智能制造环境中心使用智能连通生产设备和设备,允许数据驱动决策优化产品生命周期过程和生产率在许多初始智能制造应用中,制造商使用高级解析方法从基于条件的监测进步到预测指令解析构思从连接智能系统到AI自觉设备,最终自愈合自机系统
这些努力显示制造数据完全适合AI(人工智能),特别是ML(机器学习)。制造自然分析数据源 机器更容易分析数以百计变量对生产过程产生冲击,虽然很难分析人性,ML模型很容易预测复杂情况下单个变量的影响。
AI应用到数字双应用程序制造时,它正在做出更精确的制造过程设计决策,包括制造过程前后不一裁剪时的潜在问题诊断和解析半数字双对虚拟表示物理部分设计,但远不止CAD模型,因为它取材设备物理操作,对生产过程作最优决策
制造商实施数字双项目应首先捕获和管理资产的实际物理配置此外,由于多例数字双组遍历产品生命周期,实施者完全可以使用数字双组技术整合弹性/动态数据模型ML培训算法可用实时制作数据来更高效更快地开发实施
生成设计
产生AI驱动型设计-过程设计工程师输入一套产品设计要求和参数,认为适合、形式和功能-可生成多迭设计解决办法,并计及各种因素,如材料、制造过程、结构完整性、成本和性能
并非所有基因设计过程 都完全由AI驱动某些基因设计方法可能使用传统算法、搜索引擎、数学模型或专家知识创建设计替代物AI技术增强基因设计能力,术语本身指通过系统化过程生成多设计求解的广义概念,视具体实施而定,可能涉及或不涉及AI技术
传统设计优化技术对部分优化采取较泛化方法,而基因化设计则可以更为具体化,侧重于个体特征和需求,如可制造性、基于替代材料的机械性能和操作约束许多设计是理想化概念化的,制造过程在现实世界中发生,而现实环境可能并非常态。有效基因设计算法可包括高层次理解设计/建设过程并使制造工程师能够更好地解决人工化挑战
还应在此指出,最近出现的大语言模型不适合生成工程设计模型。基于LLM算法可能有助于生成制造指令和过程信息内容,但无法生成基于工程标准的设计模型
添加制造
制造环境是AI增加值的最大契机,添加过程为主要目标,因为它们的产品通常更高价小量合并添加剂设计/构建过程可自定义基因设计工程师可集中处理各种约束问题,如轻量比、最优强度对重量比、适配性以及最能满足设计需求的任何数项功能需求等
当前,基因设计/建设应用允许制造工程师设计工具安装和固定装置以及印刷机提供的具体打印能力和材料选择综合AM设计/搭建能力由AI驱动感化设计实现
迪克史康斯基高级分析师ARC咨询组.