استفاده از هوش مصنوعی در بهینه سازی مکانیسم خودکار سازی

ظهور هوش مصنوعی در طراحی مکانیسم مدرن

هوش مصنوعی (AI) اساساً تغییر شکل داده است که چگونه مهندسان و دانشمندان به بهینه سازی سیستم های مکانیکی نزدیک می شوند. فرایندهای طراحی سنتی اغلب به تکرار دستی، تخصص دامنه و آزمایش آزمایشی و آزمایش-وحشت هایی که هم زمان بر و هم محدود در محدوده هستند، AI یک تغییر پارادایم را ارائه می دهد، امکان می دهد داده ها، اکتشاف خودکار فضاهای طراحی که قبلاً غیرممکن بود تا تکنیک های یادگیری ماشینی را به کار گیرند، و سیستم های غیر فعال سازی پردازش کنند، و شناسایی سریع تر از طریق سیستم های عصبی، و سیستم های غیر فعال سازی کامپیوتری، و ردیابی سیستم های غیر تکاملی، و محدود در حال حاضر می توانند از طریق سیستم های غیر رباتیک، و کشف هزینه های غیر فعال سازی، و کشف هزینه های سیستم های کامپیوتری، و کشف هزینه های سیستم های سیستم های کامپیوتری، و کشف هزینه های پردازش سیستم های کامپیوتری، و کشف سیستم های پردازش سیستم های پردازش سیستم های پردازش سیستم های پردازش های پردازش و کشف سیستم های پردازش و پردازش سیستم های پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های کامپیوتری، و پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های پردازش های پردازشی را انجام دهند.

بهینه سازی مکانیسم چیست؟

بهینه سازی مکانیسم فرایند تنظیم متغیرهای طراحی است - مانند طول پیوند، ثابت بهار، نسبت دنده ها یا خواص مواد - برای پاسخگویی به اهداف عملکردی خاص، این اهداف اغلب شامل به حداقل رساندن مصرف انرژی، حداکثر سرعت یا گشتاور، بهبود ثبات در بار، کاهش وزن، یا افزایش خستگی زندگی است. مشکل بهینه سازی می تواند تک هدف یا چند منظوره باشد، که در آن اهداف تجاری باید متعادل شوند.

روش های بهینه سازی کلاسیک مانند گرادینت، برنامه نویسی چهارجانبه متوالی و روش سطح پاسخ برای دهه ها مورد استفاده قرار گرفته است، با این حال، این تکنیک ها نیاز به یک مدل ریاضی به خوبی تعریف شده دارند و اغلب در بهینه سازی محلی به دام می افتند، زیرا سیستم های مکانیکی پیچیده تر می شوند - با پویایی غیر خطی، تعاملات چندفیزیک و تحمل های تنگ - هزینه محاسباتی جستجو خسته کننده الگوریتم های AI را به طور دقیق رشد می کند.

تکنیک های هوش مصنوعی رانندگی اتوماسیون

آموزش ماشین و مدل سازی Surrogate

مدل های یادگیری ماشین (ML) به عنوان شبیه سازی های مبتنی بر فیزیک گران قیمت عمل می کنند (با آموزش در مجموعه ای از نقاط طراحی ارزیابی شده از طریق تجزیه و تحلیل عناصر محدود (FEA) یا دینامیک مایع محاسباتی (CFD)، یک مدل ML یاد می گیرد تا خروجی عملکرد را به عنوان یک تابع ورودی های طراحی پیش بینی کند، این امکان می دهد تا اکتشاف سریع بسیاری از تنظیمات بدون اجرای کامل هر تکنیک زمان استفاده از روش های عصبی، به عنوان مثال، به کار گرفته شده توسط یک سیستم های عددی شبیه سازی های عصبی و استفاده می شود.

الگوریتم های ژنتیکی و استراتژی های تکاملی

الگوریتم های ژنتیکی (GA ها) شبیه سازی انتخاب طبیعی: جمعیت طرح های کاندید از طریق انتخاب، متقاطع و جهش در بسیاری از نسل ها تکامل یافته است. تناسب اندام هر نسل در برابر تابع عینی ارزیابی می شود. GAs به ویژه برای بهینه سازی چند منظوره (به عنوان مثال، شناسایی جلو Pareto) و برای مشکلات با متغیرهای مخلوط / مجزا و قابل توجه است. [برای مثال طراحی لرزش بالا، استفاده از پروفایل های پیوند مستقیم، استفاده از نوار کلید، استفاده از نوار کلید و نوار مغز، به حداقل استفاده از نوار مغز، استفاده از نوارهای نوار مغز، به حداقل رساندن تصاویر.

