3D-CAD-Ähnlichteilsuche & Teilewiederverwendung

Hersteller halten zehntausende bis Millionen Teile in PLM/PDM-Archiven, und Konstrukteure finden oft kein vorhandenes Teil, das „fast“ dem entspricht, was sie brauchen. Also zeichnen sie ein neues und legen eine neue Teilenummer an. Die Formsuche kodiert jedes 3D-Modell als geometrischen Fingerabdruck oder Embedding und liefert die ähnlichsten vorhandenen Teile, Normteile und Katalogteile von Lieferanten zusammen mit Kosten- und Lieferantendaten. Der Nutzen sind weniger Dubletten, mehr Standardisierung, schnellere Angebote und die Wiederverwendung vorhandener Zeichnungen, Werkzeuge und NC-Programme.

Problem & Nutzen

• Heute: Die Suche in PDM/PLM arbeitet mit Teilenummern, Benennungen und Attributen. Benennungen sind uneinheitlich, Attribute unvollständig und Altdaten schlecht klassifiziert, sodass ein geometrisch identisches Teil oft nicht gefunden wird. Folge: Dubletten, zu viele Varianten, höhere Kosten für Einkauf, Lager und Werkzeuge.
• KI-Nutzen: Suche nach Geometrie statt nach Worten. Eine Anfrage mit 3D-Modell, grober Skizze oder Zeichnung liefert nahe Treffer; kombinierte Filter (Material, Größenklasse, Lieferant) grenzen die Ergebnisse ein; derselbe Index findet Dubletten im Archiv und unterstützt Should-Cost-Analyse und Angebotserstellung (PRED-032).
• Belegstand (vom Anbieter berichtet, nicht unabhängig geprüft): CADENAS berichtet, dass sein GEOsearch- Projekt bei Airbus einen internen Exzellenzpreis gewann, mit einer Wiederverwendungsquote von fast 40 % im Pilot und Pilot-Einsparungen, die die Pilotkosten deckten [1]. Verstehen Sie dies als Hinweis; Ihre Wiederverwendungsquote hängt davon ab, wie repetitiv Ihr Portfolio ist (hoch bei variantenreichem Maschinenbau und Automobilzulieferern, niedrig bei Einzelkonstruktionen).

Varianten

• Konstruktionswiederverwendung im CAD: ein Befehl „Ähnliches finden“ im CAD-/PLM-Client während der Modellierung.
• Dublettenbereinigung / Standardisierungsprojekt: Clustering des gesamten Archivs im Stapel, danach Zusammenführen von Teilenummern (mit ERP-Folgearbeiten). Oft das erste Projekt.
• Einkauf & Austausch von Lieferantenteilen: ein eigenes Teil mit Katalogteilen von Lieferanten abgleichen oder alternative Lieferanten finden.
• Angebotserstellung / Vertriebstechnik (Lohnfertiger, Auftragsfertiger): Eine Anfrage mit einer STEP-Datei des Kunden wird mit früher gefertigten Teilen abgeglichen, um Preis, Arbeitsplan und NC-Programme wiederzuverwenden (siehe PRED-032).
• Skizzen-/Zeichnungsabfrage: eine grobe 3D-Skizze, eine 2D-Zeichnung oder ein Foto als Anfrage (erfordert 2D-zu-3D-Abgleich; schwächer als 3D-zu-3D).
• Privat/Hobby: Online-Modellsammlungen (z. B. für den 3D-Druck) bieten geometrische Suche; kein Unternehmensthema.
• Nicht Gegenstand: Inhalte von Zeichnungen lesen (DOC-013), CAD erzeugen (SCI-024), Ersatzteile anhand von Fotos identifizieren (KNOW-021), allgemeine Bildsuche (VIS-022).

So funktioniert es

1. CAD/PLM export (STEP, JT, native, mesh) + metadata from PLM/ERP
2. geometry healing & normalisation (units, orientation, tessellation / B-rep graph)
3. feature extraction: classical descriptors (topology, dimensions, histograms) and/or learned embeddings (B-rep graph NN, point-cloud / multi-view encoder)
4. index: vector index (ANN) + metadata/keyword index (hybrid)
5. query: model / sketch / drawing / "similar to part X" + filters
6. rerank: metrics such as volume, bounding box, features, optional alignment & overlay
7. result UI in CAD/PLM client: ranking, comparison view, cost/supplier/where-used
8. human decision: reuse / modify existing part / create new part number

