211service.com
Productontwerp krijgt een AI-make-over
In associatie met Siemens Digital Industries-software
Ingenieurs staan onder ongekende druk om producten te bouwen die dagelijks door duizenden, zo niet miljoenen consumenten worden gebruikt.
Vraag het maar aan Bernd Zapf. Volgens Zapf, hoofd ontwikkeling, nieuwe business en technologieën bij Heller Group, een fabrikant van werktuigmachines in Duitsland, moeten organisaties van tegenwoordig steeds meer een balans vinden tussen ontwerp, engineering, fabricage, bediening en vakmanschap bij het ontwikkelen van een product op basis van strikte richtlijnen.
Productontwerp krijgt een AI-make-over
Download het volledige rapport
Het is een hele opgave, maar volgens Zapf kan technologie voor kunstmatige intelligentie (AI) ondersteuning bieden door de juiste gegevens vast te leggen en ingenieurs te begeleiden bij productontwerp en -ontwikkeling.
Geen wonder dat uit een McKinsey-enquête van november 2020 blijkt dat meer dan de helft van de organisaties AI in ten minste één functie heeft geadopteerd, en 22% van de respondenten meldt dat ten minste 5% van hun bedrijfsbrede inkomsten te wijten zijn aan AI. En in de productiesector heeft 71% van de respondenten een omzetstijging van 5% of meer gezien met AI-adoptie.
Maar dat was niet altijd het geval. Eens zelden gebruikt in productontwikkeling, heeft AI de afgelopen jaren een evolutie doorgemaakt, zegt Zapf. Tegenwoordig hebben techreuzen die bekend staan om hun innovaties in AI, zoals Google, IBM en Amazon, nieuwe normen gesteld voor het gebruik van AI in andere processen, zoals engineering.
AI is een veelbelovend en verkennend gebied dat de gebruikerservaring voor ontwerpende ingenieurs aanzienlijk kan verbeteren en relevante gegevens kan verzamelen in het ontwikkelingsproces voor specifieke toepassingen, zegt Katrien Wyckaert, directeur industrieoplossingen voor Siemens Industry Software.
Het resultaat is een groeiende waardering voor een technologie die belooft complexe systemen te vereenvoudigen, producten sneller op de markt te brengen en productinnovatie te stimuleren.
Complexe systemen vereenvoudigen
Een perfect voorbeeld van de kracht van AI om productontwikkeling te herzien, is Renault. Als antwoord op de toenemende vraag van de consument, rust de Franse autofabrikant een groeiend aantal nieuwe voertuigmodellen uit met een geautomatiseerde handmatige transmissie (AMT) - een systeem dat zich gedraagt als een automatische transmissie, maar bestuurders in staat stelt elektronisch te schakelen met een drukknopcommando.
AMT's zijn populair bij consumenten, maar het ontwerpen ervan kan enorme uitdagingen met zich meebrengen. Dat komt omdat de prestaties van een AMT afhankelijk zijn van de werking van drie verschillende subsystemen: een elektromechanische actuator die de versnellingen schakelt, elektronische sensoren die de voertuigstatus bewaken en software die is ingebed in de transmissieregeleenheid, die de motor bestuurt. Vanwege deze complexiteit kan het tot een jaar van uitgebreid vallen en opstaan duren om de functionele vereisten van het systeem te definiëren, de actuatormechanica te ontwerpen, de benodigde software te ontwikkelen en het algehele systeem te valideren.
In een poging om het AMT-ontwikkelingsproces te stroomlijnen, wendde Renault zich tot Simcenter Amesim-software van Siemens Digital Industries Software. De simulatietechnologie is gebaseerd op kunstmatige neurale netwerken, AI-leersystemen die losjes zijn gemodelleerd naar het menselijk brein. Ingenieurs slepen, neerzetten en verbinden eenvoudig pictogrammen om grafisch een model te maken. Wanneer het model als schets op een scherm wordt weergegeven, illustreert het de relatie tussen alle verschillende elementen van een AMT-systeem. Op hun beurt kunnen ingenieurs het gedrag en de prestaties van de AMT voorspellen en de nodige verfijningen aanbrengen in een vroeg stadium van de ontwikkelingscyclus, waardoor problemen en vertragingen in een laat stadium worden vermeden. Door een virtuele motor en transmissies als stand-ins te gebruiken bij het ontwikkelen van hardware, is Renault erin geslaagd zijn AMT-ontwikkelingstijd bijna te halveren.
Snelheid zonder in te leveren op kwaliteit
Dat geldt ook voor de opkomende milieunormen die Renault ertoe aanzetten om meer op AI te vertrouwen. Om te voldoen aan de nieuwe normen voor kooldioxide-emissies, heeft Renault gewerkt aan het ontwerp en de ontwikkeling van hybride voertuigen. Maar hybride motoren zijn veel complexer om te ontwikkelen dan die in voertuigen met één enkele energiebron, zoals een conventionele auto. Dat komt omdat hybride motoren van ingenieurs vereisen dat ze complexe prestaties leveren, zoals het balanceren van het benodigde vermogen van meerdere energiebronnen, het kiezen uit een groot aantal architecturen en het onderzoeken van de impact van transmissies en koelsystemen op de energieprestaties van een voertuig.
Om te voldoen aan nieuwe milieunormen voor een hybride motor, moeten we de architectuur van benzinemotoren volledig heroverwegen, zegt Vincent Talon, hoofd simulatie bij Renault. Het probleem, voegt hij eraan toe, is dat het zorgvuldig onderzoeken van de tientallen verschillende actuatoren die de uiteindelijke resultaten van het brandstofverbruik en de uitstoot van vervuilende stoffen kunnen beïnvloeden, een langdurig en complex proces is, dat bemoeilijkt wordt door rigide tijdlijnen.
Tegenwoordig hebben we duidelijk niet de tijd om verschillende hybride aandrijflijnarchitecturen nauwgezet te evalueren, zegt Talon. We moesten veeleer een geavanceerde methodologie gebruiken om deze nieuwe complexiteit te beheren.
Ga voor meer informatie over AI in industriële toepassingen naar www.siemens.com/artificialintelligence .
Download het volledige 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.