在設計產品時，在詳細分析或測試數據可用之前，關鍵的設計決策通常是在概念設計階段做出的。此外，許多數據（包括由物聯網(IoT) 和許多製造商當前部署的連接設備生成的數據）通常很少用於產品設計和開發。
製造商擁有龐大的產品測試，以及表徵真實產品特性的大量在線使用數據。製造商可以利用這些信息中隱藏的洞察來增強未來的產品開發。
如果有一種辦法，可以讓工程師利用這種洞察力來模擬更多“假設”場景，製造商將受益匪淺。快速改變和測試設計參數的能力，可以為製造商提供了許多有價值的視角。工程師還將能夠更早地解決故障點，無需再回到設計方案上進行未來的設計迭代，從而避免產生額外的時間和成本。
數據分析與工程的融合
在競爭日益激烈的商業環境中，製造商快速且經濟高效地開發產品的能力比以往任何時候都更加重要。如果一家公司不是或接近於率先上市，那麼將難以把握獲得合理的投資回報。
值得慶幸的是，通過將現代人工智能(AI)驅動的預測分析與傳統工程能力相結合，今天出現了一種新的可能性。通過這種集成，可以直接向工程師提供有價值的數據，以便在早期階段進行設計改進。
將簡單的“明智規則”與訪問由高性能計算(HPC)驅動的仿真解決方案相結合，可以及早識別與設計相關的方面。這些將結合不同學科的知識，並可以產出真正穩健的設計以及具有成本效益和快速的開發活動。
例如，設計新飛機發動機的傳統過程可能需要數年時間，因為像與Altair 合作的羅-羅等發動機製造商，需要花費大量時間和成本進行發動機設計的模擬和物理測試。
預測何時何地應用這些過程是一個耗時且勞動密集型的過程。經驗測試可能涉及數千個傳感器和更多數據點。在此過程中，發動機樣機和測試儀器將花費數百萬美元。
這種手動測試會創建TB級的原始數據，這些數據幾乎沒有真正應用起來。更重要的是，這種測試實際上只是重複以前的測試結果。然而，通過將人工智能和機器學習(ML)應用於早期的測試結果，諸如預測使用哪些傳感器，以及在哪些位置等任務變得更加高效。
例如，減少傳感器的數量可以大大節省時間和成本。技術讓每一次測試都很重要，大大減少了影響關鍵洞察力的干擾。
Altair 和羅-羅之間正在解決各種各樣的應用場景，包括將數據科學應用於大量工程測試數據。大幅減少僅使用必需的傳感器數量的場景，就有可能將羅-羅的經常性成本降低數百萬美元。
其他行業的製造業公司也能以類似的方式受益。例如，根據凱捷（Capgemini）最近的一項研究，汽車生產廠家可以通過大規模部署人工智能，潛在地提高5%到16%的盈利能力。
例如，福特公司利用AI的決策樹模型，分析以往的沖壓工藝，包括沖壓參數，沖壓模具，是否包括附屬工藝等等，訓練出最優的沖壓流程，並部署到實際的生產環境中，當有新的部件需要加工時，輸入部件的參數，系統就會給出最合適的沖壓工藝和流程，這樣不僅提高了產品的成功率，還減少了對人員經驗的依賴。
綜合平台的力量
將預測分析和HPC結合在一起的關鍵是一個集成平台，它消除了仿真分析（CAE）和數據分析之間的界限，提供了對統一開發環境和多學科團隊的訪問。
這樣的平台必須允許用戶無縫地管理混合的本地和雲HPC資源，以最經濟高效和最快的方式處理工作負載。讓用戶在雲提供商和本地環境之間無縫遷移工作負載的能力，也將使製造商能夠快速調整和適應市場需求。
通過利用AI和ML支持的數據分析和現代數據管理工具，製造企業可以從當前，歷史模擬和分析的全部價值中獲益，大大節省產品開發的時間和資源。
通過這種方法，新的產品可以更快、更有效、更低的成本推向市場。這最終有助於製造商在全球市場上更具競爭力。
免費試用
歡迎申請試用體驗
無需代碼的實時流數據可視化↓↓↓
點擊下方鏈接即刻免費申請試用：
留言列表
