Podstawowe technologie firmy

Projektowanie i symulacja systemu

Ta dziedzina badawcza koncentruje się na modelowaniu systemów i komponentów, projektowaniu i symulacji wielu fizyków przy użyciu sztucznej inteligencji. Zajmuje się łańcuchem CAD/CAM i cyfrowymi bliźniakami w celu testowania wizualizacji, weryfikacji i optymalizacji w produkcji, robotyce i infrastrukturze energetycznej.

Przeglądaj publikacje

Co by było, gdybyśmy mogli zaprojektować, przetestować i ulepszyć automatyzację, produkcję i infrastrukturę energetyczną, zanim jeszcze zostaną zbudowane?

Tradycyjne cykle inżynieryjne w dużej mierze opierają się na fizycznym prototypowaniu, co prowadzi do kosztownych iteracji, wydłużonego czasu wprowadzania na rynek i nieprzewidzianych wąskich gardeł operacyjnych. Nowoczesna inżynieria przemysłowa wymaga przejścia poza statyczne modele CAD w kierunku dynamicznych środowisk symulacyjnych w wielu domenach. Łącząc wydajne obliczenia, telemetrię w czasie rzeczywistym i wizualizację przestrzenną, złożone architektury przemysłowe mogą być rygorystycznie sprawdzane w całym cyklu życia przed fizycznym uruchomieniem.

Liczy się symulacja, cyfrowe bliźniaki i przemysłowe możliwości metaverse dla szybszej, bezpieczniejszej i bardziej zrównoważonej inżynierii.

Podzielony obraz przedstawiający kolorowy abstrakcyjny spiralny projekt 3D i kobietę noszącą zestaw słuchawkowy VR i trzymającą kontrolery ruchu

Badacz siedzący przy biurku, starannie pracujący nad laptopem

Projektowanie i symulacja systemu obejmuje modelowanie geometryczne, mechaniczne i funkcjonalne (CAD/CAM) z procesami pracy ulepszonymi sztuczną inteligencją i projektowaniem generatywnym. Obejmuje projektowanie produkcji, wirtualne uruchomienie, a także (wiele) fizykę, system, czas rzeczywisty i współsymulację. Badamy również symulację do treningu fizycznej sztucznej inteligencji i generowania danych syntetycznych.

Nasze badania dotyczą walidacji, weryfikacji, współpracy projektowej, wizualizacji AR/VR oraz zarządzania cyklem życia/cyfrowym bliźniakiem. Dodatkowo obejmuje inżynierię automatyki, modelowanie elektryczne i projektowanie rozproszonych systemów energii z wykorzystaniem symulacji multimodalnej, modelowania niepewności, optymalizacji techniczno-ekonomicznej i agentycznych przepływów pracy.

Do tego Podstawowa technologia firmy, badamy aplikacje, które obejmują ulepszanie narzędzi projektowania, symulacji i PLM wraz z symulacją, danymi, modelami i cyfrowymi platformami zarządzania bliźniaczami. Kluczowe obszary obejmują wizualizację, współpracę (np. Digital Twin Composer), zautomatyzowane tworzenie treści 3D i narzędzia do zrównoważonego rozwoju w zakresie śladu węglowego produktu, analizę obiegu i cyklu życia z cyfrowym bliźniakiem.

Dalsze tematy to ulepszone symulacje projektowania produktów i produkcji, wirtualne uruchomienie, szkolenie z modelu fundamentów CAD/CAM, projektowanie multimodalnych systemów energetycznych i rozwój zasobów dla systemów energetycznych. Wreszcie, nasze badania dotyczą bliźniaków cyklu życia i energii, aspektów cyrkularności produkcji, synchronizacji z rzeczywistymi systemami przemysłowymi i inżynierii autonomicznej.

Publikacje

Poznaj nasze polecane artykuły

SceneGenAgent: Precyzyjne generowanie scen przemysłowych z agentem kodującym

Opublikowano w: 2025 Materiały z 63. dorocznego spotkania Stowarzyszenia Lingwistyki Komputerowej (tom 1: Długie artykuły), strony 17847—17875, Wiedeń, Austria
Xiao Xia, Dan Zhang, Zibo Liao, Zhenyu Hou, Tianrui Sun, Jing Li, Ling Fu, Yuxiao Dong

Generowanie scen przemysłowych 3D za pomocą LLM jest wyzwaniem ze względu na surowe wymagania dotyczące precyzyjnych pomiarów i planowania przestrzennego. Aby rozwiązać ten problem, autorzy wprowadzają SceneGenAgent, agenta LLM, który generuje sceny przemysłowe za pomocą kodu C #. Wykorzystuje ustrukturyzowane planowanie układu, weryfikację i iteracyjne udoskonalanie, aby zaspokoić dokładne potrzeby ilościowe, zwiększając wskaźniki sukcesu LLM do 81,0%. Ponadto autorzy publikują SceneInstruct, zestaw danych do dostrajania LLM typu open source, takich jak Llama3.1-70B, aby podejść do wydajności GPT-4o w ramach. Kod i dane są publicznie dostępne.
Zobacz na stronie wydawcy

