HyperLynx Design Space Exploration

Az optimalizálási kihívás

A szimuláció lehetővé teszi a tervezők elemzését, hibakeresését és optimalizálását egy digitális iker segítségével, mielőtt a prototípust gyártásra bocsátanák. Ez robusztusabb, megbízhatóbb és költséghatékonyabb táblát eredményez azáltal, hogy csökkenti a laboratóriumi vizsgálatok során felmerülő problémák valószínűségét, amelyek a tábla újraindítását igényelhetik.

A szimuláció lehetővé teszi a felhasználók számára, hogy felfedezzék tervezésük alternatív változatait a megbízhatóság, sebesség vagy árrés javítása, vagy a teljes gyártási költség csökkentése érdekében. Ha a szimulációt optimalizálási eszközként használják, az elvégzett elemzés összetettsége általában fokozatosan növekszik:

Select...

Kezdetben a felhasználók módosítják a tervet, és egyenként újra szimulálják a változásokat. Ez jól működik egyszerű tanulmányokhoz, és az új szimulációs felhasználók számára könnyen megérthető. Ez a módszer akkor működik a legjobban, ha csak egy vagy két tervezési paramétert (változót) kell tanulmányozni, és ha a felhasználó könnyen meghatározhatja a következő tanulmányhoz használni kívánt paraméterértékeket az előzőek eredményei alapján.

Gyors, hatékony optimalizálás

A nagy tervezési terek hatékony feltárása a lehető legkevesebb szimulációval nehéz feladat, amely fejlett elemzési technikák kombinációját igényli. Ehhez olyan megközelítésre van szükség, amely kiegyensúlyozza két egymásnak ellentmondó

Az ígéretes eredmények nullázása az optimális értékek gyors megtalálása érdekében. Amikor egy tervezési területről kezdetben mintavételt vesznek, a kiválasztott értékek ritkán eredményeznek optimális értékeket. Ehelyett gradienseket hoznak létre, amelyeket úgy dolgoznak fel, hogy megtalálják az optimális helyeket (általában helyi maximumot/minimumokat) a válasz felületén. A helyileg (de nem globálisan) optimális eredmény nullázásához további szimulációs kísérletekre van szükség, amelyek végső soron nem járulnak hozzá a globális optimum megtalálásához.
Annak biztosítása, hogy a teljes tervezési térből megfelelő mintát vegyenek. Vegyünk egy tojásdobozt, ahol a csúcsok és a völgyek kissé eltérnek. Sok különböző helyi minimum és maximum létezik - de mindegyiknek csak egy globális értéke. A kezdeti mintavétel után könnyű megtalálni a helyi színátmenetet és a helyi csúcsot/völgyet - de nagyon nehéz biztosítani, hogy megtalálják a globális értéket. A teljes a térből elegendő mintát kell venni ahhoz, hogy a folyamat végére megtalálják a globális maximumot/minimumokat.

SHERPA algoritmus

E két különböző követelmény kiegyensúlyozása nehéz feladat, amely fejlett technikákat igényel az egyes válaszok felméréséhez, mivel elérhetővé válik a válaszfelület numerikus sorrendjének értékelése és a következő futtatandó kísérlet meghatározása. A legtöbb optimalizáló esetében ez jelentős megértést igényel mind a megoldandó problémát, mind a keresési algoritmust az algoritmus vezérlőparamétereinek „hangolásához”.

A HL-DSE segítségével a SHERPA algoritmus értékeli a válaszokat az elemzés futtatásakor, és automatikusan hangolja az algoritmust. A HL-DSE az elemzés előrehaladtával diagramot készít a válaszokról, bemutatva az egyes szimulációs kísérletekből kapott értéket.

HyperLynx grafikon, amely bemutatja a SHERPA algoritmuson keresztül bemutatott kísérletek optimalizálási előzményeinek tervezését

Ebben a cselekményben a HL-DSE-nek két érdemfigura és a kapcsolódó cél van:

optimalizálja a piros értékeket
minimalizálja a kék értékeket

A kék vonal a kék mutató értékét javító kísérletek történetét mutatja. Az elemzés költségvetéséként 100 szimulációt adtak meg, a bemeneti értékek összesen 82 500 lehetséges permutációjából.

