Osnovne tehnologije kompanije

Dizajn i simulacija sistema

Ovo polje istraživanja fokusira se na modeliranje sistema i komponenti, dizajn i simulaciju multi-fizike pomoću AI. Bavi se CAD/CAM lancem i digitalnim blizancima za testiranje vizuelizacije, verifikaciju i optimizaciju u proizvodnji, robotici i energetskoj infrastrukturi.

Istražite publikacije

Šta ako bismo mogli da dizajniramo, testiramo i poboljšamo automatizaciju, proizvodnju i energetsku infrastrukturu pre nego što su uopšte izgrađene?

Tradicionalni inženjerski ciklusi se u velikoj meri oslanjaju na fizičko izradu prototipa, što dovodi do skupih iteracija, produženog vremena za stavljanje na tržište i nepredviđenih operativnih uskih grla. Savremeni industrijski inženjering zahteva prelazak izvan statičkih CAD modela ka dinamičkim okruženjima za simulaciju sa više domena. Kombinovanjem računarstva visokih performansi, telemetrije u realnom vremenu i prostorne vizualizacije, složene industrijske arhitekture mogu se rigorozno potvrditi tokom celog njihovog životnog ciklusa pre fizičkog puštanja u rad.

Ono što je važno su simulacija, digitalni blizanci i mogućnosti industrijskog metaverzuma za brži, sigurniji i održiviji inženjering.

Podeljena slika koja prikazuje šareni apstraktni 3D spiralni dizajn i ženu koja nosi VR slušalice i drži kontrolere pokreta

Istraživač koji sedi za stolom, promišljeno radi na laptopu

Dizajn i simulacija sistema pokrivaju geometrijsko, mehaničko i funkcionalno modeliranje (CAD/CAM) sa tokovima rada poboljšanim AI i generativnim dizajnom. Uključuje dizajn proizvodnje, virtuelno puštanje u rad, kao i (više) fiziku, sistem, realno vreme i ko-simulaciju. Takođe istražujemo simulaciju za obuku fizičke AI i sintetičke generisanje podataka.

Naše istraživanje se bavi validacijom, verifikacijom, saradnjom u dizajnu, AR/VR vizualizacijom i upravljanjem životnim ciklusom/digitalnim blizancima. Pored toga, obuhvata inženjering automatizacije, električno modeliranje i dizajn distribuiranih energetskih sistema koristeći multimodalnu simulaciju, modeliranje nesigurnosti, tehno-ekonomsku optimizaciju i agentičke tokove rada.

Za ovo Osnovna tehnologija kompanije, istražujemo aplikacije koje pokrivaju poboljšanje dizajna, simulacije i PLM alata zajedno sa simulacijama, podacima, modelima i digitalnim platformama za upravljanje blizancima. Ključne oblasti uključuju vizuelizaciju, saradnju (npr. Digital Twin Composer), automatizovano kreiranje 3D sadržaja i alate za održivost za ugljenični otisak proizvoda, cirkularnost i analizu životnog ciklusa sa digitalnim blizancem.

Dalje teme su dizajn proizvoda i proizvodnje poboljšan simulacijom, virtuelno puštanje u rad, training CAD/CAM modela temelja, dizajn multimodalnog energetskog sistema i razvoj imovine za energetske sisteme. Konačno, naše istraživanje se bavi životnim ciklusom i energetskim blizancima, kružnim aspektima proizvodnje, sinhronizacijom sa stvarnim industrijskim sistemima i autonomnim inženjeringom.

Publikacije

Istražite naše istaknute radove

SceneGenAgent: Precizno generisanje industrijske scene sa sredstvom za kodiranje

Objavljeno u: 2025. Zbornik radova sa 63. godišnjeg sastanka Udruženja za računarsku lingvistiku (tom 1: Dugi radovi), stranice 17847—17875, Beč, Austrija
Ksiao Ksia, Dan Zhang, Zibo Liao, Zheniu Hou, Tianrui Sun, Jing Li, Ling Fu, Iukiao Dong

Generisanje 3D industrijskih scena pomoću LLM-ova izazov je zbog strogih zahteva za precizna merenja i prostorno planiranje. Da bi ovo rešili, autori predstavljaju SceneGenAgent, LLM agent koji generiše industrijske scene putem C # koda. Koristi strukturirano planiranje izgleda, verifikaciju i iterativno usavršavanje kako bi zadovoljio tačne kvantitativne potrebe, povećavajući stope uspeha LLM-a do 81.0%. Pored toga, autori objavljuju SceneInstruct, skup podataka za fino podešavanje LLM-ova otvorenog koda poput Llama3.1-70B kako bi pristupili performansama GPT-4o u okviru. Kod i podaci su javno dostupni.
Pogledajte na stranici izdavača

