בדיקות פרוטוטיפ הן אבן הפינה של פיתוח המוצר, אך לעתים קרובות זה מגלה כישלונות יקרים מאוחר במחזור העיצוב.שיטות בדיקה מסורתיות, בעוד יקר, הם תגובתיים - גורמים מגלים בעיות רק לאחר בניית אבטיפוס פיזי פועל. Machine Learning מזרז את הדינמיקה הזאת, המאפשר לצוותים לחזות כישלונות לפני שהם מתרחשים. על ידי ניתוח של תבניות בנתונים היסטוריים, מודלים של ML יכולים אזורים בסיכון גבוה מוקדם, לחסוך זמן, צמצום חומר, ושילוב של מחזורי למידה מהירה יותר, אך לא-טיפוס לתוך מחזורי זמן, תוך כדי לחץ על ידי ניתוח של זמן קצר יותר, תוך כדי שיפור תהליכים מתקדמים, תוך כדי החידושים של התפתחות, תוך כדי החידושים של זמן קצר יותר, תוך כדי החידושים של זמן קצר יותר, תוך כדי החידושים של חלבון, תוך כדי החידושים של החידושים של החידושים.

הבנת כישלונות

כשל אבטיפוס מתרחש כאשר מוצר, רכיב או מערכת אינם עומדים בקריטריונים של הביצועים המיועדים שלה במהלך בדיקות.כישלונות אלה יכולים לנבוע פגמים עיצוב, חוסר עקביות חומרית, פגמים בייצור, או אינטראקציות בלתי צפויות בין תת-מערכתיות.התוצאות חמורות: שיגורי מוצר מעוכבים, מכשירים תקציביים, שעות הנדסה מבוזבזות, ולעתים אפילו נזקי מוניטין על ידי המכון הלאומי של התקנים וטכנולוגיה, תכנון וכשלונות עבור 30% של פיתוח יחיד, כמו על ידי כמה חודשים נכשלים, וכן על ידי סיכון, על ידי סיכון, על ידי סיכון, על ידי סיכון של כמה חודשים נכשלים של עלויות פיתוח יחיד, לעתים קרובות, על ידי סיכון, על ידי ירידה של כמה חודשים, על ידי ירידה של כמה חודשים, על ידי סיכון, על ידי ירידה של כמה חודשים, על ידי סיכון, על ידי ירידה של כמה חודשים.

כישלונות פרוטוטיפים באים בצורות רבות.חלקם פונקציונליים, כגון שבר מבני תחת עומס. אחרים קשורים לביצועים, כמו דור חום מופרז בלוח מעגלים.עדיין אחרים הם מערכתיים, שבו מרכיב עובד בבידוד אך נכשל כאשר משולב שיטות מסורתיות מסתמכות על בדיקות פיזיות, כל אחד מהם בעל זמן וחומרים. Machine Learning מציעה גישה משלימה, מבוססת נתונים המזההההההת כשלים ארוכים לפני אבטיפוס פיזי בנוי.

כיצד למידת מכונות חיזוי כישלונות

מודלים של למידת מכונות מאומן על נתונים היסטוריים מטיפוסים קודמים - כולל פרמטרים עיצוביים, תוצאות סימולציה, תוצאות בדיקות וביצועי שדה. האלגוריתמים לומדים מערכות יחסים מורכבות, לא לינאריות בין קלטות (למשל, תכונות חומריות, גיאומטריה, תנאי הפעלה) ופלטים (למשל, מתח, דיסיפוך תרמי, אחוזי כשל).

כמה טכניקות ML יעילות במיוחד עבור חיזוי כשל:

  • (FLT:0) למדורות (למשל, יערות אקראיים, ⁇ שיפור, רשתות עצביות) מפות שכותרתו נתונים היסטוריים לתוצאות כישלון, המאפשר סיווג מדויק של עיצובים חדשים.
  • (ה) [ה] [ה] [ה] [ה] [ה]] [ה], [ה], [ה],]] ⁇ ], [ה], [ה]]], [ההההתביעה], היא זוההההההההתמדהים [ב].
  • (FLT:0) Reinforcement LearningFLT:1 יכול לייעל רצף בדיקות על ידי למידה אילו פרמטרים להשתנות ליד למקסם את הסיכוי של חשיפת מצבי כישלונות.
  • (FLT:0) למידה שלמדפוס FLT:1 אדריכלות כמו רשתות עצביות אבולוציה (CNN) ורשתות זיכרון לטווח קצר ארוך (LSTM) משמשים עבור נתונים תלת-ממדיים כגון נתוני חיישן זמן או 3D גיאומטריה ממודלים CAD.

