211service.com
Intelligente modeller for smartere beslutningstaking
I samarbeid med Siemens Digital Industries-programvare
Populariteten til design-, bygge- og testtilnærmingen til engineering avtar raskt ettersom dagens ingeniører møter et enestående press for å innovere, holde tritt med de nyeste teknologiene og utforme kreative løsninger på presserende problemer.
Intelligente modeller for smartere beslutningstaking
Tenk for eksempel på automatiserte kjøresystemer. Selv om autonome kjøretøy lover å forbedre mobiliteten betydelig, må ingeniører teste disse rammeverkene for kritiske faktorer som sikkerhet og potensielle systemfeil. Toyota er en av bilprodusentene som jobber for å gjøre førerløse systemer trygge. I 2016 sa Toyotas president og administrerende direktør Akio Toyoda mer testing ville være nødvendig å fullføre oppdraget sitt - rundt 8,8 milliarder miles av det.
Heldigvis, sier Stefan Jockusch, visepresident for strategi i Siemens Digital Industries Software, kan simulering hjelpe. Ved å praktisk talt teste millioner av virkelige scenarier, fra snødekte veiforhold til uforsiktige fotgjengere, kan simuleringsteknologi analysere autonome kjøretøys ytelse samtidig som utviklingen akselereres og kostnadene reduseres.
Men mens simulering er avgjørende for digital utvikling og produksjon av dagens og morgendagens produkter, får utfordringer som økt kompleksitet og mangel på domenekunnskap organisasjoner til å styrke simuleringsprosessene sine med kunstig intelligens (AI).
AI ess smart økning
Selv om utfordringene kan variere, sier Don Tolle, direktør i konsulent- og forskningsselskapet CIMdata, at en av de viktigste barrierene for simulering er den rimelige tiden det tar å snu en kompleks simulering og dele resultatene med andre, inkludert designingeniører. og simuleringsanalytikere. Faktisk sier Tolle at det kan ta uker å designe, samle informasjon, bygge, utføre og analysere simuleringsmodeller for å støtte beslutningstaking.
Kompleksitet er en annen hindring ingeniører må takle. Simuleringsmodeller kan gi dypere og mer nøyaktig innsikt i oppførselen til produksjonssystemer – men disse tilleggsdetaljene kan komme på bekostning av større beregninger. Å bygge simuleringsmodeller krever også talent med dyp domene og matematisk kunnskap. Mange organisasjoner er fokusert på å demokratisere tilgangen til simuleringsverktøy ved å gjøre dem til en standard del av design- og produksjonsprosesser. Men utfordringen, advarer Tolle, er å gjøre disse verktøyene forbrukbare av den gjennomsnittlige ingeniøren som kanskje ikke har dyp domenekunnskap i detaljene til en simulerings- og simuleringsteknologi. Å utvikle AI-algoritmer er tross alt bare en del av simuleringsprosessen; ingeniører trenger domenekunnskap for å forstå den bredere konteksten av hvordan modellene bygges og formålet de tjener.
Som svar på hindringene henvender mange organisasjoner seg til AI for å akselerere og forenkle simulering – og det med god grunn. AI kan destillere informasjon til en form som er lettere for ingeniører å forstå og mer gjennomsiktig, og eliminerer behovet for å samhandle med hver detalj i en modell. Evnen til å lage disse utrolig komplekse modellene er et av områdene hvor kunstig intelligens og maskinlæring vil ha størst innvirkning, sier Tolle.
Det er fordi AI kan lære ekspertise fra det store volumet av simuleringsdatasett laget av tusenvis av simuleringskjøringer i lignende applikasjoner. Som et resultat kan AI foreslå modellparametere som gir et optimalt sett med designegenskaper for systemet samtidig som man eliminerer risikoen for at simuleringskjøringer tar lengre tid enn fysisk testing. Etter dette kan ingeniører begynne å sette sammen optimale designegenskaper for mer detaljerte design, for eksempel 3D-datastøttet design, programvareutvikling og elektronikk. Simulering øker intelligensen til ingeniøren ved å bruke AI og [maskinlæring] for å forbedre hvordan vi utfører analyser og bruker data, sier Tolle.
Ingen mangel på brukstilfeller
AI kan bidra til å gjøre simulering praktisk i tilfeller der den ellers ikke ville vært det – for eksempel når en designer raskt vil teste og validere mange designkonfigurasjoner.
Simuleringer kan være beregningsmessig dyre - for eksempel ladeoppførselen til et hybrid elektrisk kjøretøy for tusenvis av typer kjøresykluser, sier Jockusch. AI hjelper til med å utvikle såkalte surrogatmodeller, ved å bruke tusenvis av eksisterende simuleringer for å utlede svært forenklede, beregningsmessig mye rimeligere modeller som er nøyaktige nok til å veilede designere gjennom et komplekst beslutningsområde.
En annen fordel med AI er dens evne til å oppdage designfeil tidlig i et produkts livssyklus. Det har vært noen bemerkelsesverdige eksempler på systemsvikt eller systemtilsyn de siste fire-fem årene i både fly- og bilindustrien med store tilbakekallinger og store problemer, sier Tolle. Kostnadene ved å ta beslutninger sent i livssyklusen er enorme.
Den gode nyheten, sier han, er at AI kan minimere risikoen for å introdusere feil i produktdesign ved å gjøre det mulig for ingeniører å validere systemer gjennom hele utviklingen. Dette gir mulighet for smartere og raskere designbeslutninger og avveininger tidlig i designlivssyklusen i stedet for å måtte endre designet senere, noe som kan være kostbart i komplekse systemer.
Last ned fullstendig rapport .
Dette innholdet ble produsert av Insights, den tilpassede innholdsarmen til MIT Technology Review. Den ble ikke skrevet av MIT Technology Reviews redaksjon.