Intelligenta modeller för smartare beslutsfattande

I samarbete med Siemens Digital Industries Software





Populariteten för design-, bygg- och testmetoden för ingenjörskonst avtar snabbt eftersom dagens ingenjörer möter ett aldrig tidigare skådat tryck att förnya sig, hålla jämna steg med den senaste tekniken och designa kreativa lösningar på akuta problem.

Intelligenta modeller för smartare beslutsfattande

Tänk till exempel på automatiserade körsystem. Även om autonoma fordon lovar att avsevärt förbättra mobiliteten, måste ingenjörer testa dessa ramverk för kritiska faktorer som säkerhet och potentiella systemfel. Toyota är en av biltillverkarna som arbetar för att göra förarlösa system säkra. 2016 sa Toyotas president och vd Akio Toyoda mer testning skulle behövas för att slutföra sitt uppdrag — cirka 8,8 miljarder miles av det.



Som tur är, säger Stefan Jockusch, vice vd för strategi på Siemens Digital Industries Software, kan simulering hjälpa. Genom att praktiskt taget testa miljontals verkliga scenarier, från snöiga vägförhållanden till slarviga fotgängare, kan simuleringsteknik analysera autonoma fordons prestanda samtidigt som utvecklingen påskyndas och kostnaderna sänks.

Men medan simulering är avgörande för den digitala utvecklingen och tillverkningen av dagens och morgondagens produkter, får utmaningar som ökad komplexitet och brist på domänkunskaper organisationer att stärka sina simuleringsprocesser med artificiell intelligens (AI).

AI ess smart ökning

Även om utmaningarna kan variera, säger Don Tolle, direktör på konsult- och forskningsföretaget CIMdata, att ett av de viktigaste hindren för simulering är hur lång tid det tar att vända en komplex simulering och dela resultaten med andra, inklusive designingenjörer och simuleringsanalytiker. Faktum är att Tolle säger att det kan ta veckor att designa, samla in information, bygga, utföra och analysera simuleringsmodeller för att stödja beslutsfattande.



Komplexitet är ett annat hinder ingenjörer måste ta itu med. Simuleringsmodeller kan ge djupare och mer exakta insikter om beteendet hos tillverkningssystem – men dessa ytterligare detaljer kan komma till priset av större beräkningar. Att bygga simuleringsmodeller kräver också talang med djup domän och matematisk kunskap. Många organisationer är fokuserade på att demokratisera tillgången till simuleringsverktyg genom att göra dem till en standard del av design- och tillverkningsprocesser. Men utmaningen, varnar Tolle, är att göra dessa verktyg förbrukningsbara av den genomsnittliga ingenjören som kanske inte har djup domänkunskap om detaljerna för en simulerings- och simuleringsteknik. Att utveckla AI-algoritmer är trots allt bara en del av simuleringsprocessen; ingenjörer behöver domänkunskap för att förstå det bredare sammanhanget för hur modellerna byggs och syftet de tjänar.

Som svar på hindren vänder sig många organisationer till AI för att påskynda och förenkla simulering – och det av goda skäl. AI kan destillera information till en form som är lättare för ingenjörer att förstå och mer transparent, vilket eliminerar behovet av att interagera med varje detalj i en modell. Möjligheten att skapa dessa otroligt komplexa modeller är ett av de områden där artificiell intelligens och maskininlärning kommer att ha störst inverkan, säger Tolle.

Det beror på att AI kan lära sig expertis från den stora mängden simuleringsdatauppsättningar som skapats av tusentals simuleringskörningar i liknande applikationer. Som ett resultat kan AI föreslå modellparametrar som möjliggör en optimal uppsättning designegenskaper för systemet samtidigt som risken för att simuleringskörningar tar längre tid än fysiska tester elimineras. Efter detta kan ingenjörer börja sätta ihop optimala designegenskaper för mer detaljerade konstruktioner, såsom 3D datorstödda konstruktioner, mjukvaruutveckling och elektronik. Simulering förstärker ingenjörens intelligens genom att använda AI och [maskininlärning] för att förbättra hur vi utför analyser och använder data, säger Tolle.



Ingen brist på användningsfall

AI kan hjälpa till att göra simulering praktisk i fall där det annars inte skulle vara det – till exempel när en designer snabbt vill testa och validera många designkonfigurationer.

Simuleringar kan vara beräkningsmässigt dyra - till exempel laddningsbeteendet för ett hybridelfordon för tusentals typer av körcykler, säger Jockusch. AI hjälper till att utveckla så kallade surrogatmodeller, med hjälp av tusentals existerande simuleringar för att härleda mycket förenklade, beräkningsmässigt mycket billigare modeller som är tillräckligt noggranna för att vägleda designers genom ett komplext beslutsutrymme.

En annan fördel med AI är dess förmåga att upptäcka designbrister tidigt i en produkts livscykel. Det har funnits några anmärkningsvärda exempel på systemfel eller systemförbiser de senaste fyra eller fem åren inom både flyg- och fordonsindustrin med stora återkallelser och stora problem, säger Tolle. Kostnaden för att fatta beslut sent i livscykeln är enorm.



De goda nyheterna, säger han, är att AI kan minimera risken för att introducera brister i produktdesign genom att göra det möjligt för ingenjörer att validera system under hela utvecklingen. Detta möjliggör smartare och snabbare designbeslut och avvägningar tidigt i designens livscykel snarare än att behöva ändra designen senare, vilket kan vara kostsamt i komplexa system.

Ladda ner fullständig rapport .

Detta innehåll producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den skrevs inte av MIT Technology Reviews redaktion.

Dölj