211service.com
Intelligente modeller for smartere beslutningstagning
I forbindelse med Siemens Digital Industries Software
Populariteten af design-, bygge- og testtilgangen til ingeniørarbejde er hurtigt aftagende, da nutidens ingeniører står over for et hidtil uset pres for at innovere, holde trit med de nyeste teknologier og designe kreative løsninger på presserende problemer.
Intelligente modeller for smartere beslutningstagning
Overvej for eksempel automatiserede køresystemer. Selvom autonome køretøjer lover at forbedre mobiliteten markant, skal ingeniører teste disse rammer for kritiske faktorer såsom sikkerhed og potentielle systemfejl. Toyota er en af de bilproducenter, der arbejder på at gøre førerløse systemer sikre. I 2016 sagde Toyotas præsident og CEO Akio Toyoda mere testning ville være nødvendig at fuldføre sin mission - omkring 8,8 milliarder miles af den.
Heldigvis, siger Stefan Jockusch, vicepræsident for strategi hos Siemens Digital Industries Software, kan simulering hjælpe. Ved praktisk talt at teste millioner af scenarier i den virkelige verden, fra snedækkede vejforhold til skødesløse fodgængere, kan simuleringsteknologi analysere autonome køretøjers ydeevne og samtidig accelerere udviklingen og reducere omkostningerne.
Men mens simulering er afgørende for den digitale udvikling og fremstilling af nutidens og fremtidens produkter, får udfordringer som øget kompleksitet og mangel på domæneviden organisationer til at styrke deres simuleringsprocesser med kunstig intelligens (AI)-kapaciteter.
AI ace smart stigning
Selvom udfordringerne kan variere, siger Don Tolle, direktør hos konsulent- og forskningsvirksomheden CIMdata, at en af de vigtigste barrierer for simulering er den rimelige tid, det tager at vende en kompleks simulering og dele resultaterne med andre, herunder designingeniører. og simuleringsanalytikere. Faktisk siger Tolle, at det kan tage uger at designe, indsamle information, bygge, udføre og analysere simuleringsmodeller for at understøtte beslutningstagning.
Kompleksitet er en anden hindring, ingeniører skal tackle. Simuleringsmodeller kan give dybere og mere præcise indsigter i produktionssystemernes adfærd - men disse yderligere detaljer kan komme på bekostning af større beregninger. At bygge simuleringsmodeller kræver også talent med dyb domæne og matematisk viden. Mange organisationer er fokuseret på at demokratisere adgangen til simuleringsværktøjer ved at gøre dem til en standard del af design- og fremstillingsprocesser. Men udfordringen, advarer Tolle, er at gøre disse værktøjer forbrugsdygtige af den gennemsnitlige ingeniør, som måske ikke har dyb domænekendskab til det specifikke ved en simulerings- og simuleringsteknologi. Udvikling af AI-algoritmer er trods alt kun en del af simuleringsprocessen; ingeniører har brug for domæneviden for at forstå den bredere kontekst af, hvordan modellerne bygges, og det formål, de tjener.
Som reaktion på forhindringerne henvender mange organisationer sig til kunstig intelligens for at accelerere og forenkle simulering - og det er der god grund til. AI kan destillere information til en form, der er lettere for ingeniører at forstå og mere gennemsigtig, hvilket eliminerer behovet for at interagere med alle detaljer i en model. Evnen til at skabe disse utroligt komplekse modeller er et af de områder, hvor kunstig intelligens og maskinlæring vil have størst indflydelse, siger Tolle.
Det skyldes, at AI kan lære ekspertise fra den store mængde simuleringsdatasæt, der er skabt af tusindvis af simuleringskørsler i lignende applikationer. Som et resultat kan AI foreslå modelparametre, der muliggør et optimalt sæt designkarakteristika for systemet, samtidig med at risikoen for, at simuleringskørsler tager længere tid end fysisk test, elimineres. Efter dette kan ingeniører begynde at sammensætte optimale designkarakteristika til mere detaljerede designs, såsom 3D computerstøttet design, softwareudvikling og elektronik. Simulering øger ingeniørens intelligens ved at bruge AI og [machine learning] til at forbedre, hvordan vi udfører analyser og bruger data, siger Tolle.
Ingen mangel på use cases
AI kan hjælpe med at gøre simulering praktisk i tilfælde, hvor den ellers ikke ville være det - for eksempel når en designer hurtigt vil teste og validere mange designkonfigurationer.
Simuleringer kan være beregningsmæssigt dyre - for eksempel opladningsadfærden for et hybridt elektrisk køretøj til tusindvis af typer kørecyklusser, siger Jockusch. AI hjælper med at udvikle såkaldte surrogatmodeller ved at bruge tusindvis af eksisterende simuleringer til at udlede meget forenklede, beregningsmæssigt meget billigere modeller, der er nøjagtige nok til at guide designere gennem et komplekst beslutningsområde.
En anden fordel ved AI er dens evne til at opdage designfejl tidligt i et produkts livscyklus. Der har været nogle bemærkelsesværdige eksempler på systemfejl eller systemtilsyn i de sidste fire-fem år i både fly- og bilindustrien med store tilbagekaldelser og store problemer, siger Tolle. Omkostningerne ved at træffe beslutninger sent i livscyklussen er enorme.
Den gode nyhed, siger han, er AI kan minimere risikoen for at introducere fejl i produktdesign ved at gøre det muligt for ingeniører at validere systemer gennem hele deres udvikling. Dette giver mulighed for smartere og hurtigere designbeslutninger og afvejninger tidligt i designlivscyklussen i stedet for at skulle ændre designet senere, hvilket kan være dyrt i komplekse systemer.
Download fuld rapport .
Dette indhold blev produceret af Insights, den tilpassede indholdsarm af MIT Technology Review. Det er ikke skrevet af MIT Technology Reviews redaktion.