DE112006000846T5

DE112006000846T5 - Verfahren und System für Produktdesign

Info

Publication number: DE112006000846T5
Application number: DE112006000846T
Authority: DE
Inventors: Michael Cardiff Seskin; Anthony J. Peoria Grichnik; Ben Kwok-kwong San Diego Tse
Original assignee: Caterpillar Inc
Current assignee: Caterpillar Inc
Priority date: 2005-04-08
Filing date: 2006-03-13
Publication date: 2008-02-14
Also published as: GB0717535D0; WO2006110247A3; WO2006110247A2; JP2008536220A; US20060229753A1; GB2438555A; KR20070118245A

Abstract

Ein Verfahren zum Ausgestalten bzw. Konstruieren eines Produkts, das Folgendes aufweist:
Beschaffen von Datenaufzeichnungen, die sich auf eine oder mehrere Eingangsvariablen und einen oder mehrere Ausgangsparameter beziehen, die mit dem Produkt assoziiert sind;
Auswählen von einem oder mehreren Eingangsparametern aus den einen oder mehreren Eingangsvariablen;
Erzeugen eines Rechenmodells, welches eine Anzeige für die Zusammenhänge zwischen dem einen oder den mehreren Eingangsparametern und dem einen oder den mehreren Ausgangsparametern, basierend auf den Datenaufzeichnungen, bildet;
Vorsehen eines Satzes von Beschränkungen des Rechenmodells, die repräsentativ für eine Vorgabeerfüllung für das Produkt sind; und
Verwenden des Rechenmodells, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, die ein Design des Produkts repräsentieren.

Description

Technisches Gebiet
Diese Offenbarung bezieht sich im Allgemeinen auf Produktgestaltungs- bzw. -designsysteme und insbesondere auf wahrscheinlichkeitsbasierte Designmodellierungssysteme zur Verwendung in Produktdesignanwendungen.
Hintergrund
Es existieren zahlreiche computerbasierte Anwendungen, um bei der Ausgestaltung bzw. Konstruktion von Produkten zu helfen. Durch Verwenden dieser Anwendungen kann ein Ingenieur ein Computermodell eines bestimmten Produkts konstruieren und das Verhalten des Produkts durch verschiedene Analysetechniken analysieren. Ferner sind bestimmte Analysewerkzeuge entwickelt worden, die es ermöglichen, dass Ingenieure multiple bzw. mehrere Designkonfigurationen eines Produkts bewerten und testen. Während diese Analysewerkzeuge interne Optimierungsalgorithmen umfassen können, um diese Funktionalität vorzusehen, stellen diese Werkzeuge im Allgemeinen nur für das Einsatzgebiet bzw. domänenspezifische Designs dar. Während daher Produktdesignvariationen getestet und nachfolgend optimiert werden können, werden diese Designvariationen typischerweise im Hinblick auf nur eine einzelne Anforderung innerhalb einer spezifischen Einsatzgebiet optimiert.
Anwendungen der Finiten-Element-Analyse (FEA) können in diese domänenspezifische Kategorie fallen. Mit FEA-Anwendungen kann ein Ingenieur verschiedene Produktdesigns hinsichtlich Anforderungen in Bezug auf Druck- und Zugbelastungen, Vibrationsansprechen, Modalfrequenzen und Stabilität testen. Da die in diesen FEA-Anwendungen enthaltenen Optimierungsalgorithmen Designparameter nur in Bezug auf eine einzelne Anforderung optimieren können, müssen jedoch mehrere Designanforderungen in eine einzelne Funktion zur Optimierung trans formiert werden. Beispielsweise kann es bei der FEA-Analyse ein Ziel sein, ein Produktdesign so zu parametrisieren, dass die Druck- und Zugbelastungen minimiert werden. Da die FEA-Software nicht sowohl Druck- als auch Zugbelastung simultan optimieren kann, können die Designanforderungen für Druck- und Zugbelastung in ein Verhältnis von Druckbelastung zu Zugbelastung (d.h. der Elastizitäts- bzw. Dehnmodul) transformiert werden. In der Analyse wird dieses Verhältnis die zu optimierende Zielfunktion.
Zahlreiche Nachteile entstehen aus diesem Ansatz. Da beispielsweise mehr als eine Ausgangsanforderung in eine einzelne Zielfunktion transformiert wird, bleiben die zugrundeliegenden Beziehungen und Interaktionen zwischen den Designparametern und der Reaktion des Produktsystems dem Designingenieur verborgen. Fernern können basierend auf diesem Ansatz Ingenieure außerstande sein, ihre Designs gemäß konkurrierenden Anforderungen zu optimieren.
Daher besteht ein Bedarf an Modellierungs- und Analyseanwendungen, die heuristische Modelle zwischen Designeingangs- und -ausgangsgrößen aufbauen können, und zwar in Abhängigkeit von definierten Beschränkungen und die Eingangsgrößen so optimieren, dass die Wahrscheinlichkeit der Erfüllung mehrerer konkurrierender Ausgangsgrößen maximiert wird. Ferner besteht ein Bedarf an Anwendungen, die die kausale Beziehung zwischen Designeingangs- und- ausgangsgrößen erklären können.
Bestimmte Anwendungen sind entwickelt worden, die versuchen Designeingangsgrößen basierend auf mehreren konkurrierenden Ausgangsgrößen zu optimieren. Beispielsweise U.S. Patent Nr. 6,086,617 (das „'617-Patent") von Waldon et al., veröffentlich am 11. Juli 2000, beschreibt ein Designoptimierungssystem, das eine gerichtete heuristische Suche (DHS = Directed Heuristic Search) umfasst. Die DHS leitet einen Designoptimierungsprozess, der die Auswahlen und Anweisungen eines Benutzers implementiert. Die DHS leitet die Reihenfolge und Richtungen, in denen die Suche nach einem optimalen Design ausgeführt wird und wie die Suche durch potentielle Designlösungen fortschreitet.
