211service.com
Intelligente modellen voor slimmere besluitvorming
In associatie met Siemens Digital Industries-software
De populariteit van de ontwerp-, bouw- en testbenadering van engineering neemt snel af, aangezien de ingenieurs van vandaag geconfronteerd worden met ongekende druk om te innoveren, gelijke tred te houden met de nieuwste technologieën en creatieve oplossingen te ontwerpen voor urgente problemen.
Intelligente modellen voor slimmere besluitvorming
Denk bijvoorbeeld aan geautomatiseerde rijsystemen. Hoewel autonome voertuigen beloven de mobiliteit aanzienlijk te verbeteren, moeten ingenieurs deze kaders testen op kritieke factoren zoals veiligheid en mogelijke systeemstoringen. Toyota is een van de autofabrikanten die werken aan het veilig maken van systemen zonder bestuurder. In 2016 zei Toyota president en CEO Akio Toyoda meer testen zou nodig zijn om zijn missie te voltooien - zo'n 8,8 miljard mijl ervan.
Gelukkig kan simulatie helpen, zegt Stefan Jockusch, vice-president strategie bij Siemens Digital Industries Software. Door virtueel miljoenen realistische scenario's te testen, van besneeuwde wegen tot onvoorzichtige voetgangers, kan simulatietechnologie de prestaties van autonome voertuigen analyseren, terwijl de ontwikkeling wordt versneld en de kosten worden verlaagd.
Maar hoewel simulatie van cruciaal belang is voor de digitale ontwikkeling en productie van de producten van vandaag en morgen, zorgen uitdagingen zoals toegenomen complexiteit en een gebrek aan domeinkennis ervoor dat organisaties hun simulatieprocessen versterken met kunstmatige intelligentie (AI)-mogelijkheden.
AI aas slimme verhoging
Hoewel de uitdagingen kunnen verschillen, zegt Don Tolle, directeur bij advies- en onderzoeksbureau CIMdata, dat een van de belangrijkste belemmeringen voor simulatie de behoorlijke hoeveelheid tijd is die nodig is om een complexe simulatie om te draaien en de resultaten met anderen te delen, inclusief ontwerpingenieurs. en simulatieanalisten. Tolle zegt zelfs dat het weken kan duren om simulatiemodellen te ontwerpen, te verzamelen, te bouwen, uit te voeren en te analyseren om de besluitvorming te ondersteunen.
Complexiteit is een ander obstakel dat ingenieurs moeten overwinnen. Simulatiemodellen kunnen diepere en nauwkeurigere inzichten verschaffen in het gedrag van productiesystemen, maar deze aanvullende details kunnen ten koste gaan van grotere berekeningen. Het bouwen van simulatiemodellen vereist ook talent met diepgaande domein- en wiskundige kennis. Veel organisaties zijn gericht op het democratiseren van de toegang tot simulatietools door ze een standaardonderdeel van ontwerp- en productieprocessen te maken. Maar de uitdaging, waarschuwt Tolle, is om deze tools bruikbaar te maken voor de gemiddelde ingenieur die misschien geen diepgaande domeinkennis heeft in de details van een simulatie- en simulatietechnologie. Het ontwikkelen van AI-algoritmen is immers slechts een onderdeel van het simulatieproces; ingenieurs hebben domeinkennis nodig om de bredere context te begrijpen van hoe de modellen worden gebouwd en het doel dat ze dienen.
Als reactie op de hindernissen wenden veel organisaties zich tot AI om simulatie te versnellen en te vereenvoudigen, en niet zonder reden. AI kan informatie destilleren in een vorm die voor ingenieurs gemakkelijker te begrijpen en transparanter is, waardoor interactie met elk detail van een model niet nodig is. Het vermogen om deze ongelooflijk complexe modellen te maken, is een van de gebieden waar kunstmatige intelligentie en machine learning de grootste impact zullen hebben, zegt Tolle.
Dat komt omdat AI expertise kan leren van de enorme hoeveelheid simulatiedatasets die zijn gecreëerd door duizenden simulatieruns in vergelijkbare applicaties. Als gevolg hiervan kan AI modelparameters voorstellen die een optimale set ontwerpkenmerken voor het systeem mogelijk maken, terwijl het risico wordt geëlimineerd dat simulatieruns langer duren dan fysieke tests. Hierna kunnen ingenieurs beginnen met het samenstellen van optimale ontwerpkenmerken voor meer gedetailleerde ontwerpen, zoals 3D computerondersteunde ontwerpen, softwareontwikkeling en elektronica. Simulatie vergroot de intelligentie van de ingenieur door AI en [machine learning] te gebruiken om de manier waarop we analyses uitvoeren en gegevens gebruiken te verbeteren, zegt Tolle.
Aan gebruiksscenario's geen gebrek
AI kan helpen simulatie praktisch te maken in gevallen waar het anders niet zou zijn, bijvoorbeeld wanneer een ontwerper snel veel ontwerpconfiguraties wil testen en valideren.
Simulaties kunnen rekenkundig duur zijn, bijvoorbeeld het laadgedrag van een hybride elektrisch voertuig voor duizenden soorten rijcycli, zegt Jockusch. AI helpt bij het ontwikkelen van zogenaamde surrogaatmodellen, waarbij duizenden bestaande simulaties worden gebruikt om sterk vereenvoudigde, veel goedkopere modellen af te leiden die nauwkeurig genoeg zijn om ontwerpers door een complexe beslissingsruimte te leiden.
Een ander voordeel van AI is het vermogen om ontwerpfouten vroeg in de levenscyclus van een product te detecteren. Er zijn in de afgelopen vier of vijf jaar enkele opmerkelijke voorbeelden geweest van systeemstoringen of systeemfouten in zowel de lucht- en ruimtevaart als de auto-industrie met grote terugroepacties en grote problemen, zegt Tolle. De kosten van het nemen van beslissingen laat in de levenscyclus zijn enorm.
Het goede nieuws, zegt hij, is dat AI het risico op het introduceren van fouten in het productontwerp kan minimaliseren door ingenieurs in staat te stellen systemen gedurende hun hele ontwikkeling te valideren. Dit zorgt voor slimmere en snellere ontwerpbeslissingen en afwegingen vroeg in de ontwerplevenscyclus in plaats van het ontwerp later te moeten wijzigen, wat kostbaar kan zijn in complexe systemen.
Download de volledig rapport .
Deze inhoud is geproduceerd door Insights, de aangepaste inhoudstak van MIT Technology Review. Het is niet geschreven door de redactie van MIT Technology Review.