Данное исследование было просмотрен 957 раз

Цифровая платформа разработки цифровых двойников CML-Bench™

Группа научных исследований: Передовые Цифровые технологии. Цифровое проектирование, математическое моделирование и управление жизненным циклом изделия или продукции (Smart Design) и технологии «умного» производства (Smart Manufacturing).

Срок реализации: 2020-2025 гг.

Исполнитель: Инжиниринговый центр «Центр компьютерного инжиниринга» (ИЦ ЦКИ)

Решаемые научно-технические задачи, полученные и ожидаемые результаты

В 2020 году

Исследованы и определены методы, источники данных механизмы их извлечения для обработки и обучения на их основе.

1. Важнейшие результаты по направлению научных исследований, полученные в период реализации соглашения в отчётном году с момента заключения соглашения.

Объектом исследования в данной работе являются Smart Big Data - «умные» большие данные, генерируемые в процессе мультидисциплинарного численного моделирования и применения многих технологий оптимизации в результате промышленной эксплуатации Цифровой платформы по разработке и применению цифровых двойников CML-Bench™ (ЦП CML-Bench™), которая обеспечивает глубокое взаимодействие десятков разнообразных программных систем мирового уровня, используемых в инженерно-конструкторских разработках для выполнения инженерных и расчетных работ на различных стадиях подготовки и проведения численного моделирования, виртуальных испытаний и обработки результатов вычислений.

В результате работы были определены типы данных из Smart Big Data, генерируемых в ЦП CML-Bench™ в процессе решения инженерных задач в процессе промышленной эксплуатации, являющиеся наиболее значимыми с точки зрения формирования цифрового двойника. Для проверки основных показателей качества выбранных типов данных (репрезентативности, содержательности, достаточности, устойчивости) были сформулированы и верифицированы соответствующие гипотезы.

Гипотеза 1. Изменение (замена) субмоделей является основной причиной изменений в результатах расчетов. Проанализировав существующие наборы субмоделей и результаты, можно сделать выводы о том, как замены некоторых субмоделей на другие влияют на результаты, и рекомендовать такие замены в случае, когда ожидаемое изменение результатов соответствует цели расчета.

Гипотеза 2. Некоторые результаты расчетов меняются согласованно. Если выявить соответствующие связи, можно (по выполненным расчетам и целям) делать предположения о том, насколько вероятно достижение тех или иных комбинаций целей.

Определены источники данных, механизмы их извлечения для обработки и обучения на их основе.

Осуществлена предварительная оценка гипотезы 1. Для оценки перспективности гипотезы был выполнен поиск симуляций, наборы идентификаторов субмоделей в которых различаются ровно в одной позиции. На основе данных промышленной эксплуатации CML-Bench™ было обнаружено 1 417 397 пар симуляций, различающихся ровно на одну субмодель, из них 535 290 - пар симуляций, содержащих по 2 субмодели.

Осуществлена предварительная оценка гипотезы 2. Для проверки монотонной сопряженности был использован критерий Кенуя. На основе данных промышленной эксплуатации CML-Bench™ были найдены более 1000 пар значений, которые можно назвать связанными с уровнем доверия 95%. Таким образом было подтверждено, что мера сопряженности, предложенная в рамках используемого метода, удовлетворительно выполняет свою функцию.

2. Сопоставление полученных результатов по направлению научных исследований с мировым уровнем

Практика промышленной эксплуатации систем компьютерного моделирования и проектирования класса SPDM (Simulation Process and Data Management), к которым относится CML-Bench™ находится на стадии своего становления. Этим объясняется отсутствие информации об аналогичных научных исследованиях в соответствующих изданиях. Таким образом, осуществленные научные исследования являются оригинальными и не имеют аналогов.

В 2021 году
  • Исследованы и разработаны ключевые критерии эффективности проектируемого алгоритма и гипотезы по реализации как основы самообучаемой экспертной системы (ЭС) разработки цифровых двойников изделий и технологических процессов.
  • Исследованы и определены основные ограничения использования данных при разработке алгоритма (технические, экономические, юридические, организационные и пр.)
  • Исследованы и определены первоначальные факторы, влияющие на эффективность алгоритма и соответствующие источники данных.
  • Разработана концепция и внедрена тестовая среда для автоматизированной проверки результатов экспериментов.
  • Исследованы несколько основных вариантов (не более 3-х) реализации алгоритмов.
  • Разработаны и внедрены механизмы непрерывного мониторинга эффективности работы алгоритма в рамках рабочих систем.
  • Проведено обоснование выбора наиболее перспективного для дальнейшего развития.
  • Выбранный базовый алгоритм апробирован в экспертной системе.
  • Подготовлен отчет об эффективности работы базового алгоритма на основе данных действующих проектов по разработке ЦД и сравнение с существующими решениями.
В 2022 году
  • Исследованы несколько основных вариантов реализации (не более 3-х) системы обработки больших данных.
  • Разработана концепция технологии интеграции и эффективного сбора, обработки и хранения данных.
  • Интегрированы источники данных разных типов систем (до 5) в единой системе.
  • Апробирован базовый алгоритм предиктивного анализа на расширенном объёме и типах данных.
  • Подготовлен отчет об эффективности работы технологии интеграции и сравнение с существующими решениями.
В 2023 году
  • Исследованы и разработаны ключевые критерии эффективности усовершенствованного алгоритма.
  • Разработана концепция алгоритма новой версии и адаптирована тестовая среда для автоматизированной проверки результатов экспериментов по оценке эффективности алгоритма.
  • Разработан и апробирован новый алгоритм на ограниченном объеме данных/источников данных.
  • Проведены пилотные проекты совместно с индустриальными партнерами на реальных предприятиях, занимающихся или использующих технологии цифровых двойников в процессе проектирования (не менее 3).
  • Подготовлен отчет об эффективности работы базового алгоритма на основе данных действующих проектов по разработке цифровых двлойников.
В 2024 году
  • Апробация алгоритма в различных высокотехнологичных отраслях промышленности (не менее 10).
  • Оценка эффективности использования алгоритма в основе ЭС с учетом уникальности информационных сред и источников данных на различных предприятиях