מאפשר מפתח הוא הזמינות של נתונים היסטוריים נקיים ומבנים היטב.ארגונים שהשקיעו תאומים דיגיטליים, מסדי נתונים סימולציה, ובדיקת מאגרי מידע ממוקמים הטוב ביותר כדי לפרוס חיזוי כישלונ מבוסס ML.הדיוק של המודל משתפר עם הזמן כמו יותר אבטיפוס נבדקים והתוצאות מוזנים חזרה לתוך מערכת האימונים - מחזור רוטט של שיפור מתמשך.

יתרונות ה-ML לחיזוי הכשלים של Prototype

גילוי מוקדם וחיסכון בעלויות

אולי היתרון המשכנע ביותר הוא היכולת לתפוס כישלונות לפני כל המשאבים הפיזיים מושקעים.בזרימות עבודה מסורתיות, אבטיפוס עשוי להיות מתוכנן, מיוצר, מאסף, נבדק במשך שבועות או חודשים לפני שפגמים מתגלה. Machine Learning יכול להיות דגל זהה פגם במהלך שלב העיצוב על ידי השוואת העיצוב החדש נגד אלפי דוגמאות קודמות.לדוגמה, OEM המשמש ML כדי לחזות אילו עיצובים למנוע היו צפויים לפצח חום במהלך בדיקות, 000 $, 000 על ידי חיסכון על ידי חיסכון על ידי טיפול ב-מנת יתר של יותר מ-מנת למנוע עלויות רכב ל- 40%.

שיפור החשבונאות והמידע-Driven Insights

מהנדסים אנושיים מצטיינים באינטואיציה אבל יכול להחמיץ אינטראקציות עדינות בין מספר משתנים.מודלים למידה מכונה הם ללא מעצורים ויכולים לזהות מתאםים כי יהיה בלתי נראה אפילו המעצב המנוסה ביותר.לדוגמה, אינטראקציה עדינה בין מעבר לסיומו, לחות מסובכת, ותדירות הרטט עלולה לגרום לכישלון מוקדם - דפוס של מודל ML יכול לזהות עיצובים חזקים יותר ופחות תזכורות שדה במחקר על ידי FLT: 30 אחוזים של פיתוח:

חיסכון בזמן ופיתוח

על ידי מתן עדיפות לבדיקות בתחומים בסיכון הגבוה ביותר, ML מקטין את מספר הקריטריונים הפיזיים הדרושים.מהנדסים יכולים להתמקד אימות רק היבטים לא בטוחים ביותר של העיצוב, ולא הפעלת בדיקות ממצה על כל תכונה. אלקטרוניקה, לדוגמה, להשתמש ב-ML כדי לחזות אילו פריסות מעגלים צפויים לגרום לבעיות של יושרה, תוך הטמעת שבועיים עד שלושה שבועות ממחזור הפיתוח.

אופטימיזציה

מתקני בדיקה, חומרים וכישרון הנדסי הם משאבים סופיים. ML עוזר להקצות אותם ביעילות רבה יותר על ידי זיהוי אבטיפוס או רכיבים זקוקים לבדיקות קפדניות ביותר והם בסיכון נמוך.זה נמנע מעיצובים בטוחים לאורך כל העידנים, תוך ריכוז משאבים שבהם הם חשובים ביותר. במגזר התעופה, יצרן אחד גדול המשמש ML כדי להפחית את מספר בדיקות הרוח עבור עיצוב חדש על ידי 60%, חינם הון ופרויקטים קריטיים אחרים.

שיפור מתמיד ולמידה הסתגלות

בניגוד לחוקים סטטיים או לרשימות, מודלים של למידת מכונה משפרים את הזמן.כל מבחן אבטיפוס חדש – בין אם הוא עובר או נכשל – מספק נתונים טריים שניתן להשתמש בהם כדי לגלגל את המודל.זה יוצר ארגון למידה שבו הידע העיצובי של החברה כולה מצטבר והופך לחכם יותר. AFLT:0Stanfordford University Research GroupFLT:1 , הראה כי מודל למידה עצמית, בתחילה לא ניתן להשיג דיוק כזה, רק לאחר ש- 50 שנה לאחר מכן, 000.

