स्वचालन में आर्टिफिशियल इंटेलिजेंस का उपयोग

आधुनिक तंत्र डिजाइन में आर्टिफिशियल इंटेलिजेंस का उदय

कृत्रिम बुद्धिमत्ता (AI) ने मूल रूप से आकार दिया है कि इंजीनियर और वैज्ञानिक यांत्रिक प्रणालियों के अनुकूलन के दृष्टिकोण को कैसे बदल सकते हैं। पारंपरिक डिजाइन प्रक्रियाएं अक्सर मैनुअल पुनरावृत्ति, डोमेन विशेषज्ञता और परीक्षण-और-error परीक्षण-विविधता पर निर्भर करती हैं जो दोनों समय-उपभोक्ताओं और दायरे में सीमित हैं। एआई एक प्रतिमान बदलाव प्रदान करती है, जो डेटा संचालित, डिज़ाइन स्पेसों का स्वचालित अन्वेषण सक्षम करती है जो पहले नेविगेट करना असंभव था। मशीन लर्निंग, तंत्रिका नेटवर्क और विकासात्मक एल्गोरिदम जैसे तकनीकों का उपयोग करके, संगठन अब इष्टतम समाधानों पर तेजी से अभिसरण हासिल कर सकते हैं, गैर-गहन विन्यास को उजागर कर सकते हैं, और ऑटोमोटिव और एयरोस्पेस से रोबोटिक्स और उपभोक्ता इलेक्ट्रॉनिक्स तक के उद्योगों में विकास लागत को कम कर सकते हैं।

क्या तंत्र अनुकूलन है?

तंत्र अनुकूलन डिजाइन चर को समायोजित करने की प्रक्रिया है - जैसे कि लिंकेज लम्बाई, स्प्रिंग स्थिरांक, गियर अनुपात, या सामग्री गुण - विशिष्ट प्रदर्शन लक्ष्य को पूरा करने के लिए। इन लक्ष्यों में अक्सर ऊर्जा खपत को कम करना, गति या टोक़ को अधिकतम करना, भार के तहत स्थिरता में सुधार करना, वजन कम करना, या थकान जीवन को बढ़ाना शामिल है। अनुकूलन समस्या एकल-उद्देश्यात्मक या बहु-उद्देश्यात्मक हो सकती है, जहां संघर्ष लक्ष्यों के बीच व्यापार-बंद संतुलित होना चाहिए।

शास्त्रीय अनुकूलन विधियों जैसे कि ढाली वंश, अनुक्रमिक चतुर्वेदी प्रोग्रामिंग, और दशकों तक प्रतिक्रिया सतही पद्धति का उपयोग किया गया है। हालांकि, इन तकनीकों को एक अच्छी तरह से परिभाषित गणितीय मॉडल की आवश्यकता होती है और अक्सर स्थानीय ऑप्टिमा में फंस जाती है। इसके अलावा, यांत्रिक प्रणाली अधिक जटिल हो जाती है - गैर-रैखिक गतिशीलता, बहुभौतिकी बातचीत और तंग सहनशीलता के साथ - निकास खोज की कम्प्यूटेशनल लागत निषेध हो जाती है। एआई एल्गोरिदम इस तरह के उच्च-आयामी, गैर-रेखीय परिदृश्यों में ठीक से कामयाब हो जाते हैं।

कोर एआई तकनीक ड्राइविंग स्वचालन

मशीन लर्निंग और सरोगेट मॉडलिंग

मशीन लर्निंग (ML) मॉडल महंगे भौतिकी आधारित सिमुलेशन के लिए सरोगेट के रूप में कार्य करते हैं। डिजाइन बिंदुओं के एक सेट पर प्रशिक्षण के द्वारा परिमित तत्व विश्लेषण (FEA) या कम्प्यूटेशनल तरल गतिशीलता (CFD) के माध्यम से मूल्यांकन किया गया, एक एमएल मॉडल डिजाइन इनपुट के एक कार्य के रूप में प्रदर्शन आउटपुट की भविष्यवाणी करने के लिए सीखता है। यह प्रत्येक बार पूर्ण सिमुलेशन चलाने के बिना कई विन्यासों के तेजी से अन्वेषण को सक्षम बनाता है। तकनीक जैसे कि गौसियन प्रक्रिया प्रतिगमन, यादृच्छिक वन और तंत्रिका नेटवर्क आमतौर पर कार्यरत हैं। उदाहरण के लिए, शोधकर्ताओं ने [FLT: 0]MIT ने चार बार लिंकेज सिमुलेशन तंत्र को अनुकूलित करने के लिए तंत्रिका नेटवर्क का उपयोग किया।