• Repräsentationen: CAD-Kerne liefern Randflächendarstellungen (B-Rep); neuronale Netze, die direkt auf B-Rep-Graphen arbeiten, gibt es (UV-Net, BRepNet) [2][3], Alternativen sind Punktwolken und Mehransichts- Renderings. Produktivsysteme kombinieren häufig klassische Deskriptoren mit gelernten Embeddings, um robust zu sein.
• Datensätze für Training/Benchmarks: Autodesk Fusion 360 Gallery (35.680 Segmentierungsteile) [4] und der ABC-Datensatz (etwa eine Million CAD-Modelle, STEP/Parasolid/Mesh) [5].
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Konstrukteur entscheidet über die Wiederverwendung; das Änderungsmanagement (PLM-Workflow) regelt das Zusammenführen von Teilenummern.
• Rolle des LLM: optionales Frontend in natürlicher Sprache („finde einen 40-mm-Flansch mit vier Bohrungen aus Edelstahl“), das Text in Filter plus eine Suchanfrage übersetzt; außerdem Zusammenfassungen der Treffer-Metadaten. Der Kern ist Geometrie, nicht Sprache.

Datenaufbereitung

Die Daten sind das 3D-CAD-Archiv: native Dateien und neutrale Formate (STEP, JT), Zeichnungen und Teilemetadaten im PLM/PDM und ERP (Material, Klassifikation, Lieferant, Kosten). Im KMU liegen sie oft zusätzlich in CAD-Ordnern auf Dateiablagen, alten Projekten auf externen Laufwerken und PDF-Zeichnungen.

Typische Lücken: fehlerhafte oder nicht-mannigfaltige Geometrie, uneinheitliche Einheiten und Ausrichtung, riesige Baugruppen, native Dateien ohne neutralen Export, fehlende oder freitextliche Klassifikation, doppelte Teile mit unterschiedlichen Nummern und unklare Zugriffsrechte zwischen Projekten und Kunden (CAD im Eigentum des Kunden).

Schritte der Aufbereitung: - Das Archiv inventarisieren und als Ausgangslage eine Analyse der Dublettenquote durchführen (PREP-001, PREP-005). - Im Stapel nach STEP exportieren und die Geometrie mit Open CASCADE oder den Werkzeugen des CAD-Herstellers prüfen und reparieren; Fehlschläge protokollieren. - Metadaten bereinigen: Klassifikationsschemata, Material- und Einheitenfelder (PREP-019, PREP-011). - Die Kennzeichnung „gleiche Familie“ aus der vorhandenen Klassifikation und den Variantenverknüpfungen übernehmen (PREP-020). - Vertrauliches Kunden-CAD über Zugriffsrechte abtrennen (PREP-023). - 30 bis 50 echte Wiederverwendungsfragen von Konstrukteuren als Testmenge sammeln (PREP-018); siehe auch DATA-003.

Die Datenaufbereitung macht typischerweise 40 bis 60 Prozent des Gesamtaufwands aus, überwiegend Geometriereparatur und Bereinigung der Klassifikation.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil es ausgereifte EU-Anbieter (CADENAS GEOsearch, simus classmate) oder das Formsuch-Zusatzmodul des PLM selbst gibt und der CAD-Import der anfällige Teil ist, den man nicht selbst bauen möchte.
• Großunternehmen: Weg C, weil die CAD-Geometrie geistiges Eigentum im Kern ist, Menge und Variantenzahl eine eigene Pipeline auf dem bestehenden PLM rechtfertigen und möglicherweise schon eine interne KI-Plattform existiert.
• Entwickler: Weg C, weil Open CASCADE, UV-Net/BRepNet und pgvector die Bausteine liefern, während allgemeine Cloud-LLMs B-Rep-Geometrie nicht lesen können.

Weg A — Kaufen (empfohlen für die meisten Hersteller)

