Automating Mechanism Optimization의 인공 지능의 사용

현대 메커니즘 디자인의 인공 지능의 상승

인공지능(AI)은 엔지니어와 과학자들이 기계 시스템의 최적화에 접근하는 방법을 근본적으로 재구성했습니다. 전통적인 디자인 프로세스는 수동으로 이행, 도메인 전문 지식, 그리고 평가 및 오류 테스트에 자주 의존합니다. 이러한 테스트는 범위 내에서 시간과 소모 및 제한이 있습니다. AI는 기존의 설계 공간의 데이터 구동, 자동화된 탐험을 가능하게 합니다. 기계 학습, 신경 네트워크, 진화 알고리즘, 그리고 우주적 통합 솔루션과 같은 하네스 기술을 통해 자동차 산업에 대한 보다 빠르고 효율적인 솔루션이 가능합니다.

Mechanism의 최적화는 무엇입니까?

Mechanism 최적화는 특정 성능 목표를 충족시키기 위해 결합 길이, 스프링 상수, 기어비 또는 재료 속성과 같은 디자인 변수를 조정하는 과정입니다. 이러한 목표는 종종 최소화 에너지 소비, 최대화 속도 또는 토크, 부하, 감소 무게, 또는 피로 수명을 강화하는 안정성 향상을 포함합니다. 최적화 문제는 단일 - 베어링 또는 멀티 베어링이 될 수 있으며, 충돌 목표 사이의 거래가 균형을 잡을 수 있습니다.

그라디언트 백열, 순차적 사분화 프로그램, 응답 표면 방법론과 같은 고전적 최적화 방법은 수십 년 동안 사용되었습니다. 그러나 이러한 기술은 잘 정의 된 수학 모델을 필요로하며 종종 로컬 optima에서 갇혀 냅니다. 또한, 기계 시스템은 비선형 동적, 다중 물리학 상호 작용 및 단단한 공차와 함께 더 복잡한 구성 비용으로, 배설 검색의 계산 비용이 크게 증가합니다. AI 알고리즘은 비선형 동적, 다물리 상호 작용, 그리고 단단한 공차적 인 상호 작용으로 정확하게 정확하게 변형됩니다.

Core AI 기술 혁신

기계 학습 및 Surrogate 모델링

기계 학습 (ML) 모델은 비싼 물리 기반 시뮬레이션에 대한 surrogates 역할을합니다. finite Element Analysis (FEA) 또는 Computational 유체 역동적 (CFD)를 통해 평가되는 디자인 포인트 세트에 대한 교육을 통해 ML 모델은 디자인 입력의 기능으로 성능 출력을 예측하는 것을 배우는 것을 배우는 것입니다. 이것은 전체 시뮬레이션을 실행하지 않고 많은 구성의 급속한 탐험을 가능하게합니다. Gaussian 공정 회귀, 무작위 숲, neLT (N) 및 neutural Networks (FD)와 같은 기술은 일반적으로 4 개의 네트워크의 정확성을 줄이기 위해 사용됩니다. [F] :

유전적 알고리즘과 진화 전략

Genetic 알고리즘 (GAs)은 자연적 선택 시뮬레이션: 후보 디자인의 인구는 많은 세대에 걸쳐 선택, 크로스오버 및 뮤테이션을 통해 진화된다. 각 세대의 피트니스는 객관적인 기능에 대해 평가된다. GA는 특히 멀티-오브젝티브 최적화(예: Pareto front Identification)에 효과적이며 혼합 된 discrete/continuous 변수와 문제의 경우. Real-world 응용 프로그램은 로봇 팔의 kinematic 디자인, 캠트 프로파일, ALT-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-

딥 인포메이션 학습

DRL(Deep reinforcement Learning)는 환경과 상호 작용하여 순차적인 결정을 내릴 수 있는 에이전트를 훈련합니다. 메커니즘 설계에서 DRL은 작동 중 매개 변수를 동적으로 조정할 수 있습니다(예: 변수-geometry linkages 또는 active Daming system). 이 시스템은 특히 자율 시스템 및 적응 구조에 대한 가치입니다. 예를 들어, researchers는 지속적으로 가변적 댐핑 시스템의 제어 정책을 최적화하기 위해 DRL을 적용했습니다.]]]researchers는 지속적으로 가변적 댐핑 시스템의 제어 정책을 최적화할 수 있습니다.[FLT]

산업 응용 및 사례 연구

자동차: 중단과 드라이브트 최적화

AI 구동 최적화는 주행 편안함, 취급 및 타이어 마모에 대한 서스펜션 지오메트리를 조정하는 데 널리 사용됩니다. 복합 알고리즘을 갖춘 커플러 멀티 바디 동적 시뮬레이션으로 엔지니어는 스프링 속도, 댐퍼 곡선 및 충돌을 충족하는 뻣뻣한 뻣뻣함을 찾을 수 있습니다. 하나의 연구는 ]AI-optimized 이중 웜본 서스펜션 감소 중량이 12% 증가하면서 코너 뻣뻣함]를 설명했습니다.