SiPhyR: kompleksowa platforma optymalizacji oparta na uczeniu się do dynamicznej rekonfiguracji siatki

Opublikowano w: IEEE Transactions on Smart Grid (Tom: 16, Wydanie: 2, marzec 2025)
Rabab Haider, Anuradha Annaswamy, Biswadip Dey, Amit Chakraborty

Rosnące źródła energii odnawialnej, magazynowanie i pojazdy elektryczne wymagają szybszych paradygmatów decyzyjnych dotyczących sieci dystrybucyjnych. W artykule zaproponowano SiPhyR, system uczenia maszynowego opartego na fizyce do kompleksowej optymalizacji rekonfiguracji siatki opartej na uczeniu się od końca do końca. SiPhyR optymalizuje topologię i przepływy mocy w celu zmniejszenia strat linii, poprawy profili napięcia i zwiększenia integracji odnawialnej. Aby obsługiwać twarde binarne zmienne decyzyjne NP, wykorzystuje metodę zaokrąglania opartej na fizyce w ramach różnicowalnych. Pozwala to SiPhyR na jednoczesną optymalizację topologii siatki i wysyłki przy jednoczesnym spełnianiu krytycznych ograniczeń bezpieczeństwa, jak pokazano na trzech kanonicznych siatkach.
Zobacz na stronie wydawcy

Wykorzystanie elastyczności prosumenckich w celu zmniejszenia przeciążenia sieci w przyszłych sieciach dystrybucyjnych

Opublikowano w: Energies 2024
Tomaselli D., Most D. i in.

Rosnące zastosowanie systemów fotowoltaicznych (fotowoltaicznych) za licznikiem (BTM), pojazdów elektrycznych (EV) i pomp ciepła powoduje przeciążenie sieci dystrybucyjnej. W niniejszym artykule oceniono elastyczność BTM przy użyciu nowatorskiej struktury, która łączy optymalny przepływ mocy w horyzoncie toczącym się z częściowo liniową funkcją kosztów, aby rozwiązać ten problem bez kosztownych ulepszeń. Podczas testowania na modelu sieci Schutterwald w Niemczech wyniki wykazały, że przechowywanie BTM z własnym zużyciem rozwiązało wszystkie naruszenia dotyczące zasilania, ale tylko 35% naruszeń obciążenia. Jednak proaktywne kontrolowanie ładowania i rozładowywania pamięci masowej skutecznie rozwiązuje pozostałe naruszenia obciążenia, nawet w prawie nasyconych sieciach.
Zobacz na stronie wydawcy

Nerwowe równania różniczkowe ze zintegrowaną kontrolą do modelowania procesów chemicznych

Opublikowano w: 2025 IEEE 32th International Conference on High Performance Computing, Data and Analytics Workshop (HiPCW)
Sumeet Rodiya, Ved Vartak, Kunal Bahuguna, Subhajit Sanfui, Ramsatish Kaluri

Nerwowe równania różniczkowe są potężne w symulacji procesów chemicznych, ale ich zastosowanie w kontrolowanych procesach chemicznych pozostaje stosunkowo niezbadane. W tym artykule oceniono neuronowe równania różniczkowe zwykłe (NOde) i neuronowo kontrolowane równania różniczkowe (NCDE) do modelowania wsadowego systemu bioreaktorów z jawną integracją sterowania. Autorzy opracowują zmodyfikowany framework NODE zawierający wejścia kontrolne i badają NCDE, które zawierają ciągłe ścieżki sterowania za pomocą interpolacji splajnu. Wdrożone w Diffrax w celu wydajnego przyspieszania GPU, frameworki pokazują, że NCDE osiągają doskonałą dokładność predykcyjną, podczas gdy NODE oferują szybsze czasy training.
Zobacz na stronie wydawcy

Struktura wieloagentowa wykorzystująca wykresy wiedzy dla modeli wirtualnych uruchomień

Opublikowano w: AUTOMATYKA 2026, Innovation trifft Apwendung (s. 144-152). VDE
Max Diekmann; Jonas Nitzler; Jan Fischer; Hans-Jürgen Pfisterer; Dirk Hartmann

Wirtualne modele uruchomienia (vCM) sprawdzają dyskretne systemy produkcyjne przed wdrożeniem, ale ich budowa jest pracochłonna ze względu na fragmentację danych między narzędziami, takimi jak Siemens TIA Portal i NX MCD. Aby rozwiązać ten problem, autorzy proponują ramy wieloagentowe oparte na wykresie wiedzy. Narzędzia deterministyczne wyodrębniają i łączą dane PLC i kinematyczne w ujednoliconą bazę danych wykresów. Hierarchiczna architektura agenta pomaga następnie w zrozumieniu systemu, generowaniu komponentów opartym na skryptach i mapowaniu sygnałów międzydomenowych. Testowane na warunkach produkcyjnych na skalę laboratoryjną, podejście to zmniejsza wysiłek ręcznej interpretacji i usprawnia wczesną inżynierię VCM.
Zobacz na stronie wydawcy