• Spezialisierte Anbieter für Formsuche / Teileverwaltung: CADENAS PARTsolutions mit GEOsearch (Augsburg, EU/Deutschland; Referenzteil oder grobe 3D-Skizze als Anfrage, Topologiesuche, Überlagerungs-/Schnitt-/Differenzansichten) [1]; simus systems „classmate“ (Karlsruhe, EU/Deutschland; Klassifikation und Ähnlichteilsuche – prüfen Sie die aktuellen Funktionen beim Anbieter); Physna (USA; geometrische Suchmaschine, angeboten als API-/Unternehmensprodukt).
• PLM-eigen: Die großen PLM-Suiten (Siemens Teamcenter, Dassault ENOVIA/3DEXPERIENCE, PTC Windchill, Aras, Autodesk Vault) bieten Klassifikation und in mehreren Fällen Module zur Geometrie-/Formsuche oder Partner-Integrationen – prüfen Sie Lizenz und Version, da dies oft ein Zusatzmodul ist.
• Wählen Sie A, wenn: Sie ein kommerzielles PLM/PDM haben, eine Integration in den CAD-Client brauchen und Ihre 3D-Daten in Standardformaten vorliegen. Führen Sie einen Machbarkeitsnachweis (Proof of Concept) auf Ihrem eigenen Archiv durch: Eine Analyse der Dublettenquote ist ein guter, vom Vertrieb unabhängiger Test.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Geometriespezifische Cloud-APIs sind selten (z. B. Physna). Allgemeine multimodale LLM-/VLM-APIs (Claude, Gemini, GPT, Mistral) lesen keine B-Rep-Geometrie; nutzen Sie sie für das Frontend (Anfrageauswertung, Interpretation von Zeichnungen/Fotos, Erklärung der Treffer), nicht für die Ähnlichkeitssuche.
• Typischer Aufbau: eigene Geometriepipeline (CAD-Kern wie Open CASCADE) + verwaltete Vektordatenbank in einer EU-Region + PLM-REST-/OSLC-Konnektor. CAD an Clouds außerhalb der EU zu senden, ist meist ein Problem für Geschäftsgeheimnisse (siehe Risiken).
• Wählen Sie B, wenn: Sie eine eigene Oberfläche oder Integration wollen, aber keinen Betrieb On-Premises brauchen; in der Praxis wählen die meisten Mittelständler mit schutzbedürftigem CAD A oder C.

Weg C — Selbst betreiben (Open Source)

• Geometrie-Stack: Open CASCADE Technology (LGPL-2.1 mit Ausnahme) mit pythonOCC zum Lesen von STEP [6]; CadQuery/FreeCAD für Skripte; trimesh/Open3D für Mesh und Punktwolken.
• Lernmodelle: UV-Net (MIT-Lizenz; enthält eine Anleitung zur Umwandlung von STEP in Graphen; es werden keine vortrainierten Gewichte veröffentlicht, Sie müssen selbst trainieren) [7]; BRepNet [3]; Punktwolken-Encoder (Familie PointNet++/DGCNN) oder Mehransichts-Bild-Encoder.
• Index/Suche: pgvector, Qdrant, Milvus oder OpenSearch (k-NN + Metadatenfilter) – gemeinsam mit KNOW-001/KNOW-002.
• Hardware: Inferenz und Indexierung laufen auf CPU oder einer kleinen GPU; Training oder Feintuning eines Embeddings auf Ihren eigenen Teilen braucht eine GPU mit 24–32 GB (HW2). Betriebsaufwand: mäßig, weil der CAD-Import der anfällige Teil ist (fehlerhafte oder nicht-mannigfaltige Geometrie, riesige Baugruppen).

Weg D — Eigenes Training

Lohnt sich, wenn Standard-Deskriptoren für Ihre Domäne versagen (z. B. Gussteile, Blechteile, Kunststoffteile mit funktionsspezifischer Ähnlichkeit), wenn „ähnlich“ funktionale oder fertigungsbezogene Ähnlichkeit statt Formähnlichkeit bedeutet oder wenn Sie Prozess-/Kostenprognosen ergänzen möchten. Es braucht tausende bis hunderttausende eigene Teile plus Supervision, etwa „gleiche Familie“-Kennzeichnungen aus der vorhandenen Klassifikation, Variantenbeziehungen und Rückmeldungen von Konstrukteuren zu Treffern (Klick-/Annahmeprotokolle sind ein kostenloses Signal). Mit öffentlichen Datensätzen vortrainieren [4][5], auf Ihrem Archiv feinabstimmen.

Stand der Technik (2026)

