Základní technologie společnosti

Návrh a simulace systému

Tato výzkumná oblast se zaměřuje na modelování systémů a komponent, návrh a multifyzikální simulaci pomocí AI. Zabývá se řetězcem CAD/CAM a digitálními dvojčaty pro testování vizualizace, ověřování a optimalizaci ve výrobě, robotice a energetické infrastruktuře.

Prozkoumejte publikace

Co kdybychom mohli navrhnout, otestovat a vylepšit automatizaci, výrobu a energetickou infrastrukturu ještě předtím, než by byly postaveny?

Tradiční inženýrské cykly se do značné míry spoléhají na fyzické prototypování, což vede k nákladným iteracím, prodloužené době uvedení na trh a nepředvídaným provozním překážkám. Moderní průmyslové inženýrství vyžaduje přechod od statických CAD modelů směrem k dynamickým simulačním prostředím s více doménami. Kombinací vysoce výkonných výpočtů, telemetrie v reálném čase a prostorové vizualizace mohou být složité průmyslové architektury důsledně ověřeny v celém jejich životním cyklu před fyzickým uvedením do provozu.

Důležité jsou simulace, digitální dvojčata a možnosti průmyslového metaverze pro rychlejší, bezpečnější a udržitelnější inženýrství.

Rozdělený obrázek zobrazující barevný abstraktní 3D spirálový design a ženu, která nosí náhlavní soupravu VR a drží pohybové ovladače

Výzkumník sedící u stolu a zamyšleně pracuje na notebooku

Návrh a simulace systému zahrnuje geometrické, mechanické a funkční modelování (CAD/CAM) s pracovními postupy vylepšenými umělou inteligencí a generativním designem. Zahrnuje návrh výroby, virtuální uvedení do provozu, stejně jako (multi-) fyziku, systém, real-time a kosimulaci. Zkoumáme také simulace pro trénink fyzické AI a generování syntetických dat.

Náš výzkum se zabývá validací, ověřováním, konstrukční spoluprací, vizualizací AR/VR a řízením životního cyklu/digitálních dvojčat. Dále zahrnuje automatizační inženýrství, elektrické modelování a návrh distribuovaných energetických systémů s využitím multimodální simulace, modelování nejistoty, technicko-ekonomické optimalizace a agentních pracovních postupů.

Za tohle Základní technologie společnosti, zkoumáme aplikace, které pokrývají vylepšení nástrojů návrhu, simulace a PLM spolu s platformami pro správu simulací, dat, modelů a digitálních dvojčat. Mezi klíčové oblasti patří vizualizace, spolupráce (např. Digital Twin Composer), automatizované vytváření 3D obsahu a nástroje udržitelnosti pro uhlíkovou stopu produktu, cirkulárnost a analýza životního cyklu s digitálním dvojčatem.

Dalšími tématy jsou návrh produktů a výroby vylepšený simulací, virtuální uvedení do provozu, školení základových modelů CAD/CAM, návrh multimodálního energetického systému a vývoj aktiv pro energetické systémy. Nakonec se náš výzkum zabývá životním cyklem a energetickými dvojčaty, aspekty cirkularity výroby, synchronizací se skutečnými průmyslovými systémy a autonomním inženýrstvím.

Publikace

Prozkoumejte naše doporučené články

SceneGenAgent: Přesné generování průmyslové scény s kódovacím agentem

Publikováno v: 2025 Sborník z 63. výročního zasedání Asociace pro výpočetní lingvistiku (svazek 1: Dlouhé články), strany 17847—17875, Vídeň, Rakousko
Siao Xia, Dan Zhang, Zibo Liao, Zhenyu Hou, Tianrui Sun, Jing Li, Ling Fu, Yuxiao Dong

Generování 3D průmyslových scén pomocí LLM je náročné kvůli přísným požadavkům na přesná měření a prostorové plánování. K vyřešení tohoto problému autoři představili SceneGenAgent, LLM agent, který generuje průmyslové scény pomocí kódu C#. Využívá strukturované plánování rozvržení, ověřování a iterativní upřesnění k uspokojení přesných kvantitativních potřeb, čímž zvyšuje úspěšnost LLM až na 81,0%. Autoři navíc vydávají SceneInstruct, datovou sadu pro jemné doladění open-source LLM, jako je Llama3.1-70B, aby se v rámci tohoto rámce přiblížili výkonu GPT-4o. Kód a data jsou veřejně dostupné.
Zobrazit na stránce vydavatele