25 szimuláción belül a SHERPA gyorsan képes volt megtalálni az egyes metrikákhoz közel optimális értékeket.

Válasz felületi módszertan

Eredmények vizualizálása

A vizsgált problémák összetett jellege miatt a fejlett optimalizálási technikák a teljes tervezési terület csak kis százalékát képesek mintavételre venni. Az elemzés eredményeinek gyors és hatékony vizualizációja kulcsfontosságú eleme a folyamatok végrehajtásának, például az optimalizálással.

A HyperLynx Design Space Exploration a kimeneti nyomtatási lehetőségek gazdag választékát kínálja, hogy betekintést nyújtson a tervezés viselkedésébe. Ezek közé tartoznak a 3D diagramok, amelyek megmutathatják, hogy az elválasztás és az antipad átmérője hogyan befolyásolja a visszatérési veszteséget.

Ebben a példában a visszatérési veszteséget maximalizálni kell a jel integritásának javítása érdekében. Ez magában foglalja az egyes szimulációk eredményeinek utófeldolgozását, hogy jelentse a válaszmetriaként felmerült maximális értéket, majd megtalálja azokat a bemeneti változó feltételeket, amelyek minimalizálják ezt a választ.

Színes felületet kontúrvonalakkal ábrázoló 3D grafikon, amely az adatok megjelenítését vagy a válasz felületi módszertanát

A HyperLynx DSE válasz felületi módszertana

A különböző otthoni stílusokat ábrázoló dizájntáblázat oszlopokkal négyzetméterhez, hálószobákhoz, fürdőszobákhoz és garázshelyekhez

A tervezési tér meghatározása

A HL-DSE integrálva van mind a HyperLynx Advanced Solvers 3D Explorer, mind a HyperLynx Signal Integrity előzetes elrendezési soros kapcsolatok megfelelőségi folyamataival, amelyek mindegyike már képes a tervezés optimalizálására a swept-paraméter elemzés révén.

Amikor a szimulációs esetek száma tarthatatlanná válik, a HL-DSE automatizált optimalizálásra szolgál. A felhasználó által már meghatározott tervezési változókat és tartományokat közlik a HL-DSE-vel, amelyet a felhasználó szükség szerint áttekinthet és módosíthat.

Elemzési célok

Optimalizálási célok meghatározása

A HL-DSE szorosan integrálva van a 3D Explorerrel és az elrendezés előtti megfelelőségi elemzéssel szimulációs kimeneti (válasz) szempontból. A felhasználó által már meghatározott kimeneti mutatókat továbbítják a HL-DSE-nek, ahol a felhasználó hozzáadja a pass/fail követelményeket és az optimalizálási célokat.

A tanulmányi válaszokat és paramétereket bemutató diagram adatmegjelenítési elemekkel és diagramokkal

Helyettesítő modellezés

Egyes alkalmazásokban a szimulációs kísérletek egyszerű elvégzése és az optimális konfigurációk megtalálása nem elegendő, mert a cél annak ismerete, hogy a tervezés hogyan viselkedik több millió esetben. Például, miután egy tervezést optimalizáltak, a felhasználó több millió egység fölött szeretné megjósolni a gyártási hozamot. Ebben az esetben a változók a tervezési paraméterek, de tartományuk az értékek eloszlásává válik, amelyet a gyártási tűrések eredményeként várható.

Több millió szimulációs kísérlet végrehajtása nyilvánvalóan nem praktikus, ezért egy illesztett matematikai vagy helyettesítő modell jön létre, amely szorosan megfelel a tervezett bemeneti/kimeneti viselkedésnek a paramétertartományon belül. Ezt a helyettesítő modellt ezután felhasználhatjuk a tényleges szimulációs kísérletek helyett, hogy megjósolják a tervezés viselkedését számos körülmények között, és ezáltal megjósolják a gyártási hozamot.