• Repräsentationslernen auf B-Rep (UV-Net, BRepNet und Nachfolger) schlägt Mesh- und Voxel-Verfahren bei den Klassifikations- und Segmentierungsaufgaben der Autoren [2][3]; die produktive Suche nutzt weiterhin eine Mischung aus klassischen Deskriptoren, Topologie-/Merkmalserkennung und gelernten Embeddings.
• Anfrageformen werden vielfältiger: 3D-Modell, grobe 3D-Skizze, 2D-Zeichnung, Foto und Text. Modalitätsübergreifende Suche (Text/Bild zu 3D) ist auf Forschungsniveau und schwächer als 3D-zu-3D; verstehen Sie sie als bequemes Frontend.
• Sucharchitektur nähert sich dem Text-RAG an: ANN-Index + Metadatenfilter + Reranker, und LLM-Agenten (siehe AGENT-Reihe), die ein Formsuch-Werkzeug über MCP/REST in PLM-Workflows aufrufen.
• Grenzen und Fehlerbilder: (1) „ähnlich“ ist subjektiv – geometrische, funktionale und fertigungsbezogene Ähnlichkeit unterscheiden sich; (2) Ausrichtung, Maßstab und unterschiedliche Modellierungshistorien desselben Teils; (3) Baugruppen und große Teile; (4) schlechte oder unvollständige Altdaten (Teile nur in 2D, native Formate ohne Kern); (5) der eigentliche Engpass ist organisatorisch – Wiederverwendung braucht Regeln (wer darf Teilenummern zusammenführen, Einschränkungen durch Werkzeuge und Zertifizierung), nicht nur ein besseres Embedding. Kein öffentlicher unabhängiger Benchmark vergleicht kommerzielle Anbieter; verlassen Sie sich auf einen Test mit Ihren eigenen Daten.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: 3d-vision-/Geometriepipeline (CAD-Kern + Tessellierung), Vektordatenbank und hybride Suche (KNOW-001, KNOW-002, KNOW-005), PLM-/ERP-Konnektoren, ein kleiner GPU-Server (HW2), den man sich mit VLM-Lasten teilt.
• Naheliegende Kombinationen: DOC-013 (Zeichnungen lesen und PMI/Toleranzen für den Abgleich auslesen), PRED-032 (Should-Cost und Sofortangebot aus dem wiederverwendeten Teil), KNOW-021 (Ersatzteilidentifikation nutzt denselben Geometrieindex plus Fotos/Stückliste), KNOW-004 (Servicedokumentation, verknüpft mit dem gefundenen Teil), SCI-024 (Copilot zum Ändern des wiederverwendeten Teils), DATA-003 (Stammdaten-Deduplizierung nach dem Zusammenführen von Teilen), VIS-022 (visuelle 2D-Suche für Fotoanfragen).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Archivexport, Indexierung, CAD-/PLM-Integration, Pilot); Lizenzkosten hängen von Anbieter und Arbeitsplätzen ab – holen Sie Angebote ein.
• Weg B/C: 3–9 Monate für einen produktiven Dienst inklusive Konnektoren und Oberfläche; überwiegend Entwicklungszeit für Geometrieverarbeitung und PLM-Integration; die Hardware ist klein.
• Weg D: zusätzliche Monate plus annotierte Daten.
• Kennzahlen: Wiederverwendungsquote (Anteil der Neukonstruktionen, die ein vorhandenes Teil nutzen), Zahl neuer Teilenummern pro Jahr, Dublettenquote im Archiv, Trefferquote der Suche (akzeptiertes Ergebnis unter den Top 5), Zeit bis zum Finden eines Teils, Einsparungen bei Werkzeugen/Einkauf nach dem Zusammenführen von Varianten, Durchlaufzeit der Angebotserstellung.

Menschen & Veränderung

Wer und wann: Die Geschäftsleitung ist Förderer und legt das Wiederverwendungsziel fest. Die Leitung Konstruktion/Entwicklung (Abteilungsleitung) verantwortet den Prozess und die Regeln für Teilenummern. Konstrukteure als Endanwender sind ab dem Machbarkeitsnachweis dabei, weil sie die Trefferqualität beurteilen. Die IT und der PLM-Administrator kümmern sich um Konnektoren und den Archivexport; die IT-Sicherheit bewertet, wo CAD-Daten verarbeitet werden dürfen. Dateneigner (PLM, Kunden mit eigenem CAD) genehmigen die Datennutzung.

Betriebsrat: Kommt darauf an. Die Suche selbst bewertet keine Personen, aber PLM- und Suchprotokolle erfassen, wer was sucht; da nach der Rechtsprechung des BAG die objektive Eignung zur Überwachung genügt, greift §87 Abs. 1 Nr. 6 BetrVG voraussichtlich, wo Protokolle je Nutzer bestehen. Unterrichten Sie den Betriebsrat frühzeitig über veränderte Arbeitsabläufe (§90 Abs. 1 Nr. 3 BetrVG); eine Vereinbarung zu Nutzungsprotokollen löst das. Wird ein KI-Sachverständiger benötigt, gilt §80 Abs. 3 BetrVG.