आनुवंशिक एल्गोरिथ्म और विकासवादी रणनीतियाँ

आनुवंशिक एल्गोरिदम (GAs) प्राकृतिक चयन का अनुकरण करते हैं: उम्मीदवार डिजाइन की आबादी कई पीढ़ियों से चयन, क्रॉसओवर और उत्परिवर्तन के माध्यम से विकसित की गई है। प्रत्येक पीढ़ी की फिटनेस का उद्देश्य कार्य के खिलाफ मूल्यांकन किया जाता है। GA बहु-objective अनुकूलन (जैसे, Pareto फ्रंट पहचान) के लिए विशेष रूप से प्रभावी हैं और मिश्रित असततत / निरंतर चर के साथ समस्याओं के लिए। वास्तविक दुनिया के अनुप्रयोगों में रोबोटिक हथियारों, कैम प्रोफाइल और निलंबन लिंकेज के kinematic डिजाइन को अनुकूलित करना शामिल है। एक उल्लेखनीय उदाहरण का उपयोग है एक उच्च गति वाले प्रेस में कंपन को कम करने के लिए आनुवंशिक एल्गोरिदम [FLT]

गहरी मजबूती शिक्षा

डीप सुदृढीकरण लर्निंग (DRL) एक एजेंट को पर्यावरण के साथ बातचीत करके अनुक्रमिक निर्णय लेने के लिए प्रशिक्षित करता है। तंत्र डिजाइन में, DRL परिवर्तन की स्थिति के अनुकूल होने के लिए ऑपरेशन (जैसे, परिवर्तनीय-geometry लिंकेज या सक्रिय डंपिंग सिस्टम) के दौरान मापदंडों को गतिशील रूप से समायोजित कर सकता है। यह विशेष रूप से स्वायत्त प्रणालियों और अनुकूली संरचनाओं में मूल्यवान है। उदाहरण के लिए, ] Researchers ने लगातार परिवर्तनीय ट्रांसमिशन की नियंत्रण नीति को अनुकूलित करने के लिए DRL को लागू किया है ], साथ ही साथ ईंधन दक्षता और drivability में सुधार।

उद्योग अनुप्रयोग और केस स्टडी

मोटर वाहन: निलंबन और ड्राइवट्रेन ऑप्टिमाइज़ेशन

एआई-संचालित अनुकूलन व्यापक रूप से सवारी आराम, हैंडलिंग और टायर पहनने के लिए निलंबन geometries को समझने के लिए उपयोग किया जाता है। एक आनुवंशिक एल्गोरिथ्म के साथ बहुबॉडी गतिशीलता सिमुलेशन को जोड़कर, इंजीनियरों को वसंत दर, डैपर वक्र और झाड़ी की कठोरता को पता चल सकता है जो टकराव मानदंडों को पूरा करती है। एक अध्ययन ने दिखाया कि एक ]AI-optimized डबल-विशबोन निलंबन ने 12% तक वजन कम किया जबकि कोने में कठोरता में सुधार ]।

एयरोस्पेस: लाइटवेट स्ट्रक्चर्स और मोर्फिंग विंग्स

एयरोस्पेस में, संरचनात्मक अखंडता को बनाए रखने के दौरान वजन को कम करना सर्वोपरि है। एआई तकनीकें जाली संरचनाओं या समग्र layup उत्पन्न करने के लिए मशीन लर्निंग के साथ टोपोलॉजी अनुकूलन को जोड़ती हैं जो ताकत से वजन की आवश्यकताओं को पूरा करती हैं। विंग तंत्र को आकार देने के लिए, गहरी सीखने वाले मॉडल वायुगतिकीय भार की भविष्यवाणी करते हैं और वास्तविक समय में लिंकेज ज्यामिति को समायोजित करते हैं। बोइंग और एयरबस ने अगली पीढ़ी के विमान actuators के लिए एआई-आधारित अनुकूलन में निवेश किया है।

रोबोटिक्स: कुशल एक्ट्यूशन और गैट डिज़ाइन

लेगेड रोबोट को स्थिर, कुशल लोकोमोशन प्राप्त करने के लिए अनुकूलित तंत्र की आवश्यकता होती है। जेनेटिक एल्गोरिदम का उपयोग पैर के अनुपात और संयुक्त प्लेसमेंट को विकसित करने के लिए किया गया है जो प्रति स्ट्राइड ऊर्जा खपत को कम करता है। अधिक उन्नत दृष्टिकोण रोबोट को सिखाने के लिए मजबूती सीखने को काम करते हैं कि कैसे अपने गेट को किसी न किसी इलाके में अनुकूलित किया जाए - वास्तविक समय में तंत्र की नियंत्रण नीति को प्रभावी ढंग से अनुकूलित किया जा सकता है।