Während das Designoptimierungssystem des '617-Patents eine multidisziplinäre Lösung für die Produktdesignoptimierung vorsehen kann, besitzt dieses System mehrere Schwächen. Die Effizienz dieses Systems wird durch die Notwendigkeit behindert, langsame Simulationswerkzeuge zu durchschreiten, um jedes neue Modellergebnis zu erzeugen. Ferner besteht keinerlei Kenntnis in dem Systemmodell dahingehend wie eine Variation in den Eingangsparametern in Beziehung zur Variation der Ausgangsparameter steht. Das System des '617-Patents sieht nur Einzelpunktlösungen vor, die nicht angemessen sein können, insbesondere wenn ein Einzelpunktoptimum instabil ist, wenn es einer Variabilität ausgesetzt ist, die durch den Herstellungsprozess oder andere Quellen eingeführt wird. Ferner ist das System des '617-Patents in der Anzahl der Dimensionen begrenzt, die simultan optimiert und untersucht werden können.
Die offenbarten Systeme sind auf das Lösen einer oder mehrerer der oben dargestellten Probleme gerichtet.
Zusammenfassung der Erfindung
Ein Aspekt der vorliegenden Offenbarung umfasst ein Verfahren für die Konstruktion bzw. Ausgestaltung eines Produkts. Das Verfahren umfasst das Beschaffen von Datenaufzeichnungen, die sich auf eine oder mehrere Eingangsvariablen und einen oder mehrere Ausgangsparameter, die mit dem Produkt assoziiert sind, beziehen. Einer oder mehrere Eingangsparameter können aus der einen oder den mehreren Eingangsvariablen ausgewählt werden und ein Rechenmodell, welches eine Anzeige für die Zusammenhänge zwischen den einen oder mehreren Eingangsparametern und den einen oder mehreren Ausgangsparametern bildet, kann basierend auf den Datenaufzeichnungen erzeugt werden. Das Verfahren umfasst ferner das Vorsehen eines Satzes von Beschränkungen des Rechenmodells, die repräsentativ für eine Vorgabeerfüllung des Produkts sind, und die Verwendung des Rechenmodells, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, die ein Design für das Produkt darstellen.
Ein weiterer Aspekt der vorliegenden Offenbarung umfasst ein computerlesbares Medium. Das computerlesbare Medium umfasst einen Satz von Anweisungen, um es zu ermöglichen, dass ein Prozessor Daten beschafft, die sich auf eine oder mehrere Eingangsvariablen und eine oder mehrere Ausgangsparameter beziehen, die mit einem zu konstruierenden Produkt assoziiert sind. Anweisungen können ebenfalls enthalten sein, die es ermöglichen, dass der Prozessor einen oder mehrere Eingangsparameter aus den einen oder mehreren Eingangsvariablen auswählt, ein Rechenmodell erzeugt, das eine Anzeige für die Zusammenhänge zwischen den einen oder mehreren Eingangsparametern und dem einen oder den mehreren Ausgangsparametern bildet, und zwar basierend auf den Datenaufzeichnungen, und um einen Satz von Beschränkungen zu erhalten, die repräsentativ für eine Vorgabeerfüllung für das Produkt sind. Basierend auf anderen Anweisungen kann der Prozessor das Rechenmodell verwenden, um statistische Verteilungen für einen oder mehrere Eingangsparameter und einen oder mehrere Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, die ein Design des Produkts darstellen.
Noch ein weiterer Aspekt der vorliegenden Offenbarung umfasst ein computerbasiertes Produktdesignsystem. Dieses System kann eine Datenbank umfassen, die Datenaufzeichnungen in Bezug auf eine oder mehre Eingangsvariablen und eine oder mehrere Ausgangsparameter enthält, die mit einem zu konstruierenden Produkt assoziiert sind. Ein Prozessor kann enthalten und ausgelegt sein, um einen oder mehrere Eingangsparameter aus der einen oder mehreren Eingangsvariablen auszuwählen und um ein Rechenmodell zu erzeugen, welches eine Anzeige für die Zusammenhänge zwischen dem einen oder den mehreren Eingangsparametern und dem einen oder den mehreren Ausgangsparametern bildet, und zwar basierend auf den Datenaufzeichnungen. Der Prozessor kann ebenfalls ausgelegt sein, um einen Satz von Beschränkungen zu enthalten, die repräsentativ für eine Vorgabeerfüllung für ein Produkt sind, und das Rechenmodell verwenden, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basie rend auf dem Satz von Beschränkungen, die ein Design für das Produkt darstellen.
Kurze Beschreibung der Zeichnungen
1 ist eine Blockdiagrammdarstellung eines Produktdesignsystems gemäß einem beispielhaft offenbarten Ausführungsbeispiel.
2 ist ein Flussdiagramm, das ein beispielhaft offenbartes Verfahren für die Ausgestaltung bzw. Konstruktion eines Produkts darstellt.
Detaillierte Beschreibung
Bezug wird jetzt im Detail genommen auf beispielhafte Ausführungsbeispiele, die in den begleitenden Zeichnungen dargestellt sind. Wo immer es möglich ist, werden die gleichen Bezugszeichen über die Zeichnungen hinweg verwendet, um die gleichen oder entsprechende Teile zu bezeichnen.
1 sieht eine Blockdiagrammdarstellung eines Produktdesignsystems 100 zum Erzeugen eines Designs eines Produkts vor. Ein Produkt kann jegliche Funktionseinheit bzw. Einheit bezeichnen, die zumindest ein Teil oder eine Komponente umfasst. Ein Produkt kann ebenfalls mehrere Teile bezeichnen, die zusammengebaut werden, um eine Anordnung zu bilden. Nicht beschränkende Beispiele von Produkten umfassen Arbeitsmaschinen, Motoren, Automobile, Flugzeuge, Boote, Vorrichtungen bzw. Anwendungen, Elektroniken und jegliche Subkomponenten, Subanordnungen oder Teile davon.