יישום ML בפיתוח Prototype

למידת מכונה בתהליך פיתוח קיים מחייבת תכנון זהיר.הצעדים הבאים מספקים מפת דרכים לארגונים המבקשים לאמץ טכנולוגיה זו.

איסוף נתונים והכנת

הבסיס של כל פרויקט ML הוא נתונים באיכות גבוהה.לחיזוי כישלונות, הנתונים האידיאליים כוללים פרמטרים עיצוביים (מודולים CAD, מפרט חומרים), תוצאות סימולציה (מפות הלחץ FEA, התפלגות לחץ CFD), תנאי הבדיקה (טמפרטורה, עומס, ספירת מחזור), ותוצאות (פס/פאל, מצב כישלונות, זמן לפירוק נתונים חייב להיות מנוקים, ממת, מתואמת, ותוויות רבות באופן עקבי.

בחירת הימין

לא כל האלגוריתמים מתאימים לכל בעיה של חיזוי כישלונות (למשימות סיווג (האם אבטיפוס נכשל או לא?), שיטות הרכב כמו XGBoost או LightGBM לעתים קרובות לבצע היטב עם נתונים לשוניים (כמה מחזורים עד לא?), תמיכה וקטורת וריד או רשתות עצביות הן נפוצות.אם הנתונים כוללים תמונות (למשל, מיקרוגרפים של סדקים) או סדרות זמן (מתאים להגדרה), הם יכולים לספק קוד זדונית טובה יותר, או מודלים של אבטחה, או קוד זדוניים, או קוד זדוניים, או קוד זדוניים, או קודרים פשוטים יותר, או קודמים, או קודרים).

מודל אימון ואימות

לאחר שנבחר האלגוריתם, הנתונים מחולקים לאימון, אימות ומבחן.המודל מאומנים על אבטיפוס היסטורי עד לתאריך מסוים, ולאחר מכן מאומתים על אבטיפוס מאוחר יותר כדי לדמות חיזוי של עולם אמיתי.טכניקות של קרוס-הנדסה (למשל, k-fold) מסייעות להבטיח את המודל באופן כללי.

שילוב עם סוללות עבודה הנדסה

כדי לספק ערך, יש לשלב את הכלים מהנדסים כבר בשימוש.זה יכול להיעשות באמצעות שיחות API מתוכנה CAD / CAE, לוח נתונים אינטרנט המציג ציוני סיכון עבור עיצובים חדשים, או התראות אוטומטיות במערכות ניהול פרויקטים.התפוקה לא צריכה להיות רק חיזוי בינארי - מהנדסים צריכים להבין חומרים מעודכנים או מודלים משולבים (pLT:0 למה FRP:1LT) מודל מבוזרת של שיטות תכנון כמו קידודים (סימולציות) או מודלים סטנדרטיים)

אתגרים ושיקולים

בעוד היתרונות ברורים, יישום ML עבור חיזוי כישלונות אבטיפוס אינו ללא מכשולים. איכות נתונים וזמינות נשאר החסמים העיקריים.חברות רבות חסרות מאגר מרכזי של תוצאות אבטיפוס קודמות, או הנתונים קיימים בגליונות מבוזרים, PDFs והערות של מהנדסים. Aggregating וניקוי נתונים אלה דורש זמן והשקעה.

אתגר נוסף הוא המחשה של המודל.בתעשיות קריטיות בטיחות כמו תעופה או מכשירים רפואיים, מהנדסים ורגולטורים צריכים להבין מדוע ה-ML צופה כישלון.מודלים של למידה עמוקה בתיבת Black-box עשויים להשיג דיוק גבוה, אך לספק תובנה מועטה, בעוד שמודלים פשוטים יותר, יותר מפרשים יותר עשויים להקריב דיוק כלשהו. גישה היברידית – שימוש במודל של דיוק גבוה להקרנה ומודל נפרד להסבר – יכול בסופו של חיזוי תרבותי, במיוחד.

