自動化機構の最適化における人工知能の活用

現代メカニズムの設計における人工知能の上昇

人工知能(AI)は、エンジニアと科学者が機械システムの最適化にどのようにアプローチするかを根本的に再構成しました。従来の設計プロセスは、手動の反復、ドメインの専門知識、および試験および試験および試験および試験および試験および試験方法に依存しています。AIは、パラダイムシフトを提供し、データ主導を可能にし、以前にナビゲーション不可能であった設計スペースの自動化された調査を可能にします。機械学習、神経ネットワーク、および進化アルゴリズムなどの技術を活用することで、組織は、エレクトロニクス産業のコストを削減し、より速く、最適な構成と最適化された産業の最適化を実現することができます。

メカニズムの最適化とは?

機構の最適化は、リンク長さ、スプリング定数、ギア比、または特定の性能目標を満たす材料特性などの設計変数を調整するプロセスです。これらのターゲットは、多くの場合、エネルギー消費を最小限に抑え、速度やトルクを最大化し、負荷の下の安定性を改善し、体重を減らしたり、疲労寿命を向上させることができます。最適化の問題は、対立目標間の取引がバランスを取る必要がある、単一オブジェクトまたは多岐に及ぶことができます。

グラデーション・デセント、シーケンシャル・クドラティック・プログラミング、および応答の表面の手法などの古典的な最適化方法が10年間使われてきました。しかし、これらの技術は、定義された数学モデルを必要とし、多くの場合、ローカル・オプティマでトラップされる。さらに、機械的システムがより複雑になるため、非線形動体、多体的相互作用、および堅い許容 - 排気検索の計算コストは禁止されます。AIアルゴリズムは、そのような高次元の風景で正確に繁栄します。

コアAI技術による自動化

機械学習とサーロゲートモデリング

マシンラーニング(ML)モデルは、高価な物理ベースのシミュレーションのための代理として機能します。設計ポイントのセットでトレーニングすることにより、finite要素分析(FEA)または計算流体力学(CFD)によって評価され、MLモデルは、設計入力の機能として性能の出力を予測することを学びます。これは、毎回フルシミュレーションを実行せずに多くの構成の迅速な探査を可能にします。ガイシアンプロセス回帰、ランダムフォレスト、および神経ネットワークなどの技術は、一般的に使用されるように、FART1:FAR(F)のメカニズムを最適化する。 [Farage]

遺伝的アルゴリズムと進化戦略

遺伝子型アルゴリズム(GA)は、選択、クロスオーバー、変異を多世代にわたって展開する候補の人口を自然選択とシミュレートします。各世代のフィットネスは、目的機能に対して評価されます。GAは、多岐にわたる最適化(例えば、パリトの正面の識別)および混合された離散/連続変数の問題のために特に有効です。現実世界アプリケーションには、ロボットアームのkinematic designを最適化し、カムプロファイルは、手動で構成されると、AF1Fの振動を低減する。

ディープ・リインフォースメント・ラーニング

ディープ・レフメント・ラーニング(DRL)は、環境と相互作用することにより、シーケンシャル・決定を行うエージェントを訓練します。メカニズム設計では、DRLは、操作中にパラメータを動的に調整することができます(例えば、可変幾何学的リンクやアクティブ・ダンピングシステム) 変更条件に適応します。これは、特に自律的なシステムと適応構造で特に価値があります。例えば、]]]) 研究者は、DRLを適用して、継続的に可変的なトランスミッションおよび効率性を向上させるために、効率的なトランスミッションの制御ポリシーを最適化しました。

業界アプリケーションと事例

自動車:懸濁液および運転訓練の最適化

乗り心地、ハンドリング、タイヤウェアのサスペンションの幾何学を調製するためにAI駆動の最適化が広く使用されています。遺伝子アルゴリズムで多体動的シミュレーションを組み合わせることで、エンジニアは、競合基準を満たすスプリングレート、ダンパーカーブ、およびブッシュ剛性を見つけることができます。 1つの研究では、[]]AI最適化されたダブルウィッシュボンサスペンションが12%減少し、コーナーの剛性を向上させながら12%減少しました。

航空宇宙:軽量構造とMorphing Wings

大気空間では、構造の整合性を維持しながら体重を最小限に抑えるがパラマウントです。AI技術は、格子構造や複合的なレイアップを生成し、強度と重量の要件を満たす機械学習とトポロジー最適化を組み合わせています。翼機構を定形化するために、ディープラーニングモデル予測エアロダイナミック負荷とリアルタイムで連結幾何学を調整します。ボーイングとエアバスは、次世代航空機アクチュエータ用のAIベースの最適化に投資しています。

ロボティクス:効率的な作動とガイトデザイン

頑丈なロボットは、安定した効率的なローコモーションを達成するために最適化されたメカニズムを必要とします。遺伝的アルゴリズムは、脚の比率と合理化ごとのエネルギー消費を最小限に抑える関節配置を進化させるために使われています。より高度なアプローチは、ロボットが自分のガイトを荒い地形に適応させる方法を教えるために強化学習を採用しています。メカニズムの制御方針をリアルタイムで最適化します。