Ein Produktdesign kann dargestellt werden als ein Satz von einem oder mehreren Eingangsparameterwerten. Diese Parameter können den Abmessungen, Toleranzen, Trägheitsmomenten, Masse, Werkstoffauswahlen oder irgendeiner anderen Charakteristik entsprechen, die eine oder mehrere Eigenschaften des Produkts beeinflusst. Das offenbarte Produktdesignsystem 100 kann so ausgelegt werden, dass es ein Wahrscheinlichkeitsproduktdesign vorsieht, so dass einer oder mehrere Eingangsparameter als Sollwerte und entsprechende statistische Verteilungen ausgedrückt werden können. In ähnlicher Weise kann das Produktdesign Sollwerte für einen oder mehrere Ausgangsparameter und entsprechende statistische Verteilungen umfassen. Die statistischen Verteilungen der Ausgangsparameter können eine Anzeige der Wahrscheinlichkeit vorsehen, dass das Produktdesign mit einem erwünschten Satz den Ausgangsanforderungen entspricht.
Das Produktdesignsystem 100 kann einen Prozessor 102, ein Speichermodul 104, eine Datenbank 106, eine E/A-Schnittstelle bzw. ein I/O-Interface 108 und eine Netzwerkschnittstelle 110 umfassen. Das Produktdesignsystem 100 kann ebenfalls eine Anzeige 112 umfassen. Jegliche andere Komponente, die geeignet ist um Daten aufzunehmen und mit diesen zu interagieren, um Anweisungen auszuführen, mit einer oder mehreren externen Bedienrechnern zu kommunizieren, Informationen anzuzeigen etc. kann ebenfalls in dem Produktdesignsystem 100 enthalten sein.
Der Prozessor 102 kann jegliche geeignete Bauart von Mehrzweckmikroprozessor, -digitalsignalprozessor, oder -mikrosteuervorrichtung umfassen. Das Speichermodul 104 kann eine oder mehrere Speichervorrichtungen umfassen, einschließlich, aber nicht darauf beschränkt, einem ROM, einem Flash-Speicher, einem dynamischen RAM und einem statischen RAM. Das Speichermodul 104 kann ausgelegt sein, um Information zu speichern, auf die durch den Prozessor 102 zugegriffen und die durch diesen verwendet wird. Die Datenbank 106 kann jeglichen Typ einer geeigneten Datenbank umfassen, die Informationen enthält, die sich auf die Charakteristiken der Eingangsparameter, der Ausgangsparameter, der mathematischen Modelle und/oder jeglicher anderer Steuerinformationen beziehen. Die E/A-Schnittstelle 108 kann mit verschiedenen Dateneingangsvorrichtungen (z.B. Tastaturen, Pointer, Zeichentafeln etc.) (nicht gezeigt) verbunden sein, um Daten und Steuerinformation an das Produktdesignsystem 100 zu liefern. Die Netzwerkschnittstelle 110 kann jeglichen geeigneten Typ eines Netzwerkanschlusses- bzw. -adapters umfassen, der imstande ist, mit anderen Computersystemen zu kommunizieren, und zwar basierend auf einem oder mehreren Kommunikationsprotokollen. Die Anzeige 112 kann jegliche Bauart von Vorrichtung (z.B. CRT-Monitore, LCD-Anzeigen etc.) umfassen, die imstande sind, graphisch Informationen darzustellen.
2 sieht ein Flussdiagramm vor, das ein beispielhaft offenbartes Verfahren zur Konstruktion eines Produkts unter Verwendung des Produktdesignsystems 100 präsentiert. Bei Schritt 202 kann das Produktdesignsystem Daten beschaffen, die sich auf Eingangsvariablen und Ausgangsparameter beziehen, die mit einem zu konstruierenden Produkt assoziiert sind. Die Datenaufzeichnungen können Charakteristiken der Eingangsparameter und Ausgangsparameter widerspiegeln, wie beispielsweise statistische Verteilungen, Normbereiche und/oder Toleranzen etc. Für jede Datenaufzeichnung kann ein Satz von Ausgangsparameterwerten vorhanden sein, der einem bestimmten Satz der Eingangsvariablen entspricht. Die Datenaufzeichnungen können vorab erzeugte Daten darstellen, die beispielsweise in der Datenbank 106 gespeichert wurden. Die Daten können mit dem Computer erzeugt oder empirisch durch Testen tatsächlicher Produkte gesammelt sein.
In einem Ausführungsbeispiel können die Datenaufzeichnungen in der folgenden Art und Weise erzeugt werden. Für ein bestimmtes, zu konstruierendes Produkt kann ein Designraum von Interesse identifiziert werden. Eine Vielzahl von Sätzen von Zufallswerten kann für verschiedene Eingangsvariablen erzeugt werden, die in den erwünschten Produktdesignraum fallen. Diese Sätze von Zufallswerten können an zumindest einen Simulationsalgorithmus geliefert werden, um Werte für einen oder mehrere Ausgangsparameter zu erzeugen, die in Bezug zu den Eingangsvariablen stehen. Der zumindest eine Simulationsalgorithmus kann beispielsweise mit Systemen zum Ausführen der Finiten-Element-Analyse, der Strömungsdynamikrechenanalyse, der Hochfrequenzsimulation, der Elektromagnetfeldsimulation, der elektrostatischen Entladungssimulation, der Netzwerkausbreitungssimulation, der Diskreten-Ereignis-Simulation (DES = Discrete Event Simulation), der beschränkungs- bzw. constraintbasierten Netzwerksimulation oder eines jeglichen anderen, geeigneten Typs der dynamischen Simulation assoziiert werden.
Bei Schritt 204, der optional sein kann, können die Datenaufzeichnungen vorverarbeitet werden. Der Prozessor 102 kann die Datenaufzeichnungen vorverarbeiten, um die Datenaufzeichnungen von offensichtlichen Fehlern zu reinigen und um Redundanzen zu beseitigen. Der Prozessor 102 kann ungefähr identische Datenaufzeichnungen entfernen und/oder Datenaufzeichnungen entfernen, die außerhalb eines angemessenen Bereichs liegen, um aussagekräftig für die Modellerzeugung und -optimierung zu sein. Für zufällig erzeugte Datenaufzeichnungen können sämtliche Fälle entfernt werden, die Kovarianzbedingungen der Variable verletzen. Nachdem die Datenaufzeichnungen vorverarbeitet wurden, kann der Prozessor 102 dann geeignete Eingangsparameter bei Schritt 206 durch Analysieren der Datenaufzeichnungen auswählen.