Datenschutz: CAD enthält keine personenbezogenen Daten; nur Nutzerprotokolle und Metadaten (Autorennamen) tun das. Eine DSFA wird nicht erwartet, aber für gehostete Anbieter ist ein AVV (Art. 28 DSGVO) nötig, und der Schutz von Geschäftsgeheimnissen ist das Hauptanliegen (GUIDE-013, GUIDE-010).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; Konstrukteure sollten verstehen, dass Ähnlichkeit formbasiert und nicht funktional ist (GUIDE-006).

Pilot und Kommunikation: Beginnen Sie mit einer Produktlinie und einem Team von 5 bis 8 Konstrukteuren, führen Sie einen Machbarkeitsnachweis auf Ihrem eigenen Archiv durch (GUIDE-009, GUIDE-008).

Bedenken: „Schreibt es uns die Konstruktion vor?“ Nein: Der Konstrukteur entscheidet über die Wiederverwendung; das Änderungsmanagement regelt das Zusammenführen von Teilenummern.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko – ein Suchwerkzeug für die Konstruktion ist kein Anwendungsfall nach Anhang III; die Pflicht zur KI-Kompetenz (Art. 4, anwendbar seit 2. Feb. 2025) gilt für die Beschäftigten, die es nutzen [8].
• DSGVO: CAD-Daten sind normalerweise keine personenbezogenen Daten; Metadaten (Autor, Änderungshistorie) können es sein. Es gilt rollenbasierter Zugriff.
• Geschäftsgeheimnisse und geistiges Eigentum: Die CAD-Geometrie ist Kern-Know-how (Geschäftsgeheimnisgesetz): Halten Sie sie in der EU oder On-Premises, beschränken Sie den Lieferantenzugriff und prüfen Sie die Lizenzen für Lieferantenkataloge. Modelle im Eigentum von Kunden (NDA) dürfen nicht in kundenübergreifende Indizes gelangen.
• Exportkontrolle: Modelle von Gütern mit doppeltem Verwendungszweck können der Verordnung (EU) 2021/821 unterliegen; senden Sie sie nicht an Dienste in Drittländern.
• Betriebliche Risiken: falsche Wiederverwendung (ähnlich, aber nicht gleichwertig: Material, Toleranz, Zertifizierung) – mindern Sie sie durch Metadatenprüfungen und die Freigabe durch den Konstrukteur über den PLM-Änderungsprozess; veraltete Indizes; Zugriffsrechte, die nicht vom PLM in den Index übernommen werden.

Erste Schritte

1. Eine abgegrenzte Teilefamilie wählen (z. B. 5.000–20.000 Dreh- oder Blechteile) und STEP plus Metadaten exportieren.
2. Die Ausgangslage messen: Dublettenquote und Zeit bis zum Finden eines vorhandenen Teils, über eine kurze Umfrage unter Konstrukteuren und eine Testmenge von 50 bekannten Beinahe-Dubletten.
3. Einen Machbarkeitsnachweis mit einem Anbieter nach Weg A und einem Open-Source-Prototyp (Open CASCADE + Embeddings + Vektordatenbank) auf derselben Testmenge durchführen; die Trefferquote unter den Top 5 vergleichen.
4. Regeln festlegen: wer die Wiederverwendung und das Zusammenführen von Teilenummern freigibt, verpflichtender Schritt „suchen vor anlegen“ im Workflow für neue Teile.
5. In den CAD-/PLM-Client integrieren und die Wiederverwendungsquote sowie neue Teilenummern monatlich verfolgen.

Quellen

1. CADENAS — Geometric 3D Shape Search (GEOsearch, Airbus and customer results; vendor-reported) — https://cadenas.de/en/products/geometric-similarity-search/intelligent-finding/geometric-search
2. Jayaraman et al. — UV-Net: Learning from Boundary Representations (CVPR 2021) — https://arxiv.org/abs/2006.10211
3. Lambourne et al. — BRepNet: A topological message passing system for solid models — https://arxiv.org/abs/2104.00706
4. Autodesk AI Lab — Fusion 360 Gallery Dataset — https://github.com/AutodeskAILab/Fusion360GalleryDataset
5. ABC Dataset (one million CAD models) — https://deep-geometry.github.io/abc-dataset/
6. Open CASCADE Technology (OCCT) — https://github.com/Open-Cascade-SAS/OCCT
7. Autodesk AI Lab — UV-Net code (MIT licence) — https://github.com/AutodeskAILab/UV-Net
8. AI Act Article 4 — AI literacy — https://artificialintelligenceact.eu/article/4/
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj