Nasza ścieżka zawodowa zależy w dużej mierze od gotowości do ciągłego rozwoju, aktywnego szkolenia i zgłębiania nowych informacji oraz wiedzy. Aby wyróżnić się na rynku pracy, kluczowa jest nie tylko znajomość trendów, ale także ich przewidywanie oraz adaptacja.
W pracy konstruktora maszyn, oprócz dynamicznie rozwijających się technologii produkcyjnych, tematem zarówno powszechnie dyskutowanym, jak i obiecującym pod względem rozwoju, jest zastosowanie sztucznej inteligencji. AI (ang. Artificial Intelligence) oraz ML (ang. Machine Learning) odgrywają istotną rolę w sektorze konstrukcji maszyn od lat.
Odnosząc się bezpośrednio do pracy projektanta wykorzystywane są w:
- automatyzacji operacji w programach CAD/CAM,
- analizach i symulacjach,
- parametryzacji,
- wielu innych funkcjach, o których mógłby powstać odrębny artykuł.
Bez udziału sztucznej inteligencji i uczenia maszynowego niektóre symulacje po prostu nie byłyby możliwe.
Jednak głównym celem tego artykułu jest zaprezentowanie nowych trendów w samym podejściu do tworzenia konstrukcji przy wsparciu AI oraz o ich innowacyjnym charakterze, często wykraczającym poza standardowe wyobrażenia. Chociaż możesz mieć wrażenie, że niektóre z tych opcji mogą być Ci znane z poprzednich wersji Twojego oprogramowania CAD, to w obliczu dynamicznego rozwoju sztucznej inteligencji stają się one coraz bardziej zaawansowane, co sprawia, że ich użyteczność znacząco wzrasta.
Jeśli czujesz, że od dłuższego czasu korzystasz z programów CAD w sposób rutynowy i poszukujesz nowych możliwości, poniżej przedstawiam kilka narzędzi oraz nowych podejść projektowych, które wkrótce mogą stać się powszechnie stosowane.
Projektowanie generatywne
W tradycyjnym procesie projektowym konstruktor przenosi swój pomysł na model komputerowy. Zdecydowanym ograniczeniem jest fakt, że inżynier może stworzyć maksymalnie kilka uproszczonych koncepcji produktu ze względu na znaczny czas wymagany do przygotowania każdego z nich. Dodatkowo, propozycje na wczesnym etapie zwykle pochodzą od jednej osoby, która ma określone tendencje projektowe, co może ograniczyć różnorodność i innowacyjność rozwiązań.
Projektowanie generatywne jest odwróceniem tego procesu – tutaj konstruktor określa dane wejściowe takie jak:
- rodzaj materiału,
- wagę,
- wytrzymałość,
- technologie produkcyjne,
- cenę produktu.
Na tej podstawie komputer za pomocą algorytmów opartych na sztucznej inteligencji tworzy tysiące koncepcji i analizuje każdą z nich. To jeden z kluczowych etapów korzystania z funkcji projektowania generatywnego, bo gdy błędnie zdefiniujemy warunki brzegowe, to przy tego typu symulacji nietrudno o otrzymanie błędnego rozwiązania.
Zobaczmy rezultaty pracy firmy General Motors, która przy współpracy z Autodesk w ramach opisywanej technologii stworzyła wspornik siedzenia, w którym zapinane są pasy bezpieczeństwa. Program utworzył 150 innowacyjnych koncepcji, które zdecydowanie odbiegają od standardowej pudełkowej formy, a bardziej przywodzą na myśl metalowe obiekty z kosmosu.
Niewątpliwą zaletą takiego rozwiązania jest eksplorowanie przestrzeni projektowej w sposób, który byłby niemożliwy do osiągnięcia za pomocą ludzkiego umysłu, prowadząc do powstania elementów o futurystycznym kształcie.
Rola konstruktora
Kolejnym krokiem jest zweryfikowanie otrzymanych koncepcji przez konstruktora, wybranie najbardziej trafnego modelu, a następnie uściślenie oraz modyfikacja dotychczasowych założeń.