Die Datenaufzeichnungen können viele Eingangsvariablen umfassen. In bestimmten Situationen, wo beispielsweise die Datenaufzeichnungen durch experimentelle Beobachtungen erhalten werden, kann die Anzahl der Eingangsvariablen die Anzahl der Datenaufzeichnungen überschreiten und zu Datenmangel- bzw. „Sparse-Data"-Szenarios führen. In diesen Situationen kann es erforderlich sein, dass die Anzahl der Eingangsvariablen reduziert wird, um mathematische Modelle innerhalb zweckmäßiger Berechnungszeitbegrenzungen zu erzeugen und die ausreichend Freiheitsgrade enthalten, um die Beziehung zwischen Eingangsgrößen und Ausgangsgrößen abzubilden. In bestimmten anderen Situationen, wo die Datenaufzeichnungen jedoch durch den Computer unter Verwendung domänenspezifischer Algorithmen erzeugt werden, kann ein geringeres Risiko bestehen, dass die Anzahl der Eingangsvariablen die Anzahl der Datenaufzeichnungen übersteigt. D.h. in diesen Situationen, wenn die Anzahl der Eingangsvariablen die Anzahl der Datenaufzeichnungen übersteigt, können mehr Datenaufzeichnungen unter Verwendung der domänenspezifischen Algorithmen erzeugt werden. Auf diese Weise kann für computergenerierte Datenaufzeichnungen sichergestellt werden, dass die Anzahl der Datenaufzeichnungen die Anzahl der Eingangsvariablen übersteigt und oft wesentlich übersteigt. Für diese Situationen können die Eingangsparameter, die zur Verwendung in Schritt 206 ausgewählt werden, dem gesamten Satz von Eingangsvariablen entsprechen.
Wo die Anzahl der Eingangsvariablen die Anzahl der Datenaufzeichnungen übersteigt und es nicht zweckmäßig oder kosteneffektiv wäre, zusätzliche Datenaufzeichnungen zu erzeugen, kann der Prozessor 102 bei Schritt 206 Eingangsparameter gemäß vorbestimmten Kriterien auswählen. Beispielsweise kann der Prozessor 102 Eingangsparameter durch Experimentieren und/oder Expertenmeinungen wählen. Alternativ kann in bestimmten Ausführungsbeispielen der Prozessor 102 Eingangsparameter basierend auf einer Mahalanobis-Distanz zwischen einem normalen Datensatz und einem abnormalen Datensatz der Datenaufzeichnungen auswählen. Der normale Datensatz und der abnormale Datensatz können durch den Prozessor 102 durch irgendein geeignetes Verfahren definiert werden. Beispielsweise kann der normale Datensatz charakteristische Daten enthalten, die mit den Eingangsparametern assoziiert sind, die die erwünschten Ausgangsparameter erzeugen. Andererseits kann der abnormale Datensatz jegliche charakteristische Daten umfassen, die außerhalb der Toleranz liegen oder die verhindert werden müssen. Der normale Datensatz und der abnormale Datensatz können durch den Prozessor 102 vordefiniert werden.
Die Mahalonobis-Distanz kann sich auf eine mathematische Darstellung beziehen, die verwendet werden kann, um Datenprofile basierend auf Korrelationen zwischen Parametern in einem Datensatz zu messen. Die Mahalanobis-Distanz unterscheidet sich dadurch von der euklidischen. Distanz dass die Mahalanobis-Distanz die Korrelationen des Datensatzes berücksichtigt. Die Mahalanobis-Distanz eines Datensatzes X (z.B. ein multivariater Vektor) kann dargestellt werden als MDi = (Xi – μx)∑1(Xi – μx)' (1)wobei μ_x das arithmetische Mittel von X und Σ¹ eine inverse Varianz-Kovarianz-Matrix von X ist. MD_i gewichtet die Distanz eines Datenpunkts X_i von seinem arithmetischen Mittel μ_x so dass die Beobachtungen, die auf der gleichen multivariaten Normaldichtekontur liegen, die gleiche Distanz besitzen werden. Derartige Beobachtungen können verwendet werden, um korrelierte Parameter aus separaten Datengruppen mit unterschiedlichen Varianzen zu identifizieren und auszuwählen.
Der Prozessor 102 kann einen erwünschten Untersatz der Eingangsparameter auswählen, so dass die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem abnormalen Datensatz maximiert oder optimiert wird. Ein genetischer Algorithmus kann durch den Prozessor 102 verwendet werden, um die Eingangsparameter für den erwünschten Untersatz zum Zweck der Maximierung der Mahalanobis-Distanz zu suchen. Der Prozessor 102 kann einen ausgewählten Untersatz der Eingangsparameter basierend auf einem vorbestimmten Kriterium auswählen und eine Mahalanobis-Distanz MD_normal des normalen Datensatzes und eine Mahalanobis-Distanz MD_abnormal des abnormalen Datensatzes berechnen. Der Prozessor 102 kann ebenfalls die Mahalanobis-Distanz zwischen dem normalen Datensatz und die abnormalen Daten (d.h. die Abweichung der Mahalanobis-Distanz MD_x = MD_normal – MD_normal) berechnen. Andere Typen von Abweichungen können jedoch ebenfalls verwendet werden.
Der Prozessor 102 kann den ausgewählten Untersatz der Eingangsparameter auswählen, wenn der genetische Algorithmus konvergiert (d.h. der genetische Algorithmus findet die maximierte oder optimierte Mahalanobis-Distanz zwischen dem normalen Datensatz und dem abnormalen Datensatz, die dem ausgewählten Untersatz entspricht). Wenn der genetische Algorithmus nicht konvergiert, kann ein unterschiedlicher, ausgewählter Untersatz der Eingangsparameter zur weiteren Suche erzeugt werden. Dieser Suchprozess kann fortgesetzt werden, bis der genetische Algorithmus konvergiert und ein erwünschter Untersatz der Eingangsparameter ausgewählt ist.
