
Machine Learning in Design Engineering and Manufacturing.
Linköping University.
https://doi.org/10.3384/9789180754569
- Shafiee, S. (2025).
Generative AI in Manufacturing: A Literature Review of Recent Applications and Future Prospects.
Procedia CIRP, 132, 1–6.
https://doi.org/10.1016/j.procir.2025.01.001