消費者エレクトロニクス:ウェアラブルのためのコンパクトな機構

スマートウォッチや折りたたみ式携帯電話などの小型化デバイスでは、機構の最適化は、耐久性のあるスペース制約をバランス良くする必要があります。AI主導のトポロジー最適化は、軽量で疲労性に優れたヒンジのデザインを生成できます。Samsungのような企業は、ニューラルなシューロゲートモデルを使用して40%による折り畳み式の電話ヒンジ機構の発達サイクルを削減しました。

伝統方法のメリット

設計サイクルタイムの大幅に削減 – AI は、人間のエンジニアが手作業をテストするのにかかる時間の何千もの候補のデザインを評価することができます。いくつかの工業用ケースの調査は、10×スピードアップを報告します。
[] 寸法、非直感的な空間の探索[ – AIアルゴリズムは、非対称的なリンクや非ユニフォームの材料分布などの人的エンジニアに決して発生しないソリューションを見つけることができます。
堅牢性と信頼性の向上[ – 不確実性定量を組み込むことにより、AI主導の最適化は、ロード、製造公差、環境条件の現実的な変化の下でうまく実行する設計を生成できます。
[] 加速革新[] – 自動検索は、新製品ラインや特許の基礎となる新しいトポロジーとメカニズムを明らかにすることが多いです。

統合チャレンジと現在の制限

データおよび計算要件

トレーニングの正確なAIモデルは、高品質のデータ量を大量に要求します。多くのエンジニアリングコンテキストでは、そのようなデータは生成する高価です(例えば、各CFDシミュレーションは時間がかかります)。転送学習、アクティブラーニング、および物理情報に基づいたニューラルネットワークなどの戦略は、データニーズを減らすために新興していますが、まだプラグインとプレイされていません。さらに、多くの世代にわたって進化するアルゴリズムを実行することで、複雑な複合体モデルにとって重要な計算リソースを要求することができます。

通訳・信頼

多くのAIモデル、特に深いニューラルネットワーク、ブラックボックスとして機能します。エンジニアは、その推論を説明できないモデルによって推奨される設計を採用することに著しく注意しています。エンジニアリングのための説明可能なAI(XAI)の努力は牽引を増加していますが、特に航空宇宙や医療機器などの安全批判産業では、AIが最適化されたメカニズムを認証するための標準化フレームワークは、依然として欠けています。

既存のワークフローとの統合

ほとんどのエンジニアリング組織は、従来のCADとシミュレーションツールに依存しています。AIの最適化エンジンをこれらのパイプラインに統合することは、カスタムスクリプトとミドルウェアを必要とします。 ]のような商用プラットフォームが、Ansys optiSLangと]] - Simulia Isight]を組み込むことが始まり、学習曲線は多くのチームのために急上昇しています。

今後の方向性

物理情報とハイブリッドモデル

次世代AIオプティマイザは、直接学習プロセスに物理的法を組み入れます。物理情報情報に基づいたニューラルネットワーク(PINN)は、保存式を実施し、限られたデータでも正確な予測を可能にします。シミュレーション主導のシュールキーを実験データと組み合わせるハイブリッドモデルは、デジタルツインと物理的なテストの間のギャップを埋め、標準になります。

メカニズム設計のための自動機械学習(AutoML)

自動化されたアルゴリズムツールは、最高のアルゴリズム、ハイパーパラメータ、およびデータプリプロセッシングのステップを自動的に選択することで、非専門者のためのバリアが低下します。エンジニアは、AIがアルゴリズムの詳細を処理することを可能にする、自然言語またはドラッグアンドドロップインターフェイスを介して、自分の最適化の問題を説明することができるようになります。

リアルタイム適応メカニズム

エッジコンピューティングと低レイテンシーセンサーの上昇に伴い、AI最適化されたメカニズムは、フライで自分自身を再構成することができます。 gait分析に基づいて、継続的に湿潤を調整する義足を想像してみてください。風力タービンブレードは、ガットに対応する空気状ジオメトリをモルフィズします。これらのシステムは、組み込みコントローラで実行される軽量ニューラルネットワークに依存します。

ジェネレーションデザインと添加剤製造シナジー

遺伝子設計(AI駆動形状とトポロジー最適化)と添加製造(3Dプリンティング)の組み合わせにより、従来よりも強力で軽量な部品が確保されます。Autodesk」「]]といった企業は、AIを用いた有機幾何学を生成し、機械化不可能な有機物体を生成し、シミュレーションで検証するプラットフォームを既に提供しています。

コンテンツ

人工知能は単なるメカニズムの最適化における増分的な改善ではありません。それは、エンジニアがいかにして、機械的な設計を考案し、それを解決し、そして最終化するかの根本的な変化を表しています。最適な構成の検索を自動化することにより、AIは、コストを削減し、開発のタイムラインを短縮し、以前に到達したパフォーマンスと革新のレベルを上げる必要があります。しかし、移行は、データ可用性、計算的要求、解釈、ワークフロー、および、およびプロセスを継続的に統合することは、AIが重要な課題を解決するだけでなく、AIが、将来のAIが不可欠であるように解決するような、これらは、重要な課題を解決するだけでなく、AIは、AIが不可欠です。