Nach dem Auswählen der Eingangsparameter kann der Prozessor 102 ein Rechenmodell erzeugen, um Zusammenhänge zwischen den Eingangsparametern und den Ausgangsparametern zu bilden (Schritt 208). Jeglicher geeigneter Typ von neuronalem Netzwerk kann verwendet werden, um das Rechenmodell zu bilden. Der verwendete Typ des neuronalen Netzwerkmodells kann Rückwärtsausbreitung, Feed-Forward-Modelle, kaskadierte neuronale Netzwerke und oder neuronale Hybridnetzwerke etc. umfassen. Bestimmte Typen oder Strukturen der verwendeten neuronalen Netzwerke können von den bestimmten Anwendungen ab hängen. Andere Typen von Modellen, wie beispielsweise lineare System- oder nicht lineare Systemmodelle etc. können ebenfalls verwendet werden.
Das neuronale Netzwerkrechenmodell kann durch Verwenden ausgewählter Datenaufzeichnungen geschult bzw. ausgerichtet werden. Beispielsweise kann das neuronale Netzwerkrechenmodell eine Beziehung zwischen den Ausgangsparametern (z.B. der Motorleistung, Motoreffizienz, Motorvibration etc.) und den Eingangsparametern (z.B. Zylinderwanddicke, Zylinderwandmaterial, Zylinderbohrung etc.) umfassen. Das neuronale Netzwerkrechenmodell kann durch vorbestimmte Kriterien bewertet werden, um zu bestimmen ob die Ausrichtung abgeschlossen ist. Die Kriterien können die erwünschten Bereiche der Genauigkeit, der Zeit und/oder der Anzahl der Ausrichtungsiterationen etc. umfassen.
Nachdem das neuronale Netzwerk ausgerichtet wurde (d.h. das Rechenmodell zunächst basierend auf den vorbestimmten Kriterien festgelegt wurde), kann der Prozessor 102 das Rechenmodell (Schritt 210) statistisch bewerten. Die statistische Bewertung kann Bezug nehmen auf einen Analyseprozess, um die Ausgangsgrößen des neuronalen Netzwerkrechenmodells mit den tatsächlichen Ausgangsgrößen zu vergleichen, um die Genauigkeit des Rechenmodells zu bestimmen. Ein Teil der Datenaufzeichnungen kann für die Verwendung in dem Bewertungsprozess zurückgehalten werden. Alternativ kann der Prozessor 102 Simulations- oder Testdaten für die Verwendung in dem Bewertungsprozess erzeugen.
Sobald das Rechenmodell ausgerichtet und bewertet ist, kann es verwendet werden, um die Werte der Ausgangsparameter zu bestimmen, wenn diese mit den Werten der Eingangsparameter versehen werden. Ferner kann der Prozessor 102 das Modell durch Bestimmen der erwünschten Verteilungen der Eingangsparameter optimieren, und zwar basierend auf den Beziehungen zwischen den Eingangsparametern und den erwünschten Verteilungen der Ausgangsparameter (Schritt 212).
Der Prozessor 102 kann die Beziehungen zwischen den Verteilungen der Eingangsparameter und den erwünschten Verteilungen der Ausgangsparameter (z.B.
Designbeschränkungen, die für das Modell vorgesehen sind, die eine Vorgabeerfüllung des Produktdesigns darstellen) analysieren. Der Prozessor 102 kann dann eine Simulation des Rechenmodells laufen lassen, um die statistischen Verteilungen für einen einzelnen Eingangsparameter zu finden. D.h. der Prozessor 102 kann separat eine Verteilung (z.B. das arithmetische Mittel, die Standardabweichung etc.) des einzelnen Eingangsparameters entsprechend den Bereichen der Ausgangsparameter bestimmen, die eine Vorgabeerfüllung für das Produkt darstellen. Der Prozessor 102 kann dann die erwünschten Verteilungen für alle einzelnen Eingangsparameter analysieren und kombinieren, um die erwünschten Verteilungen und Charakteristiken für die Eingangsparameter zu bestimmen.
Alternativ kann der Prozessor 102 erwünschte Verteilungen der Eingangsparameter simultan identifizieren, um die Wahrscheinlichkeit zu maximieren, dass erwünschte Ergebnisse (d.h. die Wahrscheinlichkeit maximieren, dass ein bestimmtes Produktdesign mit den erwünschten Anforderungen übereinstimmt) erzielt werden. In bestimmten Ausführungsbeispielen kann der Prozessor 102 die erwünschten Verteilungen der Eingangsparameter basierend auf einer Zeta-Statistik simultan bestimmen. Die Zeta-Statistik kann eine Beziehung zwischen den Eingangsparametern, ihren Wertbereichen und den erwünschten Ergebnissen anzeigen. Die Zeta-Statistik kann dargestellt werden als
wobei x i das arithmetische Mittel oder den Erwartungswert einer i-ten Eingangs größe darstellt; x j stellt das arithmetische Mittel oder den Erwartungswert einer j-ten Ausgangsgröße dar; σ_i stellt die Standardabweichung der i-ten Eingangsgröße dar; σ_j stellt die Standardabweichung der j-ten Ausgangsgröße dar; und |S_ij| stellt die partielle Ableitung oder die Sensitivität der j-ten Ausgangsgröße gegenüber der i-ten Eingangsgröße dar.
