智能信息物理系统仿真

随着产品越来越智能,复杂性和集成需求也越来越高。了解这些网络物理系统的设计者如何在这个日益复杂的制造空间中使用先进的模拟平台作为指导。

迪克·斯兰斯基,ARC咨询集团高级分析师
迪克·斯兰斯基,ARC咨询集团高级分析师

嵌入我们的汽车、家庭、通讯设备、消费电子产品和其他设备的智能水平每天都在提高。在不久的将来,不仅人类将与快速增长的一系列智能产品进行交互,而且许多这些产品将与其他系统和其他产品进行自主交互。

此外,工厂生产线、能源和公用事业加工厂以及智能城市将依赖于信息物理系统(CPS)进行自我监控;优化;甚至自主运营基础设施、交通和建筑。在未来,信息物理系统将减少对人类控制的依赖,更多地依赖于嵌入人工智能(AI)核心处理器的智能。

尽管所有工业部门的制造商都在努力满足这个不断增长的“智能产品”市场的需求,但他们在开发和制造这些新的、越来越复杂的产品和系统方面面临着重大挑战。这些信息物理系统需要计算(虚拟)和物理(连续)世界之间的紧密协调和集成。为了满足这些复杂性和集成需求,网络-物理智能系统的设计者正在使用先进的仿真平台,这些平台包括基于模型的机电系统工程、嵌入式系统设计集成,以及在物理世界中验证产品和系统设计的仿真模型。

网络物理系统将运行业务和行业

CPS是一种工程系统或机制,由基于计算机的算法控制或监控,并与互联网及其用户紧密集成。在CPS中,物理和软件组件是深深交织在一起的,每个组件都在不同的空间和时间尺度上运行,表现出多种和不同的行为模式,并以许多随环境而变化的方式相互作用。CPS的例子包括智能电网、驾驶员辅助和自动汽车系统、交通系统、健康和生物医学监测、制造和过程控制系统、智慧城市、机器人系统、智能边缘设备和新的农业技术。

CPS可以在不确定的情况下运行,通常是由于不受系统控制的外部环境。对于在现实世界中运作的CPS来说,意外的自然事件可能包括天气、自然灾害,当然还有意外的人为错误,或有意的恶意的人类行为。系统故障,如传感器和执行器的故障以及不准确或中断的数据流也可能造成不确定性。研究界不断探索新的仿真和建模方法来处理不确定性。

如今,人工智能和机器学习(ML)正被应用于不确定性问题。概率算法可以处理预测性和规定性的分析模型。智能CPS从ML的使用中获得了大量的智能,ML引入了近似,并需要概率和统计训练算法;以及智能边缘设备中嵌入的推理引擎。使用当前先进的模拟应用程序对CPS进行建模,对于下一代物联网(IoT)生态系统的开发和实施至关重要。

仿真技术可实现高级网络物理系统

许多CPS用例的复杂性需要最先进的仿真应用程序。这些仿真应用平台通常包括传统的CAE测试应用,如有限元分析、CFD、多物理、电磁、应力分析和其他产品设计测试应用。今天,这些平台还包括建模和模拟多学科系统工程的应用程序。这使得工程师能够将基于模型的系统工程方法应用于机电产品和工艺开发。

随着机电一体化系统利用功能更强大的微处理器和运行在微处理器上的软件,硬件和软件之间的交互变得更加复杂。对于以各种方式开发需求、描述功能、测试和实现概念的硬件和软件工程团队来说,管理这种复杂性具有挑战性。这些系统中的大多数都包含闭环控制方法,用于补偿机电交互和其他变量,这进一步增加了复杂性。

今天使用的机电一体化设计方法通常用机械建模来初始化设计过程,然后是电气设计。传统上,当开发新软件时,工程师在开发过程的后期阶段处理软件验证,只通过在硬件原型上的模拟来测试软件。就像电子设计对机械系统施加约束一样,软件通常对整个机电系统设计施加重大约束。在这个后期阶段对硬件或软件中发现的约束和错误进行补偿会在开发过程中造成昂贵的延迟,因为追溯问题的根本原因可能会花费大量时间。与不完整、不正确或冲突的需求相关的错误甚至可能需要基本的重新设计。

相比之下,嵌入式系统开发人员通常使用并发方法,其中机电设备或设备基于系统的整体功能和开发的软件以满足功能系统要求。如果没有用于软件开发的系统工程方法,晚期集成往往需要昂贵且耗时的工程设计变化。

仿真平台提供并行设计和验证能力

当今产品生命周期管理供应商提供的多功能仿真平台允许系统仿真工程师实际上评估和优化CPS和机电系统的性能。该想法是使工程师能够在早期开发阶段中的并发生命周期流程中模拟,测试和验证其系统设计,直到最终性能验证和控制校准。

仿真建模技术与科学

创建一个网络物理系统依赖于感知/模拟建模/分析/行动过程的关键阶段。这些包括:

  • 提供精确系统数据的传感(传感器);
  • 仿真建模,模拟系统的多个条件(不利和故障)的预测和预防;
  • 条件监测可靠地监测预期的系统行为中的异常;
  • 包含推断引擎的诊断,该引擎隔离并推断出子系统中故障和故障的根本原因;
  • 预测(预测分析)使用系统仿真模型和数据来预测系统的使用寿命跨度概率;和
  • 基于决策理论算法(ML)的可操作建议(说明性分析)用于精确规划。

开发过程是基于良好的基于​​物理的仿真建模技术和推理和概率结果的科学。今天的CPS正在旨在使用目前开发的机器学习算法和最先进的AI处理器。


Dick Slansky是ARC Advisory Group的高级分析师。他在ARC的职责包括指导PLM (CAD/CAM/CAE)、离散和过程工业的工程设计工具、工业物联网、生产系统的高级分析、数字孪生、产品和生产的虚拟仿真等领域的研究和咨询。

本文中的公司
在IIoT