Основни технологии на компанията

Системно проектиране и симулация

Тази изследователска област се фокусира върху моделирането на системи и компоненти, проектирането и симулацията на мултифизика с помощта на AI. Той се занимава с CAD/CAM веригата и цифровите близнаци за тестване на визуализация, проверка и оптимизация в производството, роботиката и енергийната инфраструктура.

Разгледайте публикациите

Ами ако можем да проектираме, тестваме и подобрим автоматизацията, производството и енергийната инфраструктура, преди дори да бъдат построени?

Традиционните инженерни цикли разчитат до голяма степен на физическо прототипиране, което води до скъпи итерации, удължено време за пускане на пазара и непредвидени оперативни затруднения. Съвременното индустриално инженерство изисква преминаване отвъд статичните CAD модели към динамични мултидомейни симулационни среди. Чрез комбиниране на високопроизводителни изчисления, телеметрия в реално време и пространствена визуализация, сложните индустриални архитектури могат да бъдат строго валидирани през целия им жизнен цикъл преди физическото въвеждане в експлоатация.

Важното са симулацията, цифровите близнаци и възможностите за индустриална метавселена за по-бързо, по-безопасно и по-устойчиво инженерство.

Разделено изображение, показващо цветен абстрактен 3D спирален дизайн и жена, носеща VR слушалки и държи контролери за движение

Изследовател, седнал на бюро, замислено работещ върху лаптоп

Системният дизайн и симулация обхваща геометрично, механично и функционално моделиране (CAD/CAM) с подобрени работни потоци с AI и генеративен дизайн. Той включва проектиране на производство, виртуално въвеждане в експлоатация, както и (мулти) физика, система, реално време и съвместна симулация. Ние също така изследваме симулация за training на физически AI и генериране на синтетични данни.

Нашите изследвания се занимават с валидиране, проверка, сътрудничество при проектиране, визуализация на AR/VR и управление на жизнения цикъл/цифрови близнаци. Освен това той обхваща автоматизационно инженерство, електрическо моделиране и проектиране на разпределени енергийни системи, използващи мултимодална симулация, моделиране на несигурност, техно-икономическа оптимизация и агентични работни процеси.

За това Основна технология на компанията, ние изследваме приложения, които обхващат подобряването на проектирането, симулацията и PLM инструментите заедно с симулационни, данни, модели и цифрови платформи за управление на близнаци. Ключовите области включват визуализация, сътрудничество (напр. Digital Twin Composer), автоматизирано създаване на 3D съдържание и инструменти за устойчивост за въглероден отпечатък на продукта, кръговост и анализ на жизнения цикъл с цифров близнак.

Допълнителни теми са подобрен от симулация дизайн на продукти и производство, виртуално въвеждане в експлоатация, training по CAD/CAM фондационен модел, проектиране на мултимодална енергийна система и разработване на активи за енергийни системи. И накрая, нашето изследване разглежда жизнения цикъл и енергийните близнаци, аспектите на кръговостта на производството, синхронизацията с реални индустриални системи и автономното инженерство.

Икона за проектиране и симулация на системи

Публикации

Разгледайте нашите представени документи

SceneGenAgent: Прецизно генериране на индустриална сцена с кодиращ агент

Публикувано в: 2025 г. Сборник от 63-тата годишна среща на Асоциацията за изчислителна лингвистика (том 1: Дълги доклади), стр. 17847—17875, Виена, Австрия
Сяо Ся, Дан Джан, Зибо Ляо, Дженю Хоу, Тианруй Сун, Дзин Ли, Линг Фу, Юксяо Донг

Генерирането на 3D индустриални сцени с LLM е предизвикателство поради строгите изисквания за прецизни измервания и пространствено планиране. За да разрешат това, авторите въвеждат SceneGenAgent, LLM агент, който генерира индустриални сцени чрез C# код. Той използва структурирано планиране на оформлението, проверка и итеративно усъвършенстване, за да задоволи точните количествени нужди, повишавайки степента на успех на LLM до 81.0%. Освен това авторите пускат SceneInstruct, набор от данни за фина настройка на LLM с отворен код като Llama3.1-70B, за да се доближи до производителността на GPT-4o в рамките. Кодът и данните са публично достъпни.
Виж на страницата на издателя