Rozwiązanie uzyskane w ten sposób zazwyczaj jest produkowane za pomocą technologii druku 3D, która często stanowi integralną część procesu Generative Design. Gotowy element posiada zredukowaną masę przy jednoczesnym wzroście wytrzymałości, ponieważ algorytm był w stanie usunąć materiał w tych miejscach, gdzie nie jest on konieczny.
Co więcej, projektowane struktury mogą posiadać określone własności aerodynamiczne czy mechaniczne już w początkowej fazie projektu, co skutkuje zmniejszeniem nakładu pracy ludzkiej, a to skraca czas potrzebny na rozwój produktu.
Kolejną charakterystyczną cechą otrzymanych rozwiązań jest konsolidacja części. W przypadku wspomnianego wspornika fotela firmy General Motors osiem elementów zastąpiono jednym. Część jest o 40% lżejsza i ma o 20% większą wytrzymałość.
Połączenie projektowania generatywnego i technologii przyrostowej może całkowicie odmienić świat produkcyjny branży automotive, w przeszłości ograniczanej przez możliwość wytwarzania przez maszyny tylko prostych geometrii.
Daje to również nadzieję, że konstruktorzy zyskają więcej czasu na skupianie się na decyzjach wyższej wartości jak np. maksymalizacja wydajności części, przy jednoczesnej minimalizacji ilość powtarzalnych zadań.
Modelowanie behawioralne
Inną funkcjonalnością przydatną podczas projektowania jest modelowanie behawioralne, które wykorzystuje algorytmy neuronowe do analizy zachowania istniejącego modelu i przewidywania jego reakcji na zmiany parametrów lub warunków. Aby lepiej zrozumieć to podejście, rozważmy przykład projektowania napędu pasowego.
Proces taki obejmuje szereg kroków, które wymagają uwzględnienia odpowiednich czynników, takich jak:
- współczynnik bezpieczeństwa,
- moc przekazywaną przez pas,
- obroty wałów,
- rodzaj i wymiary pasów,
- a także ustalenie ograniczeń montażowych.
Ponadto, konieczne jest określenie odległości międzyosiowej oraz innych istotnych parametrów. Bez wykorzystania modelowania behawioralnego, inżynier musiałby opierać się na metodzie prób i błędów, przeprowadzać liczne analizy lub posiadać rozległe doświadczenie w projektowaniu napędów, aby dopasować standardowe elementy, takie jak koła pasowe i pasy, do konkretnego projektu napędu.
W przypadku modelowania behawioralnego proces ten, będzie składał się z trzech etapów:
- Wprowadzenie informacji i danych (również w postaci modelu 3D lub analiz) do systemu.
- Badanie zachowania modelu przy jednoczesnej modyfikacji warunków środowiskowych.
- Rozwiązywanie problemów projektowych.
Po przygotowaniu wszystkich danych wejściowych (obciążenia, momenty, naprężenia, prędkość wyjściowa napędu i wiele innych) oraz pewnych założeń geometrycznych. które umożliwiają obserwację zachowania, przeprowadza się symulację, jak model reaguje na zmiany w parametrach. W rezultacie otrzymywanych jest wiele scenariuszy z różnymi konfiguracjami wejściowych parametrów.
W przypadku napędu pasowego inżynier może zbadać, jak zmiany w długości pasa lub obciążenie wpływają na jego stabilność i wydajność. Dzięki modelowaniu behawioralnemu tworzy się funkcje analizy, które automatycznie oceniają parametry dla różnych konfiguracji. Na podstawie wyników tych analiz można łatwo wybrać najbardziej optymalne rozwiązanie spełniające wymagania dotyczące wydajności i kompaktowości.
Projektowanie wsparte sztuczną inteligencją – AI-Assisted Design
Skoro sztuczna inteligencja wspierała projektowanie w każdej z opisanych do tej pory metod, dlaczego wyodrębnia się AI-Assisted Design jako osobną kategorię? Chcąc lepiej zrozumieć AI Assisted Design, musimy zauważyć różnorodne aspekty, w jakich pojęcie „wsparcie” odgrywa kluczową rolę.
W kontekście wspomnianego wcześniej projektowania generatywnego mówimy o tzw. AI Driven Design – rozwiązaniu o wysokim stopniu autonomii, które może samodzielnie generować i optymalizować projekty, działając jako główny „konstruktor”.