SiPhIR: Okvir optimizacije zasnovan na učenju od kraja do kraja za dinamičku rekonfiguraciju mreže

Objavljeno u: IEEE transakcije na pametnoj mreži (tom: 16, izdanje: 2, mart 2025)
Rabab Haider, Anuradha Annasvami, Bisvadip Dei, Amit Chakraborti

Rastuća obnovljiva energija, skladištenje i električna vozila zahtevaju brže paradigme odlučivanja za distributivne mreže. Ovaj rad predlaže SiPhIR, okvir mašinskog učenja zasnovan na fizici za optimizaciju rekonfiguracije mreže zasnovanu na učenju od kraja do kraja. SiPhIR optimizuje topologiju i protoke snage kako bi smanjio gubitke linija, poboljšao profile napona i poboljšao obnovljivu integraciju. Za rukovanje NP-tvrdim binarnim promenljivim odlučivanja, koristi metodu zaokruživanja zasnovanu na fizici unutar diferencijalnog okvira. Ovo omogućava SiPhiR-u da istovremeno optimizuje topologiju mreže i otpremu uz zadovoljavanje sigurnosnih kritičnih ograničenja, kao što je prikazano na tri kanonske mreže.
Pogledajte na stranici izdavača

Korišćenje fleksibilnosti potrošača za ublažavanje zagušenja mreže u budućim distributivnim mrežama

Objavljeno u: Energije 2024
Tomaselli D., Most D., et al

Sve veće usvajanje fotonaponskih (PV) sistema iza brojila (BTM), električnih vozila (EV) i toplotnih pumpi uzrokuje zagušenje distributivne mreže. Ovaj rad procenjuje fleksibilnost BTM-a koristeći novi okvir koji kombinuje optimalni protok snage horizonta sa delom linearnih troškova za rešavanje ovog problema bez skupih nadogradnji. Kada su testirani na mrežnom modelu Schuttervalda u Nemačkoj, rezultati su pokazali da je BTM skladište za samostalnu potrošnju rešilo sva kršenja napajanja, ali samo 35% kršenja opterećenja. Međutim, proaktivno kontrolisanje punjenja i pražnjenja skladišta efikasno rešava preostale povrede opterećenja, čak i u gotovo zasićenim mrežama.
Pogledajte na stranici izdavača

Neuronske diferencijalne jednačine sa integrisanom kontrolom za modeliranje hemijskih procesa

Objavljeno u: 2025. IEEE 32. Međunarodna konferencija o računarstvu, podacima i analitici visokih performansi (HiPCV)
Sumeet Rodia, Ved Vartak, Kunal Bahuguna, Subhajit Sanfui, Ramsatish Kaluri

Neuronske diferencijalne jednačine su moćne za simulaciju hemijskih procesa, ali njihova primena na kontrolisane hemijske procese ostaje relativno neistražena. Ovaj rad procenjuje neuronske obične diferencijalne jednačine (NODs) i neuronsko kontrolisane diferencijalne jednačine (NCDE) za modeliranje serijskog sistema bioreaktora sa eksplicitnom kontrolnom integracijom. Autori razvijaju modifikovani NODE okvir koji sadrži kontrolne ulaze i proučavaju NCDE, koji uključuju kontinuirane kontrolne putanje koristeći interpolaciju spline. Implementirani u Diffraku za efikasno ubrzanje GPU-a, okviri pokazuju da NCDE postižu superiornu prediktivnu tačnost, dok NOD-ovi nude brže training treninga.
Pogledajte na stranici izdavača

Okvir sa više agenata koji koristi grafikone znanja za modele virtuelnog puštanja u rad

Objavljeno u: AUTOMATIZACIJA 2026, Primena inovacija (str. 144-152). VDE
Mak Diekmann; Jonas Nitzler; Jan Fischer; Hans-Juergen Pfisterer; Dirk Hartmann

Modeli virtuelnog puštanja u rad (VCM) potvrđuju diskretne proizvodne sisteme pre primene, ali njihova izgradnja je radno intenzivna zbog fragmentiranih podataka u alatima kao što su Siemens TIA Portal i NKS MCD. Da bi se pozabavili ovim, autori predlažu okvir sa više agenata zasnovan na grafikonu znanja. Deterministički alati izdvajaju i spajaju PLC i kinematičke podatke u jedinstvenu bazu podataka grafikona. Hijerarhijska arhitektura agenata zatim pomaže u razumevanju sistema, generisanju komponenti zasnovanih na skriptima i mapiranju signala u više domena. Testiran na laboratorijskim proizvodnim postavkama, pristup smanjuje napore ručnog tumačenja i pojednostavljuje rani VCM inženjering.
Pogledajte na stranici izdavača