उपभोक्ता इलेक्ट्रॉनिक्स: पहनने योग्य के लिए कॉम्पैक्ट तंत्र

स्मार्टवॉच और फोल्डेबल फोन जैसे लघु उपकरणों में, तंत्र अनुकूलन को स्थायित्व के साथ अंतरिक्ष बाधाओं को संतुलित करना चाहिए। एआई-चालित टोपोलॉजी अनुकूलन hinge डिज़ाइन उत्पन्न कर सकता है जो हल्के और थकान प्रतिरोधी दोनों हैं। सैमसंग जैसी कंपनियों ने फोल्डेबल फोन हिंग तंत्र के लिए विकास चक्र को कम करने की सूचना दी है, जो तंत्रिका सरोगेट मॉडल का उपयोग करके 40% तक है।

पारंपरिक तरीकों से अधिक लाभ

• ]डिज़ाइन चक्र समय में नाटकीय कमी - एआई एक मुट्ठी भर परीक्षण करने के लिए एक मानव इंजीनियर को समय पर हजारों उम्मीदवार डिजाइनों का मूल्यांकन कर सकता है। कुछ औद्योगिक मामले अध्ययन 10 × स्पीडअप की रिपोर्ट करते हैं।
• ]] उच्च आयामी, गैर-विशिष्ट रिक्त स्थान का विस्तार - एआई एल्गोरिदम उन समाधानों को पा सकते हैं जो कभी भी मानव इंजीनियर के लिए नहीं होंगे, जैसे कि विषम लिंकेज या गैर-वर्दी सामग्री वितरण।
• ]Improved strongness and विश्वसनीयता - अनिश्चितता मात्रात्मकता को शामिल करके, एआई-संचालित अनुकूलन उन डिज़ाइनों का उत्पादन कर सकता है जो लोडिंग, विनिर्माण सहिष्णुता और पर्यावरण की स्थिति में वास्तविक दुनिया के बदलावों के तहत अच्छी तरह से प्रदर्शन करते हैं।
• ]Facilitating नवाचार - स्वचालित खोज अक्सर उपन्यास टोपोलॉजी और तंत्र को प्रकट करती है जो नए उत्पाद लाइनों या पेटेंट के लिए आधार बन जाते हैं।

एकीकरण चुनौतियां और वर्तमान सीमाएँ

डेटा और कम्प्यूटेशनल आवश्यकताएं

प्रशिक्षण सटीक एआई मॉडल को उच्च गुणवत्ता वाले डेटा की बड़ी मात्रा की आवश्यकता होती है। कई इंजीनियरिंग संदर्भों में, ऐसे डेटा को उत्पन्न करने के लिए महंगा है (उदाहरण के लिए, प्रत्येक सीएफडी सिमुलेशन घंटों में हो सकता है)। स्थानांतरण सीखने, सक्रिय सीखने और भौतिकी-संक्रमित तंत्रिका नेटवर्क जैसे रणनीतियां डेटा की जरूरतों को कम करने के लिए उभर रही हैं, लेकिन वे अभी तक प्लग-एंड-प्ले नहीं हैं। इसके अतिरिक्त, कई पीढ़ियों पर विकासवादी एल्गोरिदम चलाना महत्वपूर्ण कम्प्यूट संसाधनों की मांग कर सकता है, विशेष रूप से जटिल बहुभौतिकी मॉडल के लिए।

पारस्परिकता और ट्रस्ट

कई एआई मॉडल, विशेष रूप से गहरे तंत्रिका नेटवर्क, काले बक्से के रूप में कार्य करते हैं। इंजीनियर्स को समझ में आता है कि एक मॉडल द्वारा अनुशंसित डिज़ाइन को अपनाने के बारे में सतर्क हो जाता है जो इसके तर्क को नहीं समझा सकता है। इंजीनियरिंग के लिए समझाने योग्य एआई (XAI) में प्रयास कर्षण प्राप्त कर रहे हैं, लेकिन एआई-ऑप्टिमाइज्ड तंत्र को प्रमाणित करने के लिए एक मानकीकृत ढांचा - विशेष रूप से एयरोस्पेस और चिकित्सा उपकरणों जैसे सुरक्षा-महत्वपूर्ण उद्योगों में - अभी भी कमी है।