Der Prozessor 102 kann eine erwünschte Verteilung der Eingangsparameter derart identifizieren, dass die Zeta-Statistik des neuronalen Netzwerkrechenmodells maximiert oder optimiert wird. Ein genetischer Algorithmus kann durch den Prozessor 102 verwendet werden, um die erwünschte Verteilung der Eingangsparameter zum Zweck der Maximierung der Zeta-Statistik zu suchen. Der Prozessor 102 kann einen ausgewählten Satz von Eingangsparametern mit vorbestimmten Suchbereichen auswählen und eine Simulation des Produktdesignmodells laufen lassen, um die Parameter der Zeta-Statistik basierend auf den Eingangsparametern, den Ausgangsparametern und dem neuronalen Netzwerkrechenmodell zu berechnen. Der Prozessor 102 kann x i und σ_i durch Analysieren des ausgewählten Satzes von Eingangsparametern erhalten und x j und σ_j durch Analysieren der Ergebnisse der Simulation erhalten. Ferner kann der Prozessor 102 |S_ij| aus dem ausgerichteten neuronalen Netzwerk als eine Anzeige für den Einfluss der i-ten Eingangsgröße auf die j-te Ausgangsgröße erhalten.
Der Prozessor 102 kann den ausgewählten Satz von Eingangsparametern auswählen, wenn der genetische Algorithmus konvergiert (d.h. der genetische Algorithmus findet die maximierte oder optimierte Zeta-Statistik des Produktdesignmodells, die dem ausgewählten Satz von Eingangsparametern entspricht). Wenn der genetische Algorithmus nicht konvergiert, kann ein unterschiedlicher ausgewählter Satz von Eingangsparametern durch den genetischen Algorithmus zur weiteren Suche erzeugt werden. Dieser Suchprozess kann fortgesetzt werden bis der genetische Algorithmus konvergiert und ein erwünschter Satz von Eingangsparametern identifiziert ist. Der Prozessor 102 kann ferner die erwünschten Verteilungen (d.h. das arithmetische Mittel und die Standardabweichungen) der Eingangsparameter basierend auf dem erwünschten Eingangsparametersatz bestimmen.
Nachdem das Produktdesignmodell optimiert worden ist (Schritt 212), kann der Prozessor einen gültigen Eingangsraum (Schritt 214) definieren, der repräsentativ für ein optimiertes Design des Produkts ist. Dieser gültige Eingangsraum kann die Sollwerte und entsprechende statistische Verteilungen für jeden der ausgewählten Eingangsparameter repräsentieren. Um das Design des Produkts zu implementie ren, würden Werte für die Eingangsparameter, die innerhalb des gültigen Eingangsraums ausgewählt wurden, die Wahrscheinlichkeit maximieren, dass eine Vorgabeerfüllung gemäß den Beschränkungen, die für das Modell vorgesehen sind, erreicht wird.
Sobald der gültige Eingangsraum bestimmt wurde, kann diese Information an die Anzeige 112 geliefert werden. Gemeinsam mit der Eingangsrauminformation können die Sollwerte der entsprechenden Ausgangsparameter und die assoziierten Verteilungen ebenfalls an die Anzeige 112 geliefert werden. Das Anzeigen dieser Information übermittelt dem Produktdesigningenieur die Bereiche der Werte für die ausgewählten Eingangsparameter, die konsistent mit dem optimierten Produktdesign sind. Diese Information ermöglicht es, dass der Ingenieur die Wahrscheinlichkeit der Übereinstimmung eines jeden oder sämtlicher Ausgangsparameter in dem optimierten Produktdesign bestimmt.
Während der Prozessor 102 konfiguriert werden kann, um ein optimiertes Produktdesign basierend auf den Zusammenhängen zwischen den ausgewählten Eingangsparametern und den Ausgangsparametern und basierend auf den ausgewählten Ausgangsbeschränkungen vorzusehen, ermöglicht das Modell zusätzliche Eingaben durch den Produktdesigningenieur. Genauer gesagt, ist es bei Schritt 218 möglich, dass der Ingenieur bestimmt, ob das optimierte Produktdesign, das durch den Prozessor 102 erzeugt wurde, das erwünschte endgültige Design darstellt. Wenn die Antwort Ja ist (Schritt 218, Ja) endet dann der Prozess. Wenn die Antwort nein ist (Schritt 218, nein) kann der Ingenieur eine Designalternative erzeugen (Schritt 220).
Um eine Designalternative zu erzeugen, kann der Ingenieur irgendeinen der Werte der Eingangsparameter oder der mit den Eingangsparametern assoziierten Verteilungen variieren. Die veränderten Werte können zurück an den Simulationsteil des Modells zur Reoptimierung geliefert werden. Basierend auf den veränderten Werten, wird das Modell die aktualisierten Werte und Verteilungen für die Ausgangsparameter anzeigen, die sich als ein Ergebnis der Veränderung der Eingangsparameter verändert haben. Aus der aktualisierten Information kann der Ingenieur bestimmen, ob das alternative Produktdesign die Wahrscheinlichkeit der Übereinstimmung beeinflusst. Dieser Prozess kann fortgesetzt werden, bis sich der Ingenieur für ein endgültiges Produktdesign entschließt. Es sei bemerkt, dass alternative Designs ebenfalls durch Variieren der Werte oder Verteilungen für die Ausgangsparameter oder durch Definieren unterschiedlicher oder zusätzlicher Produktdesignbeschränkungen erzeugt werden können.
Die Anzeige 112 kann ebenfalls verwendet werden, um die statistische Information anzuzeigen, die sich auf die Leistung des Produktdesignmodells bezieht. Beispielsweise können die Verteilungen für die Eingangsparameter und die Ausgangsparameter basierend auf den Originaldatenaufzeichnungen berechnet werden. Diese Verteilungen können einen tatsächlichen, statistischen Raum darstellen, der mit einem vorhergesagten statistischen Raum verglichen werden kann, der durch das Modell erzeugt wird. Die Überschneidung des tatsächlichen statistischen Raums mit dem vorhergesagten statistischen Raum kann anzeigen, dass das Modell wie erwartet funktioniert.