SiPhyR: Рамка за оптимизация, базирана на обучение от край до край за динамично преконфигуриране на мрежата

Публикувано в: IEEE транзакции в интелигентната мрежа (Том: 16, Брой: 2, март 2025 г.)
Рабаб Хайдер, Анурада Анасвами, Бисвадип Дей, Амит Чакраборти

Увеличаването на възобновяемата енергия, съхранението и електрическите превозни средства изискват по-бързи парадигми за вземане на решения за разпределителните мрежи. Тази статия предлага SiPhyR, рамка за машинно обучение, информирана от физиката, за оптимизация на преконфигурацията на мрежата, базирана на обучение от край до край. SiPhyR оптимизира топологията и потоците на енергия, за да намали загубите на линиите, да подобри профилите на напрежението и да засили интеграцията от възобновяеми източници За да обработва NP-твърди двоични променливи за вземане на решения, той използва метод на закръгляване, информиран от физиката, в диференцируема рамка. Това позволява на SiPhyR едновременно да оптимизира топологията и изпращането на мрежата, като същевременно удовлетворява критичните за безопасността ограничения, както е показано на три канонични мрежи.
Виж на страницата на издателя

Използване на гъвкавостта на потребителите за намаляване на задръстванията на мрежата в бъдещите електроразпределителни мрежи

Публикувано в: Енергии 2024
Томасели Д., Мост Д. и др.

Нарастващото приемане на фотоволтаични (PV) системи зад електромери (BTM), електрически превозни средства (EV) и термопомпи причинява претоварване на разпределителната мрежа. Тази статия оценява гъвкавостта на BTM, използвайки нова рамка, която съчетава оптимален поток на мощност на търкалящия се хоризонт с функция за отделни линейни разходи за справяне с този проблем без скъпи ъпгрейди. При тестване на мрежовия модел на Schutterwald, Германия, резултатите показаха, че съхранението на BTM за самопотребление е разрешило всички нарушения на подаването, но само 35% от нарушенията на натоварването. Въпреки това, проактивното контролиране на зареждането и разреждането на хранилището ефективно отстранява останалите нарушения на натоварването, дори в почти наситени мрежи.
Виж на страницата на издателя

Невронни диференциални уравнения с интегриран контрол за моделиране на химически процеси

Публикувано в: 2025 IEEE 32-та международна конференция по високопроизводителни изчисления, данни и анализ (HiPCW)
Сумет Родия, Вед Вартак, Кунал Бахугуна, Субхажит Санфуи, Рамсатиш Калури

Невронните диференциални уравнения са мощни за симулация на химически процеси, но тяхното приложение към контролирани химични процеси остава сравнително неизследвано. Тази статия оценява невронни обикновени диференциални уравнения (NODes) и невронно контролирани диференциални уравнения (NCDE) за моделиране на партидна биореакторна система с изрична контролна интеграция. Авторите разработват модифицирана рамка NODE, съдържаща контролни входове и изучават NCDE, които включват непрекъснати пътища за управление, използвайки интерполация на сплайн. Внедрени в Diffrax за ефективно ускорение на графичния процесор, рамките демонстрират, че NCDE постигат превъзходна прогнозна точност, докато NOde предлагат по-бързо training.
Виж на страницата на издателя

Мултиагентна рамка, използваща графики на знанията за виртуални модели за пускане в експлоатация

Публикувано в: АВТОМАТИЗАЦИЯ 2026, Приложение за иновации (стр. 144-152). ВДЕ
Макс Дикман; Йонас Ницлер; Ян Фишер; Ханс-Юерген Пфистерер; Дирк Хартман

Виртуалните модели за въвеждане в експлоатация (VCM) валидират дискретни производствени системи преди внедряването им, но изграждането им е трудоемко поради фрагментирани данни в инструменти като Siemens TIA Portal и NX MCD. За да се справят с това, авторите предлагат мултиагентна рамка, базирана на графика на знанието. Детерминистичните инструменти извличат и обединяват PLC и кинематични данни в унифицирана база данни с графики. След това йерархичната агентна архитектура подпомага разбирането на системата, генерирането на базирани на скриптове компоненти и картографирането на сигнали между домейни. Тестван в лабораторна производствена настройка, подходът намалява усилията за ръчно тълкуване и рационализира ранното VCM инженерство.
Виж на страницата на издателя