A co w sytuacji, gdy potrzebujemy bardziej standardowych części, bazujących na dobrych praktykach pochodzących z naszego zakładu produkcyjnego, ale chcemy zaoszczędzić trochę czasu? AI-Assisted Design to narzędzie, które służy bardziej jako wsparcie konstruktora, oferując pewne rekomendacje i pomagając w automatyzacji projektowania oraz optymalizacji konstrukcji, niż wykonuje za niego pracę. Bazuje na historycznych projektach, materiałowych bazach danych, modelach 3D, dokumentacji projektowej i wynikach symulacji. Co ważne, jego skuteczność jest zwiększana przez integrację z systemami do zarządzania cyklem życia produktu (PLM).
Praktyczne wykorzystanie AI-Assisted Design
Przeanalizujmy uproszczoną sytuację, jak moglibyśmy użyć opisywanego narzędzia do projektu kompozytowej podłogi w pojeździe. Analizę należy rozpocząć od zdefiniowania i wprowadzenia wymagań projektowych takich jak:
- wymiary,
- obciążenie,
- właściwości materiałowe,
- normy bezpieczeństwa itp.
Korzystając z funkcji AI Assisted Design, otrzymamy sugestie materiałów na podstawie wcześniejszych projektów lub znanych właściwości kompozytów.
Gdy ustalimy wstępnie poszczególne materiały kompozytu, rozpoczynamy etap modelowania. Podczas tworzenia geometrii narzędzie może nam automatycznie zarekomendować takie parametry jak grubość warstw kompozytu czy układ włókien zgodnie ze zdefiniowanymi wcześniej wymogami. Następnie AI-Assisted Design może być pomocny przy wykonywaniu analizy metodą elementów skończonych (FEA). Asystent zaproponuje optymalizację konstrukcji, sugerując zmiany w geometrii lub rozmieszczeniu materiałów, w celu uzyskania jak najlepszych wyników symulacji.
Na koniec program może automatycznie wygenerować dokumentację techniczną, bazując na dwóch źródłach. Pierwsze czerpie „inspirację” z rysunków, które znajdują się już w naszym systemie, drugi natomiast generuje automatycznie rysunek na bazie geometrii i funkcji programowych.
Podsumowując, takie narzędzie sprawdza się szczególnie efektywnie w firmach, gdzie projekty są w miarę powtarzalne – tzw. „takie same, tylko inne” :).
Podobne funkcje obecne są w oprogramowaniu 3D od lat jako pojedyncze opcje. Obecnie zyskują na znaczeniu dzięki dynamicznie rozwijającej się technologii AI i ML, stając się coraz bardziej użyteczne i tworząc kompleksowy łańcuch wspieranych operacji zamkniętych w jednym pojęciu określanym jako „AI-Assisted Design.
Podsumowanie
Z każdym dniem pojawia się coraz więcej nowych narzędzi i metodologii projektowania opartych na sztucznej inteligencji. Otwarta głowa i elastyczność wobec dynamicznych zmian są niezwykle cenione w pracy inżyniera. Nawet jeżeli Twoje doświadczenia ze wsparciem przez AI podczas pracy były dotychczas sporadyczne lub, co gorsza, negatywne, gorąco zachęcam do ponownego ich przetestowania, gdyż z każdym dniem stają się one coraz bardziej efektywne. Uczymy i rozwijamy się nie tylko my, ale i AI 🙂
Jeśli zastanawiasz się, czy warto poświęcić czas na naukę kolejnego programu CAD, być może teraz nadszedł czas, aby przyjrzeć się bardziej globalnym zmianom w samym podejściu do projektowania.
Źródła
- General Motors, Driving a lighter, more efficient future of automotive part design
- Engineering Applications of Artificial Intelligence in Mechanical Design and Optimization, Jozef Jenis, Jozef Ondriga
- Ford Service Content
- A quick introduction to the Creo Behavioral Modeling Extension
- Siemens adds intelligence-based design to Xcelerator portfolio with latest release of NX
***
Więcej artykułów dotyczących sztucznej inteligencji oraz inżynierii, znajdziesz na naszym blogu.
Zostaw komentarz