Industrielle Anwendbarkeit
Die offenbarten Systeme und Verfahren können effizient optimierte Produktdesigns für jeglichen Produkttyp, der durch Computer modelliert werden kann, vorsehen. Basierend auf dem offenbarten System können komplexe Zusammenhänge während der Erzeugung des Rechenmodells analysiert werden, um die Modelle durch Identifizieren von Verteilungen der Eingangsparameter in die Modelle zu optimieren, um die erwünschten Ausgangsgrößen zu erhalten. Die Robustheit und Genauigkeit der Produktdesigne kann signifikant durch Verwendung der offenbarten Systeme und Verfahren verbessert werden.
Die Effizienz der Ausgestaltung bzw. Konstruktion eines Produkts kann ebenfalls durch Verwendung der offenbarten Systeme und Methoden verbessert werden. Beispielsweise liefert der offenbarte Zeta-Statistikansatz Erkenntnisse über wie sich eine Variation der Eingangsparameter in eine Variation der Ausgangsparameter umsetzt. Auf diese Weise kann das offenbarte Produktdesignsystem durch De finieren der Zusammenhänge zwischen den Eingangsparametern und den Ausgangsparametern in einem System basierend auf einem Proxy-Konzept arbeiten. D.h. da diese Zusammenhänge bekannt und modelliert sind, besteht keine Notwendigkeit domänenspezifische Algorithmuswerkzeuge jedes Mal einzusetzen, wenn gewollt ist, dass das Modell die Wirkungen einer Variation im Wert oder der Verteilung eines Eingangsparameters oder Ausgangsparameters untersucht. Auf diese Weise nutzt im Gegensatz zu traditionellen Systemen, die wiederholt langsame Simulationen als Teil eines Designoptimierungsprozesses durchlaufen müssen, das offenbarte Modellierungssystem gut abgesicherte Modelle (z.B. neuronale Netzwerkmodelle) anstelle langsamer Simulationen, um schneller eine optimierte Produktdesignlösung zu bestimmen.
Das offenbarte Produktdesignsystem kann die Herstellungskosten eines Produkts signifikant verringern. Basierend auf der statistischen Ausgabe, die durch das Modell erzeugt wird, kann das Modell die Bereiche der Eingangsparameterwerte anzeigen, die verwendet werden können, um eine Vorgabeerfüllung zu erreichen. Der Produktdesigningenieur kann diese Information verwerten, um bestimmte Eingangsparameterwerte zu variieren, ohne die Vorgabeerfüllung des Produktdesigns signifikant zu beeinträchtigen. D.h. die Herstellungsbeschränkungen für ein bestimmtes Produktdesign können weniger restriktiv gemacht werden, ohne die Gesamtvorgabeerfüllung des Designs zu beeinträchtigen (oder signifikant zu beeinträchtigen). Das Lockern der Herstellungsdesignbeschränkungen kann den Herstellungsprozess für das Produkt vereinfachen, was zu Herstellungskosteneinsparungen führen kann.
Das offenbarte Produktdesignsystem kann es ebenfalls ermöglichen, dass ein Produktdesigningenieur „was wenn" Szenarios untersucht, basierend auf dem optimierten Modell. Da die Zusammenhänge zwischen den Eingangsparametern und den Ausgangsparametern bekannt sind und durch das Modell verstanden werden, kann der Produktdesigner alternative Designs basierend auf dem optimierten Produktdesign erzeugen, um zu bestimmen wie eine oder mehrere individuelle Veränderungen die Wahrscheinlichkeit der Übereinstimmung beeinträchtigen. Während sich diese Designalternativen von der optimierten Produktdesignlösung ent fernen können, kann dieses Merkmal des Produktdesignsystems es ermöglichen, dass ein Produktdesigner das Design basierend auf Erfahrung anpasst. Genauer gesagt, kann der Produktdesigner Bereiche in dem optimierten Modell erkennen, wo bestimmte Herstellungsbeschränkungen gelockert werden können, um beispielsweise Kosteneinsparungen zu liefern. Durch Erkunden der Wirkung des alternativen Designs auf die Produktübereinstimmungswahrscheinlichkeit kann der Designer bestimmen, ob die potentiellen Kosteneinsparungen des alternativen Designs schwerer wiegen als eine potentielle Verringerung der Wahrscheinlichkeit einer Übereinstimmung.
Das offenbarte Produktdesignsystem besitzt zahlreiche andere Vorteile. Beispielsweise vermeidet die Verwendung genetischer Algorithmen in verschiedenen Stufen in dem Modell, die Notwendigkeit, dass ein Produktdesigner die Schrittgröße für variable Veränderungen definiert. Ferner besitzt das Modell keine Begrenzung der Anzahl der Dimensionen die simultan optimiert und gesucht werden können.
Andere Ausführungsbeispiele, Merkmale, Aspekte und Prinzipien der offenbarten, beispielhaften Systeme werden Fachleuten des Gebiets offensichtlich sein und können in verschiedenen Umgebungen und Systemen implementiert werden.
ZUSAMMENFASSUNG
Ein Verfahren zum Ausgestalten bzw. Konstruieren eines Produkts, das Folgendes aufweist: Beschaffen von Datenaufzeichnungen, die sich auf eine oder mehrere Eingangsvariablen und einen oder mehreren Ausgangsparameter beziehen, die mit dem Produkt assoziiert sind. Einer oder mehrere Eingangsparameter können aus der einen oder den mehreren Eingangsvariablen ausgewählt werden und ein Rechenmodell, das eine Anzeige für die Zusammenhänge zwischen dem einen oder mehreren Eingangsparametern und dem einen oder mehreren Ausgangsparametern, basierend auf den Datenaufzeichnungen, bildet, kann erzeugt werden. Das Verfahren umfasst ferner das Vorsehen eines Satzes von Beschränkungen des Rechenmodells, die repräsentativ für eine Vorgabeerfüllung für das Produkt sind und das Verwenden des Rechenmodells, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, die ein Design des Produkts repräsentieren. Irgendeine geeignete Art eines neuronalen Netzwerks kann verwendet werden, um das Berechnungsmodell zu erzeugen.