SipHyr: Koncový optimalizační rámec založený na učení pro dynamickou rekonfiguraci mřížky

Publikováno v: IEEE Transactions on Smart Grid (svazek: 16, vydání: 2, březen 2025)
Rabab Haider, Anurádha Annaswamy, Biswadip Dey, Amit Chakraborty

Rostoucí obnovitelná energie, skladování a elektrická vozidla vyžadují rychlejší rozhodovací paradigma pro distribuční sítě. Tento článek navrhuje SIPHyr, rámec strojového učení informovaný o fyzice pro optimalizaci rekonfigurace mřížky založenou na end-to-end učení. SIPHyr optimalizuje topologii a energetické toky pro snížení ztrát vedení, zlepšení napěťových profilů a posílení integrace obnovitelných zdrojů. Pro zpracování NP-tvrdých binárních rozhodovacích proměnných používá fyzikálně informovanou metodu zaokrouhlování v diferenciovatelném rámci. To umožňuje SIPHyr současně optimalizovat topologii mřížky a odesílání a zároveň splňovat bezpečnostní kritická omezení, jak je ukázáno na třech kanonických mřížkách.
Zobrazit na stránce vydavatele

Využití flexibility spotřebitelů ke zmírnění přetížení sítě v budoucích rozvodných soustavách

Publikováno v: Energie 2024
Tomaselli D., Most D. a kol.

Rostoucí zavádění fotovoltaických (FV) systémů za měřením (BTM), elektrických vozidel (EV) a tepelných čerpadel způsobuje přetížení distribuční sítě. Tento článek hodnotí flexibilitu BTM pomocí nového rámce, který kombinuje optimální tok energie s klouzavým horizontem s funkcí lineárních nákladů, aby tento problém vyřešil bez nákladných upgradů. Při testování na síťovém modelu německého Schutterwaldu výsledky ukázaly, že úložiště BTM vlastní spotřeby vyřešilo všechna porušení feed-in, ale pouze 35% porušení zatížení. Proaktivní kontrola nabíjení a vybíjení úložiště však účinně řeší zbývající porušení zatížení, a to i v téměř nasycených sítích.
Zobrazit na stránce vydavatele

Neurální diferenciální rovnice s integrovaným řízením pro modelování chemických procesů

Publikováno v: 2025 IEEE 32. mezinárodní konference o vysoce výkonných výpočtech, datech a analytice Workshop (HiPCW)
Sumeet Rodiya, Vártak, Kunal Bahuguna, Subhajit Sanfui, Ramsatish Kaluri

Neurální diferenciální rovnice jsou silné pro simulaci chemických procesů, ale jejich aplikace na řízené chemické procesy zůstává relativně neprozkoumaná. Tento článek hodnotí neurální obyčejné diferenciální rovnice (NODE) a neurálně řízené diferenciální rovnice (NCDE) pro modelování dávkového bioreaktorového systému s explicitní integrací řízení. Autoři vyvíjejí modifikovaný rámec NODE obsahující kontrolní vstupy a studují NCDE, které zahrnují kontinuální řídicí cesty pomocí spline interpolace. Rámce implementované v Diffraxu pro efektivní akceleraci GPU ukazují, že NCDE dosahují vynikající prediktivní přesnosti, zatímco NODE nabízejí rychlejší tréninkové časy.
Zobrazit na stránce vydavatele

Rámec pro více agentů využívající znalostní grafy pro virtuální modely uvedení do provozu

Publikováno v: AUTOMATION 2026, Innovation trifft Anwendung (str. 144-152). VDE
Max Diekmann; Jonas Nitzler; Jan Fischer; Hans-Jürgen Pfisterer; Dirk Hartmann

Modely virtuálního uvádění do provozu (VCM) ověřují diskrétní výrobní systémy před nasazením, ale jejich vytváření je náročné na práci kvůli fragmentovaným datům napříč nástroji, jako jsou Siemens TIA Portal a NX MCD. K vyřešení tohoto problému autoři navrhují rámec pro více agentů založený na znalostních grafech. Deterministické nástroje extrahují a slučují PLC a kinematická data do jednotné databáze grafů. Hierarchická architektura agentů pak pomáhá s porozuměním systému, generování komponent založených na skriptech a mapování signálu mezi doménami. Tento přístup, který byl testován na laboratorním výrobním nastavení, snižuje úsilí o manuální interpretaci a zefektivňuje rané inženýrství VCM.
Zobrazit na stránce vydavatele