آموزش عمیق

یادگیری تقویت عمیق (DRL) یک عامل را برای تصمیم گیری های متوالی با تعامل با محیط زیست آموزش می دهد.در طراحی مکانیسم، DRL می تواند به طور پویا پارامترهای را در طول عملیات تنظیم کند (به عنوان مثال، لینک های متغیر اندازه گیری یا سیستم های مرطوب فعال) برای انطباق با شرایط در حال تغییر، این به ویژه در سیستم های مستقل و ساختارهای سازگار با استفاده از روش های انتقال سوخت به طور مداوم، به طور مداوم و بهبود بهره وری انتقال سوخت استفاده می شود.

برنامه های صنعت و مطالعات موردی

ماشین آلات: تعلیق و بهینه سازی درایو

بهینه سازی مبتنی بر AI به طور گسترده ای برای تنظیم هندسه های تعلیق برای راحتی سواری، مدیریت و سایش لاستیک استفاده می شود.با اتصال شبیه سازی های چند بدن با الگوریتم ژنتیکی، مهندسان می توانند نرخ های بهار، منحنی های مرطوب تر و سفت و سخت های گرم کننده را پیدا کنند که با معیارهای متناقض مطابقت دارند. یک مطالعه نشان داد که یک [F:0AI- بهینه سازی شده وزن دو استخوان کاهش یافته است [۲] در حالی که سفت شدن شیب ها [۱] کاهش می یابد.

فضا: ساختار سبک و ساخت های Morphing Wings

در هوافضا، به حداقل رساندن وزن در حالی که حفظ یکپارچگی ساختاری مهم است. تکنیک های AI ترکیبی از بهینه سازی توپولوژی با یادگیری ماشین برای تولید ساختارهای شبکه یا جعل کامپوزیت است که با الزامات قدرت به وزن بالا برای مکانیسم های بال مورفیک مطابقت دارد، مدل های یادگیری عمیق پیش بینی می کند که آیرودینامیک بار و تنظیم ژئومتراژ لینک در زمان واقعی. بوئینگ و ایرباس هر دو در بهینه سازی مبتنی بر AI برای نسل بعدی محرک های متحرک سرمایه گذاری شده اند.

Robotics: ارزیابی موثر و طراحی Gait

ربات های لاکپشت نیاز به مکانیسم های بهینه شده برای دستیابی به الگوریتم های پایدار و کارآمد ژنتیکی دارند تا نسبت های پا و قرار دادن های مشترک را که مصرف انرژی را در هر گام به حداقل می رسانند، توسعه یافته تر، از یادگیری تقویت استفاده می کند تا ربات ها را آموزش دهد که چگونه می توانند علایق خود را با زمین های خشن سازگار کنند - به طور موثر بهینه سازی سیاست کنترل مکانیسم در زمان واقعی.

Consumer Electronics: Compact مکانیسم برای Wearables

در دستگاه های مینیاتور مانند ساعت های هوشمند و تلفن های تاشو، بهینه سازی مکانیسم باید محدودیت های فضایی را با دوام متعادل کند. بهینه سازی توپولوژی مبتنی بر AI می تواند طرح های لولا را ایجاد کند که هم سبک و هم مقاوم به خستگی هستند. شرکت هایی مانند سامسونگ گزارش داده اند که چرخه های توسعه برای مکانیسم های تلفن تاشو را با استفاده از مدل های ضدعفونی عصبی کاهش می دهند.

مزایای بیش از روش های سنتی

• ] کاهش چشمگیر در زمان چرخه طراحی - AI می تواند هزاران طرح کاندید را در زمانی که یک مهندس انسان را برای آزمایش تعدادی از مطالعات موردی صنعتی گزارش سرعت 10 × را ارزیابی کند.
• تسهیل فضاهای بلند و غیر ارادی - الگوریتم های AI می توانند راه حل هایی را پیدا کنند که هرگز برای یک مهندس انسانی مانند پیوندهای نامتقارن یا توزیع مواد غیر کلامی رخ نمی دهد.
• تقویت و قابلیت اطمینان [FLT 1] - با ترکیب عدم اطمینان اندازه گیری، بهینه سازی مبتنی بر AI می تواند طرح هایی را تولید کند که به خوبی تحت تغییرات در دنیای واقعی در بارگیری، تحمل تولید و شرایط محیطی انجام می شود.
• تسهیل نوآوری - جستجوی خودکار اغلب نشان می دهد توپولوژی و مکانیسم های جدید که پایه برای خطوط محصول جدید یا ثبت اختراع.

