现代机制设计中人工智能的崛起

人工智能从根本上改变了工程师和科学家如何对待机械系统优化。 传统的设计过程往往依赖于人工迭代、域内专门知识和试验和超常测试 — — 这种方法既费时又有限。 人工智能提供了范式转变,能够以数据驱动、自动化的方式探索以前无法导航的设计空间。 通过利用机器学习、神经网络和演化算法等技术,各组织现在能够更快地实现最佳解决方案的趋同,发现非直观配置,并降低从汽车和航空航天到机器人和电子消费等行业的发展成本。

什么是机制优化?

机制优化是调整设计变量的过程,如连接长度、弹簧常数、齿轮比或物质属性,以实现具体性能目标。 这些目标往往包括最大限度地减少能量消耗、最大限度地加快速度或扭矩、提高负载下的稳定性、降低重量或增强疲劳寿命。 优化问题可以是单一目标或多目标,相互冲突的目标之间必须权衡权衡。

几十年来,人们一直使用梯度下降、顺序四面编程和反应表面方法等经典优化方法。 然而,这些技术需要一个定义明确的数学模型,并常常被困在局部的Otima。 此外,随着机械系统变得更加复杂 — — 具有非线性动力、多物理相互作用和紧凑的耐力 — — 详尽搜索的计算成本变得令人望而却步。 AI算法恰恰在这种高维非线性地貌中兴旺。

核心AI技术 驱动自动化

机器学习和代理模型

机器学习(ML)模型充当昂贵的物理模拟的代用。通过对一组通过有限元素分析(FEA)或计算流体动力学(CFD)评估的设计点进行培训,ML模型学习预测性能输出作为设计投入的一种功能。这使得能够快速探索许多配置,而无需每次进行完整的模拟。通常使用高斯过程回归、随机森林和神经网络等技术。例如, MIT的研究人员利用神经网络优化四巴连接机制,将所需的FEA模拟数量减少80%以上,同时达到可比的精确度。

遗传算法和演化策略

遗传算法模拟自然选择:通过选择、交叉和多代人的变化,形成了一批候选设计。 每代人的健身能力都要根据客观功能来评估。 GA对多目标优化(如Pareto前身识别)和混合离散/连续变量的问题特别有效。 现实世界的应用包括优化机器人武器、凸轮剖面和悬浮连接的动能设计。 一个显著的例子是使用[a 遗传算法来尽量减少高速压载机机制的振动,与人工设计的基线相比,峰值力减少了30%。

深入强化学习

深强化学习(DRL)训练一个代理通过与环境的相互作用来进行顺序决定. 在机制设计中,DRL可以在运行期间动态调整参数(如可变几何连接或主动坝系)以适应不断变化的条件. 这在自主系统和适应结构中特别有价值. 例如研究者应用DRL来优化持续可变传输的控制政策,同时提高燃料效率和可疏导性.

工业应用和个案研究

汽车:暂停和驱动列车优化

AI驱动优化被广泛用于调谐悬浮几何,以用于骑行舒适度、处理度和轮胎磨损。 通过将多体动力学模拟与遗传算法结合,工程师可以找到弹簧率、坝体曲线和符合相互冲突标准的灌木硬度。 一项研究表明, AI优化双切骨悬浮在改善拐角硬度的同时将重量降低12%。

航空航天:轻量级结构和振荡翼

在航空航天中,在保持结构完整性的同时将重量最小化是至高无上. AI技术将地形优化与机器学习相结合,生成符合强度对重量要求的纹饰结构或复合布置. 对于形态翼机制,深层学习模型预测空气动力载荷并实时调整连接几何. 波音和空中客车都投资了基于AI的优化,用于下一代飞机起动器.