Claims

Ein Verfahren zum Ausgestalten bzw. Konstruieren eines Produkts, das Folgendes aufweist: Beschaffen von Datenaufzeichnungen, die sich auf eine oder mehrere Eingangsvariablen und einen oder mehrere Ausgangsparameter beziehen, die mit dem Produkt assoziiert sind; Auswählen von einem oder mehreren Eingangsparametern aus den einen oder mehreren Eingangsvariablen; Erzeugen eines Rechenmodells, welches eine Anzeige für die Zusammenhänge zwischen dem einen oder den mehreren Eingangsparametern und dem einen oder den mehreren Ausgangsparametern, basierend auf den Datenaufzeichnungen, bildet; Vorsehen eines Satzes von Beschränkungen des Rechenmodells, die repräsentativ für eine Vorgabeerfüllung für das Produkt sind; und Verwenden des Rechenmodells, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, die ein Design des Produkts repräsentieren.
Verfahren gemäß Anspruch 1, wobei das Beschaffen der Datenaufzeichnungen Folgendes umfasst: Erzeugen einer Vielzahl von Sätzen von Zufallswerten für den einen oder die mehreren Eingangsvariablen, die repräsentativ für einen erwünschten Produktdesignraum sind; Liefern von jedem der Vielzahl von Sätzen von Zufallswerten an zumindest einen Simulationsalgorithmus, um Werte für den einen oder die mehreren Ausgangsparameter zu erzeugen.
Verfahren gemäß Anspruch 1, wobei das Erzeugen des Rechenmodells Folgendes umfasst: Schaffen eines neuronalen Netzwerkrechenmodells; Trainieren des neuronalen Netzwerkrechenmodells unter Verwendung der Datenaufzeichnungen; und Validieren des neuronalen Netzwerkrechenmodells unter Verwendung der Datenaufzeichnungen.
Verfahren gemäß Anspruch 1, wobei die Verwendung des Rechenmodells zur Erzeugung statistischer Verteilungen ferner Folgendes umfasst: Bestimmen eines ausgewählten Satzes von Eingangsparametern mit einer maximalen Zeta-Statistik unter Verwendung eines genetischen Algorithmus; und Bestimmen der statistischen Verteilungen der einen oder mehreren Eingangsparameter basierend auf dem ausgewählten Satz, wobei die Zeta-Statistik ζ dargestellt wird durch:
unter der Bedingung, dass x i das arithmetische Mittel einer i-ten Eingangsgröße darstellt; x j stellt das arithmetische Mittel einer j-ten Ausgangsgröße dar; σ_i stellt eine Standardabweichung der i-ten Eingangsgröße dar; σ_j stellt eine Standardabweichung der j-ten Ausgangsgröße dar; und |S_ij| stellt die Sensitivität der j-ten Ausgangsgröße gegenüber der i-ten Eingangsgröße des Rechenmodells dar.
Verfahren gemäß Anspruch 1, das ferner die graphische Darstellung auf einer Anzeige von Folgendem umfasst: die statistischen Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter; und die Sollwerte für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter.
Ein computerbasiertes Produktdesignsystem, das Folgendes aufweist: eine Datenbank, die Datenaufzeichnungen enthält, die sich auf eine oder mehrere Eingangsvariablen und eine oder mehrere Ausgangsparameter beziehen, die mit einem zu konstruierenden Produkt assoziiert sind; und einen Prozessor der ausgelegt ist, um: einen oder mehrere Eingangsparameter aus der einen oder den mehreren Eingangsvariablen auszuwählen; ein Rechenmodell zu erzeugen, das eine Anzeige für die Zusammenhänge zwischen dem einen oder den mehreren Eingangsparametern und dem einen oder den mehreren Ausgangsparametern basierend auf den Datenaufzeichnungen bildet; einen Satz von Beschränkungen zu erhalten, der repräsentativ für eine Vorgabeerfüllung für das Produkt ist; und das Rechenmodell zu verwenden, um statistische Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter zu erzeugen, und zwar basierend auf dem Satz von Beschränkungen, der ein Design für das Produkt repräsentiert.
Computerbasiertes Produktdesignsystem gemäß Anspruch 6, wobei zur Erzeugung des Rechenmodells der Prozessor ferner ausgelegt ist, um: ein neuronales Netzwerkrechenmodell zu erschaffen; das neuronale Netzwerkrechenmodell unter Verwendung der Datenaufzeichnungen zu trainieren; und das neuronale Netzwerkrechenmodell unter Verwendung der Datenaufzeichnungen zu validieren.
Computerbasiertes Produktdesignsystem gemäß Anspruch 6, wobei, um das Rechenmodell zur Erzeugung statistischer Verteilungen zu verwenden, der Prozessor ferner ausgelegt ist, um: einen ausgewählten Satz von Eingangsparametern mit einer maximalen Zeta-Statistik unter Verwendung eines genetischen Algorithmus zu bestimmen; und die statistischen Verteilungen des einen oder der mehreren Eingangsparameter basierend auf dem ausgewählten Satz zu bestimmen, wobei die Zeta-Statistik ζ dargestellt wird durch:
unter der Bedingung, dass x i das arithmetische Mittel einer i-ten Eingangsgröße darstellt; x j stellt das arithmetische Mittel einer j-ten Ausgangsgröße dar; σ_i stellt eine Standardabweichung der i-ten Eingangsgröße dar; σ_j stellt eine Standardabweichung der j-ten Ausgangsgröße dar; und |S_ij| stellt die Sensitivität der j-ten Ausgangsgröße gegenüber der i-ten Eingangsgröße des Rechenmodells dar.
Computerbasiertes Produktdesignsystem gemäß Anspruch 6, das ferner Folgendes aufweist: eine Anzeige; wobei der Prozessor ausgelegt ist, um die statistischen Verteilungen für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter anzuzeigen; und Sollwerte für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter.
Computerbasiertes Produktdesignsystem gemäß Anspruch 9, wobei der Prozessor ausgelegt ist, um die statistische Information für den einen oder die mehreren Eingangsparameter und den einen oder die mehreren Ausgangsparameter, die basierend auf den Datenaufzeichnungen erhalten werden, anzuzeigen.