چالش های ادغام و محدودیت های فعلی

داده ها و الزامات محاسباتی

آموزش مدل های دقیق AI نیاز به حجم زیادی از داده های با کیفیت بالا دارد.در بسیاری از زمینه های مهندسی، چنین داده ها برای تولید گران است (به عنوان مثال، هر شبیه سازی CFD ممکن است ساعت ها طول بکشد) استراتژی هایی مانند انتقال، یادگیری فعال و شبکه های عصبی آگاه فیزیک برای کاهش نیازهای داده ها در حال ظهور هستند، اما هنوز پلاگین و بازی نیستند، اجرای الگوریتم های تکاملی بر روی بسیاری از نسل ها می تواند منابع پیچیده را محاسبه کند، به ویژه برای مدل های چند رشته ای از فیزیک.

قابلیت پیش بینی و اعتماد

بسیاری از مدل های AI، به ویژه شبکه های عصبی عمیق، عملکرد به عنوان جعبه های سیاه. مهندسان به طور قابل درک در مورد اتخاذ یک طراحی توصیه شده توسط یک مدل است که نمی تواند استدلال آن را توضیح دهد، تلاش در AI قابل توضیح (XAI) برای مهندسی به دست آوردن کشش، اما یک چارچوب استاندارد برای تایید مکانیسم های بهینه سازی شده AI - به ویژه در صنایع ایمنی بحرانی مانند هوافضا و دستگاه های پزشکی - هنوز فاقد آن است.

ادغام با جریان های کاری موجود

اکثر سازمان های مهندسی به ابزارهای CAD و شبیه سازی میراث متکی هستند که موتورهای بهینه سازی AI را به این خط لوله ها متصل می کنند و اغلب به اسکریپت نویسی سفارشی و واسطه نیاز دارند، در حالی که سیستم عامل های تجاری مانند Ansys OptimizationSLang و Simulia Isight] شروع به استفاده از منحنی یادگیری مبتنی بر ML کرده اند، منحنی های تیز برای بسیاری از تیم ها باقی مانده است.

مسیر های آینده

مدل های فیزیکی و ترکیبی

بهینه سازی های نسل بعدی AI قوانین فیزیکی را به طور مستقیم در فرآیند یادگیری جاسازی می کنند.شبکه های عصبی آگاهانه فیزیک (PINNs) معادلات حفاظت را اجرا می کنند، پیش بینی های دقیق حتی با داده های محدود را فراهم می کنند که ترکیب شبیه سازی های مبتنی بر شبیه سازی با داده های تجربی استاندارد خواهد شد و شکاف بین دوقلوهای دیجیتال و تست فیزیکی را برطرف می کند.

آموزش ماشین خودکار (AutoML) برای طراحی مکانیسم

ابزارهای AutoML که به طور خودکار بهترین الگوریتم، hyperparameters و مراحل پیش پردازش داده ها را انتخاب می کنند، مانع برای غیر متخصصان را کاهش می دهند. مهندسان قادر خواهند بود مشکل بهینه سازی خود را در زبان طبیعی یا از طریق رابط های کشیدن و رها کردن توصیف کنند و اجازه می دهند هوش مصنوعی جزئیات الگوریتمی را مدیریت کند.

مکانیسم های Adaptive real-Time

با ظهور محاسبات لبه و سنسورهای کم ارتفاع، مکانیسم های بهینه سازی شده AI قادر به پیکربندی مجدد خود بر روی پرواز خواهند بود. تصور کنید که زانو مصنوعی که به طور مداوم مرطوب کننده خود را بر اساس تجزیه و تحلیل گاست تنظیم می کند، یا یک تیغه توربین بادی که هندسه هوا را در پاسخ به گوست ها می کند.

طراحی عمومی و تولید افزودنی Synergy

ترکیب طراحی عمومی (شکل مبتنی بر هوش مصنوعی و بهینه سازی توپولوژی) با تولید افزودنی (3D چاپ) باز کردن قطعات که هر دو قوی تر و سبک تر از شرکت های سنتی تولید شده است. شرکت هایی مانند Autodesk و Siemens [F3] در حال حاضر سیستم عامل هایی را ارائه می دهند که از AI برای تولید زمین شناسی ارگانیک استفاده می کنند که به آنها شبیه سازی غیر ممکن است و سپس آنها را تایید کنند.

نتیجه گیری

هوش مصنوعی صرفاً بهبود تدریجی در بهینه سازی مکانیسم نیست – این نشان دهنده یک تغییر اساسی در چگونگی تصور مهندسان، آنترات و نهایی کردن طرح های مکانیکی است که با خودکارسازی جستجوی پیکربندی بهینه، AI کاهش می دهد تا الگوریتم های فیزیکی پر هزینه، کوتاه سازی زمان توسعه، و امکان سطوح عملکرد و نوآوری مداوم که قبلاً از دسترس بودن آن خارج شده اند، بدون اینکه مانع پردازش اطلاعات شوند، به عنوان ابزار پردازش اطلاعات ضروری حل شود و رفع شود؛ زیرا نیازهای مهندسی اطلاعات، باید حل شوند.