항공 우주 : 경량 구조 및 모링 윙

항공 우주에서 구조적 무결성을 유지하면서 무게를 최소화하는 것은 기적이다. AI 기술은 기계 학습과 함께 상부 구조 또는 복합 침수 요구 사항을 충족하는 데 도움이됩니다. morphing wing 메커니즘을 위해, 깊은 학습 모델은 항공 우주 부하를 예측하고 실시간 링크 지하실을 조정합니다. 보잉과 에어버스는 차세대 항공기 액추에이터를 위한 AI 기반 최적화에 투자했습니다.

로봇: 능률적인 Actuation 및 Gait 디자인

레거시 로봇은 안정적이고 효율적인 locomotion을 달성하기 위해 최적화된 메커니즘을 요구합니다. 유전 알고리즘은 에너지 소비를 최소화하는 다리 비율과 관절 배치를 진화시키는 데 사용되었습니다. 더 진보 된 접근법은 로봇을 가르치는 데 필요한 보강 학습을 사용하여 자기의 기적을 거친 지형에 적응시키는 방법을 사용합니다. 효과적으로 메커니즘의 제어 정책을 실시간으로 최적화합니다.

가전제품: Wearables를 위한 소형 기계장치

스마트워치와 접이식 전화와 같은 소형화 된 장치에서 메커니즘 최적화는 내구성이 있는 공간 제약을 균형 잡히는 것을해야합니다. AI 구동 토폴로지 최적화는 경량과 피로가 강한 경첩 디자인을 생성 할 수 있습니다. 삼성과 같은 회사는 신경 surrogate 모델을 사용하여 40 %의 접이식 전화 경첩 메커니즘에 대한 개발 사이클을 감소시켰다.

전통 방법에 이점

디자인 사이클 타임의 감소 – AI는 수작업을 테스트하는 데 인간 엔지니어가 소요되는 시간에 수천 명의 후보 디자인을 평가할 수 있습니다. 일부 산업 사례 연구는 10 × speedup을보고합니다.
높은 차원의 탐험, 비 직관적 인 공간 – AI 알고리즘은 비대칭 링크 또는 비균형 자재 배포와 같은 인간 엔지니어로 결코 발생하지 않는 솔루션을 찾을 수 있습니다.
] 강력한 신뢰성과 신뢰성] – 불확실한 정량화를 통합함으로써, AI- 몬 최적화는 적재, 제조 공차 및 환경 조건에서 실제 변화의 밑에 잘 수행한 디자인을 생성할 수 있습니다.
Facilitating Innovation – 자동 검색은 종종 새로운 제품 라인 또는 특허를 기반으로 한 새로운 토폴라믹 및 메커니즘을 나타냅니다.

통합 도전과 현재 제한

데이터 및 Computational 요구 사항

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

책임과 신뢰

특히 깊은 신경 네트워크, 블랙 박스로 기능. 엔지니어는 그 이유를 설명할 수 없는 모델에 의해 권장되는 디자인을 채택하는 것에 대해 이해합니다. 엔지니어링을 위한 설명 가능한 AI (XAI)의 노력은 견인을 얻고 있지만, 항공 우주 및 의료 기기와 같은 안전 크리티컬 산업에서 특히 AI 최적화 메커니즘을 인증하기위한 표준화 된 프레임 워크는 여전히 부족합니다.

Existing Workflows와 통합

대부분의 엔지니어링 조직은 레거시 CAD 및 시뮬레이션 도구에 의존합니다. AI 최적화 엔진을 이러한 파이프라인으로 통합하는 것은 사용자 정의 스크립팅 및 중간체를 요구합니다. Ansys optiSLang]과 Simulia Isight]]와 같은 상용 플랫폼은 ML 구동 스크리로를 통합하기 시작했으며, 학습 곡선은 많은 팀에 가파른다.

미래 지향

물리 입력 및 하이브리드 모델

차세대 AI 최적화기는 학습 프로세스에 직접 물리적 인법을 적용 할 것입니다. 물리 입력 된 신경 네트워크 (PINN) 강제 보수 방정식은 제한된 데이터와도 정확한 예측을 가능하게합니다. 실험 데이터와 시뮬레이션 구동 surrogates를 결합하는 하이브리드 모델은 디지털 트윈과 물리적 테스트 사이의 격차가 될 것입니다.

Mechanism Design용 자동화 기계 학습(AutoML)

AutoML 도구는 자동적으로 최고의 알고리즘, 하이퍼 파라미터 및 데이터 사전 처리 단계가 비 전문가를위한 장벽을 낮출 것입니다. 엔지니어는 자연 언어의 최적화 문제를 설명하거나 드래그 앤 드롭 인터페이스를 통해 AI를 처리하는 알고리즘 세부 정보를 처리 할 수 있습니다.

실시간 적응 메커니즘

이 시스템은 정상적인 작동을 위해, 정상적인 작동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을 위해, 정상적인 가동을, 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기, 자동적으로 끊기.

Generative 디자인 및 첨가제 제조 Synergy

이 플랫폼은 AI를 사용하여 생성 된 디자인 (AI-driven Shape and topology Optimization)을 결합하여 첨가제 제조 (3D Printing)가 전통적인 제조 된 것보다 더 강력하고 가벼운 부품을 잠금 해제합니다. Autodesk와 ]Siemens]는 이미 AI를 사용하여 기계에 불가능 할 수있는 유기 지오메트리를 생성하고 시뮬레이션을 통해 검증 할 수 있습니다.