मौजूदा वर्कफ़्लो के साथ एकीकरण

अधिकांश इंजीनियरिंग संगठन लीगेसी सीएडी और सिमुलेशन टूल पर निर्भर करते हैं। इन पाइपलाइनों में एआई अनुकूलन इंजनों को अक्सर कस्टम स्क्रिप्टिंग और मिडलवेयर की आवश्यकता होती है। जबकि व्यावसायिक प्लेटफार्मों जैसे Ansys Optisang] और Simulia Isight [[FLT: 3]] ने एमएल-चालित सरोगेट को शामिल करना शुरू कर दिया है, सीखने की अवस्था कई टीमों के लिए खड़ी रहती है।

भविष्य निर्देश

भौतिकी-सूचना और हाइब्रिड मॉडल

अगली पीढ़ी के एआई ऑप्टिमाइज़र सीधे सीखने की प्रक्रिया में भौतिक कानूनों को एम्बेड करेंगे। भौतिकी-संक्रमित तंत्रिका नेटवर्क (पिन) संरक्षण समीकरण को लागू करते हैं, जो सीमित डेटा के साथ भी सटीक भविष्यवाणियों को सक्षम करते हैं। हाइब्रिड मॉडल जो प्रयोगात्मक डेटा के साथ सिमुलेशन-संचालित सरोगेट को जोड़ते हैं, मानक बन जाएंगे, डिजिटल जुड़वाँ और भौतिक परीक्षण के बीच अंतर को तोड़ देगा।

तंत्र डिजाइन के लिए स्वचालित मशीन लर्निंग (ऑटोएमएल)

ऑटोएमएल उपकरण जो स्वचालित रूप से सर्वश्रेष्ठ एल्गोरिदम, हाइपरपैरामीटर और डेटा प्रीप्रोसेसिंग चरणों का चयन करते हैं, गैर-विशेषज्ञों के लिए बाधा को कम कर देंगे। इंजीनियर्स प्राकृतिक भाषा में या ड्रैग-एंड-ड्रॉप इंटरफेस के माध्यम से अपनी अनुकूलन समस्या का वर्णन करने में सक्षम होंगे, जिससे एआई एल्गोरिदमिक विवरण को संभालती है।

वास्तविक समय अनुकूली तंत्र

एज कंप्यूटिंग और लो-लेटेंसी सेंसर के उदय के साथ, एआई-ऑप्टिमाइज्ड तंत्र अपने आप को फ्लाई पर फिर से कॉन्फ़िगर करने में सक्षम होगा। एक कृत्रिम घुटने की कल्पना करें जो लगातार गेट विश्लेषण के आधार पर अपने डंपिंग को समायोजित करता है, या एक पवन टरबाइन ब्लेड जो गस्ट के जवाब में अपने वायुफोइल ज्यामिति को आकार देता है। ये सिस्टम एम्बेडेड नियंत्रकों पर चल रहे हल्के तंत्रिका नेटवर्क पर भरोसा करेंगे।

Generative Design and Additive Manufacturing Synergy

एडिटिव विनिर्माण (3 डी प्रिंटिंग) के साथ जेनेरेटिव डिज़ाइन (AI-driven शेप और टॉपोलॉजी ऑप्टिमाइज़ेशन) का संयोजन उन हिस्सों को अनलॉक करता है जो पारंपरिक रूप से निर्मित लोगों की तुलना में मजबूत और हल्का दोनों हैं। Autodesk] और Siemens पहले से ही उन प्लेटफार्मों की पेशकश करते हैं जो एआई का उपयोग उन कार्बनिक ज्यामिति को उत्पन्न करने के लिए करते हैं जो मशीन के लिए असंभव होंगे, और फिर उन्हें अनुकरण के माध्यम से मान्य करते हैं।

निष्कर्ष

कृत्रिम बुद्धिमत्ता तंत्र अनुकूलन में केवल एक वृद्धिशील सुधार नहीं है - यह कैसे इंजीनियर्स कल्पना करते हैं, iterate और यांत्रिक डिजाइन को अंतिम रूप देने में एक मूलभूत परिवर्तन का प्रतिनिधित्व करता है। इष्टतम विन्यास की खोज को स्वचालित करके, एआई महंगा शारीरिक प्रोटोटाइप को कम करता है, विकास समयबद्धता को कम करता है, और प्रदर्शन और नवाचार के स्तर को सक्षम करता है जो पहले पहुंच से बाहर थे। हालांकि, संक्रमण बाधा के बिना नहीं है: डेटा उपलब्धता, कम्प्यूटेशनल मांग, व्याख्यात्मकता और कार्यप्रवाह एकीकरण को संबोधित किया जाना चाहिए। चूंकि इन चुनौतियों को चल रहे अनुसंधान और व्यावसायिक उपकरण विकास के माध्यम से हल किया जाता है, एआई-चालित तंत्र अनुकूलन मानव निर्माण के लिए मानव निर्माण के लिए एक अनिवार्य हिस्सा बन जाएगा।