机器人:高效的激活和盖特设计

脚步机器人需要优化机制,以实现稳定高效的运动。 基因算法已经被用来演化腿部比例和联合放置,从而将能量消耗降至最低。 更先进的方法利用强化学习来教导机器人如何调整其行驶方向以适应崎岖地形 — — 有效地实时优化了机制的控制政策。

消费电子:可穿戴的契约机制

在智能手表和可折叠手机等微型设备中,机制优化必须平衡空间限制与耐久性. AI驱动的地形优化可以生成既轻量级又耐疲劳的链链设计. 三星等公司报告,使用神经代位模型将可折叠手机链链机制的开发周期减少了40%.

传统方法的优点

  • 设计周期时间的硬性缩短 — AI可以在人类工程师需要测试少数时评价数千个候选设计. 一些工业案例研究报告速度为10×.
  • 探索高维非直观空间 –AI算法可以找到人类工程师永远不会发生的解决方案,如不对称的连接或非统一的材料分布.
  • 增强稳健性和可靠性[ – 通过纳入不确定性量化,AI驱动优化可以产生在现实世界的装货变化,制造容积,环境条件下表现良好的设计.
  • 促进创新[] – 自动化搜索经常揭示出新的地形和机制,成为新产品线或专利的基础.

一体化挑战和目前的制约因素

数据和计算要求

训练精确的AI模型需要大量高质量的数据。在许多工程环境下,这些数据生成成本高昂(例如,每次CFD模拟可能需要几个小时 ) 。 转移学习、主动学习和物理信息神经网络等策略正在出现,以减少数据需求,但它们还没有插图和游戏。 此外,运行数代的演化算法可能需要大量计算资源,特别是复杂的多物理模型。

可解释性和信任

许多AI模型,特别是深层神经网络,都起到黑盒的作用。 工程师们对采用一个无法解释其推理的模型所建议的设计持谨慎态度是可以理解的。 解释性AI工程技术的努力正在获得推动,但认证AI优化机制的标准化框架 — — 特别是在航空航天和医疗设备等安全关键行业 — — 仍然缺乏。

与现有工作流程的整合

大多数工程组织都依赖于遗留的CAD和模拟工具. 将AI优化引擎整合到这些管道中往往需要自定义脚本和中件. 虽然像Ansys optiSLang[和Simulia Isight[等商业平台已经开始将ML驱动的代词纳入其中,但对于许多团队来说,学习曲线依然陡峭.

未来方向

物理-成型模型和混合模型

下一代AI优化器会直接将物理定律嵌入学习过程. 物理知情神经网络(PINNs)执行保护方程,即使数据有限也能进行准确预测. 混合模型将模拟驱动代孕与实验数据相结合,成为标准模型,弥合数码双胞胎与物理测试之间的差距.

用于机制设计的自动机器学习(自动ML)

自动选择最佳算法、超参数和数据预处理步骤的自动ML工具将降低非专家的障碍。工程师们将能够用自然语言或通过拖放接口描述其优化问题,让AI处理算法细节。

实时适应机制

随着边缘计算和低纬度传感器的兴起,AI-优化机制将能够重新配置苍蝇上的自身。 想象一下假膝盖会根据步态分析不断调整其坝体,或者风轮机叶片会改变其气压几何来应对气流。 这些系统将依赖于运行在嵌入式控制器上的轻量级神经网络。

基因设计和添加式制造协同

基因设计(AI驱动的形状和地形优化)与添加剂制造(3D打印)相结合,解锁了比传统制造的更强和轻的部件. Autodesk[和 Siemens[]等公司已经提供了使用AI生成无法机器的有机几何的平台,然后通过模拟验证.

结论

人工智能不仅仅是机制优化的渐进改进 — — 它代表着工程师们如何构思、构造和最终确定机械设计的根本变化。 通过对最佳配置的自动化搜索,AI降低了成本,缩短了开发时间,并促成了以前无法达到的性能和创新水平。 然而,转型并非没有障碍:数据的可用性、计算需求、可解释性以及工作流程整合。 由于这些挑战是通过持续研究和商业工具开发来解决的,AI驱动的机制优化将成为工程工具包中不可或缺的组成部分,将所有从消费设备到重型机械的功能都包括在内。 未来不仅属于人为设计,而且与不断学习和适应的智能算法共同创造。