分享好友 资讯首页 频道列表

西门子将ChatGPT引入仿真与测试实际开发中

2024-08-31 22:43

在当今数字化转型的浪潮中,人工智能(AI)已经成为推动工业变革的核心力量。作为全球领先的技术公司,西门子在人工智能,尤其是生成式人工智能(Generative AI)领域,展现出卓越的领导力和创新能力。


人工智能技术正在深刻改变各行各业的运作模式。生成式人工智能作为其中的重要分支,正在重新定义工作流程和业务模式。西门子深知这一技术的潜力,并积极投身于AI技术的研发和应用,以推动行业的数字化转型。

 

凭借在工业人工智能方面的深厚积累,西门子始终站在技术前沿。公司通过不断创新,致力于为客户提供真正的人工智能驱动价值。西门子不仅关注AI技术的研发,还注重其在实际业务中的应用,帮助客户实现更高效、更智能的生产和运营。


本文将介绍ChatGPT在工程中的应用。并且结合三个实际案例,来展示西门子当下 "ChatGPT in the loop" 的项目能力。


01 AI在工程中的应用


在当今大大小小的工程中,系统的复杂性不断攀升成为了一个常态,也是企业在设计新产品、流程和系统时面临的持续挑战,这些产品、流程和系统必须在复杂的物理法则下运行,并与真实环境合理交互,同时还要满足企业或者市场所需的高标准。这无疑对各个工程师们的经验和能力有着严苛的要求。于是在开发设计的不断迭代过程中出现了基于模型的系统工程MBSE(Model-based Systems Engineering)。MBSE通过在产品需求(我们希望它做什么)与实际行为(它将真正做什么)之间建立联系,帮助工程师掌握这种复杂性。由此产生的虚拟测试平台使设计能够更快速地演变,并且对未来的障碍、不兼容性或意外复杂性有更大的洞察力。西门子近期发布的Simcenter Studio和Simcenter System Architecture版本包含了许多新功能,赋予用户更多的MBSE能力,使用户能更快更有效地完成高复杂度的工作。

很多软件利用了机器学习或者深度学习,通过大量实验数据进行训练,生成可靠的模型。这其中强化学习作为机器学习中的一条分支,它强调学习过程中的决策和策略优化,能够应对具有挑战性的、需高度调优的控制问题,同时也适用于需要立即验证和测试系统设计的简单应用。

最近发布的Simcenter Studio 2404版本实现了这一点,它提供了一个端到端的工作流程,能够生成可部署的控制器,格式为FMU,随时可供使用。具体步骤如下:    

01 选择一个需要控制器的现有plant模型。

02 将模型连接到Simcenter Studio 2404。

03 选择合适的强化学习(RL)代理与训练选项,以控制你的模型,通过经验学习迅速找到高效有效的解决方案。

04导出为FMU格式,以验证和部署训练后的控制器。

02 实际案例1:Simcenter Amesim与ChatGPT搭建人与系统仿真的桥梁


西门子工程服务团队开发了直接与产品模型相连的以人为中心的人工智能辅助工具。此人工智能辅助工具可以不断解读和学习驾驶员的偏好以及驾驶员主观感知对车辆参数变化的敏感度,进而对参数不断进行优化。

此案例将ChatGPT与一维系统仿真软件Simcenter Amesim相结合,在HIL(Hardware-In-Loop)仿真过程中,用户通过简单的自然语言描述自己的主观感受,系统就能将其成功转化为对应的仿真模型的系统参数修改意见,并修改车辆动力学参数。

其原理为定制一个与车辆动力学参数关联的AI assistant(chatbot),其中包含了仿真模型中所有关键参数的列表,在用户输入自然语言反馈时,通过此AI assistant将自然语言输入转换为列表中的对应参数关系(如果未找到准确的对应关系,则继续引导用户输入),然后AI  assistant使用强化学习对车辆参数集进行优化,并传输给控制端,控制端修改参数后反馈给执行器,执行器进行新一轮动作后由用户再次给予反馈,最终实现一整个闭环。

这一项技术可以助力仿真与测试解决方案的各个阶段,大幅减少调试参数所需的时间与复杂度,西门子工程服务团队将为您探索一切可能性,并帮助企业实现数字化转型。


03 实际案例2:西门子针对电动车热管理系统的系统仿真中引入ChatGPT的辅助案例介绍

背景:

应市场需求,西门子需要开发一个概念验证(PoC)演示器,使大型语言模型技术(即ChatGPT)能够支持系统工程师自动创建、参数化和优化热管理系统,从而减少人工工作量和专业知识要求。

方案1:

开发一个框架,使用户能够通过自然语言与ChatGPT机器人进行对话,该机器人会创建SC Studio模型(自动脚本编写),并通过自动生成与基础SC Studio架构等效的SC Amesim模型来推动架构探索。该设置旨在通过寻找一组组件之间的连接,检查工作模式(例如,冷却、加热),以探索热管理架构,并为一个或多个属性(如成本、重量、能源效率等)找到最佳特性。

局限性:

限制处理最多10个组件的组合,这些组件可以相互连接以形成热管理架构。

图片

方案2:

将要开发的框架将利用知识图谱技术,用于草图的自动生成和参数建议,并结合ChatGPT作为将用户意图转化为模型设置的媒介。这种方法需要一个热管理系统模型的数据库,以“训练”知识图谱,教其如何构建热管理系统模型。

局限性:

基于客户提供的热管理模型数据库,最终由西门子进行去机密化处理。

图片


04 实际案例4:Simcenter Amesim通过ChatGPT插件直接进行建模与数据分析

AMESim庞大的元件库与繁多的解决方案样例给予了仿真工程师们极大的自由度与可能性,但是在带来强大的功能的同时,难免会带来一些缺陷:众多元件库让工程师们眼花缭乱,每一个元件还拥有不同子模型提供选择,不同的元件库之间的数据传输或者接口匹配有时候会耗费仿真工作过程中不少时间。那么有没有一种AI工具可以帮助工程师们解决这个问题呢?那么,不得不介绍到SimcenterChatGPT plugin了。

Amesim现在可以通过SimcenterChatGPT 插件进行高效仿真建模与参数修改。此插件集成了Amesim中的所有元件库与解决方案,仅需在对话框中输入仿真需求与边界条件,系统将自动生成所需的模型与参数设定,并且可以通过自然语言的输入直接在基础模型上快速删改。


来源:Simcenter ECS 工程咨询服务

评论 0
同类信息