רשימות קריאה בהן מופיע World Applications and Success Stories

למידת מכונות לחיזוי כישלונות כבר מספקת תוצאות בתעשיות.במכונית, ספק tier-one השתמש ML כדי לחזות אילו חלקי אלומיניום מתים-cast יפתחו פורוזיות במהלך קירור.המודל ניתח את טמפרטורת עובש, מהירות הזריקה, וסגסוגת הרכב, השגת 92% דיוק זה מופחת קצבי גרוטאות על ידי 25% והצלת החברה 1.5 מיליון דולר מדי שנה.

יצרנים אלקטרוניקה כמו אינטל משתמשים ב-ML כדי לחזות כישלונות תרמיים בחבילות שבב לפני ה-wfer הראשון מיוצר.על ידי אימון על נתוני סימולציה מאלפי עיצובים קודמים, המודל יכול להמליץ על שינויים ב- pin-out או התאמות גיאומטריות חום ששומרות על טמפרטורות צומת בתוך גבולות בטוחים.התוצאה היא פחות ספינים עיצוביים מחזורי הסתגלות מהירה יותר. במגזר הסחורות, חברה מובילה של נעלית יישומים כדי לחזות את הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הפחתת הטמפרטורות של ה-Lexatecuptamtamtamtamtamtamtecting ב-Lexate, ו-Duptexate טמפרטורה, בדיקת רמת הדיוק, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב, עיצוב איטי יותר.comtexing טמפרטורה, עיצובים עם עיצובים עם עיצובים עם עיצובים עם עיצובים עם עיצובים בלחץ מהירות יותר.

עתיד ה-ML במבחן Prototype

התפקיד של למידת מכונה בפיתוח אב-טיפוס צפוי להתרחב במהירות.מגמה מתפתחת אחת היא השימוש בעיצוב ניו-יורק בשילוב עם חיזוי כשלון: אלגוריתמים יכולים להציע אלפי גרסאות עיצוב, לדמות כל אחד עם מודל ML קל משקל, וממליץ רק לאלה שיש להם הסתברות גבוהה של לשרוד את כל מצבי הכישלונות הנתפסים.זה יוצר פרדיגמה "עיצוב-על-ידי-ידי-ידי-ידי-ידי-ידי-ידי-ידי-ידי-החומר" שבה מהנדסים רק בודקים את המקרים המאתגרים ביותר הוא באמת חיזוי בזמן הבדיקה של כישלונות בכישלונות, אשר יכול לזהות באופן אוטומטי, כאשר הם יכולים לזהות מודלים של כישלונות של כישלונות של כישלונות של כישלונות, לפני כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות, אשר יכולות להיות כישלונות בשלב זה יוצר כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות של כישלונות בשלב זה יוצר כישלונות של כישלונות של כישלונות בשלב זה יוצר כישלונות של כישלונ

כמחשוב קצה ו-IoT ProLiferate, חיזוי כישלונות יהפוך לטבוליט בטיפוס עצמו. אבטיפוס חכם יכול לאבחן את עצמו ולתקשר את רמת הסיכון שלו לצוות ההנדסה.יתר על כן, העברת הלמידה תאפשר מודלים מאומן על משפחת מוצר אחת להסתגל במהירות למוצר חדש, קשור – ובכך לגרום לצורך במאגרי נתונים היסטוריים גדולים.עם עלייתם של תעשיות AI (XAI), גופי רגולציה עשויים לקבל ראיות מבוססות על עיצוב, להגדרה נוספת.

מסקנה

חיזוי כשלים באבקת מכונות הוא כבר לא חזון עתידני - זוהי אסטרטגיה מעשית ומוכחת שמחסוך זמן, כסף ומשאבים. על ידי מינוף נתונים היסטוריים ואלגוריתמים מתקדמים, ארגונים יכולים לזהות סיכונים מוקדם, להקצות משאבים ביעילות, וליצור לולאה למידה רציפה שמשפרת את איכות העיצוב לאורך זמן.היישום דורש מחויבות לתשתיות נתונים, שיתוף פעולה תפקודי, ונכונות לתובנות מונעות מידע, אך היא מתחילה במהירות, לא תוכל לפתח מוצרים מתקדמים יותר.