Företagets kärnteknologier

Systemdesign och simulering

Detta forskningsområde fokuserar på system- och komponentmodellering, design och multifysiksimulering med hjälp av AI. Den adresserar CAD/CAM-kedjan och digitala tvillingar för visualiseringstestning, verifiering och optimering inom tillverkning, robotik och energiinfrastruktur.

Utforska publikationer

Tänk om vi kunde designa, testa och förbättra automatiserings-, tillverknings- och energiinfrastruktur innan de ens byggdes?

Traditionella konstruktionscykler är starkt beroende av fysisk prototypning, vilket leder till kostsamma iterationer, längre tid till marknaden och oförutsedda operativa flaskhalsar. Modern industriell teknik kräver att man går bortom statiska CAD-modeller mot dynamiska simuleringsmiljöer med flera domäner. Genom att kombinera högpresterande databehandling, realtidstelemetri och rumslig visualisering kan komplexa industriella arkitekturer noggrant valideras under hela livscykeln innan den tas i drift.

Det som är viktigt är simulering, digitala tvillingar och industriella metaversfunktioner för snabbare, säkrare och mer hållbar teknik.

En delad bild som visar en färgstark abstrakt 3D-spiraldesign och en kvinna som bär ett VR-headset och håller rörelsekontroller

En forskare som sitter vid ett skrivbord och arbetar eftertänksamt på en bärbar dator

Systemdesign och simulering täcker geometrisk, mekanik och funktionell modellering (CAD/CAM) med AI-förbättrade arbetsflöden och generativ design. Det inkluderar produktionsdesign, virtuell driftsättning, samt (multi-) fysik, system, realtid och samsimulering. Vi forskar också på simulering för träning av fysisk AI och syntetisk datagenerering.

Vår forskning handlar om validering, verifiering, designsamarbete, AR/VR-visualisering och livscykel/digital tvillinghantering. Dessutom omfattar det automatiseringsteknik, elektrisk modellering och design av distribuerade energisystem med multimodal simulering, osäkerhetsmodellering, teknoekonomisk optimering och agentiska arbetsflöden.

För detta Företagets kärnteknik, vi undersöker applikationer som täcker förbättring av design, simulering och PLM-verktyg tillsammans med simulering, data, modell och digitala tvillinghanteringsplattformar. Viktiga områden inkluderar visualisering, samarbete (t.ex. Digital Twin Composer), automatiserat 3D-innehållsskapande och hållbarhetsverktyg för produktens koldioxidavtryck, cirkularitet och livscykelanalys med en digital tvilling.

Ytterligare ämnen är simuleringsförbättrad produkt- och produktionsdesign, virtuell driftsättning, CAD/CAM-grundmodellutbildning, multimodal energisystemdesign och tillgångsutveckling för energisystem. Slutligen behandlar vår forskning livscykel- och energitvillingar, cirkularitetsaspekter av tillverkning, synkronisering med verkliga industriella system och autonom teknik.

Publikationer

Utforska våra utvalda artiklar

SceneGenAgent: Exakt industriell scengenerering med kodningsagent

Publicerad i: 2025 Förhandlingar från det 63: e årsmötet för Association for Computational Linguistics (Volym 1: Long Papers), sidorna 17847—17875, Wien, Österrike
Xiao Xia, Dan Zhang, Zibo Liao, Zhenyu Hou, Tianrui Sun, Jing Li, Ling Fu, Yuxiao Dong

Att skapa 3D-industriscener med LLM är utmanande på grund av strikta krav på exakta mätningar och fysisk planering. För att lösa detta introducerar författarna SceneGenAgent, en LLM-agent som genererar industriella scener via C # -kod. Den använder strukturerad layoutplanering, verifiering och iterativ förfining för att tillgodose exakta kvantitativa behov, vilket ökar LLM-framgångsgraden upp till 81,0%. Dessutom släpper författarna SceneInstruct, en datauppsättning för att finjustera LLM med öppen källkod som Llama3.1-70B för att närma sig GPT-4o-prestanda inom ramen. Kod och data är allmänt tillgängliga.
Visa på förlagets sida

SipHyr: Ett heltäckande inlärningsbaserat optimeringsramverk för dynamisk rutnätsrekonfiguration

Publicerad i: IEEE-transaktioner på Smart Grid (Volym: 16, Utgåva: 2, Mars 2025)
Rabab Haider, Anuradha Annaswamy, Biswadip Dey, Amit Chakraborty

Ökande förnybar energi, lagring och elfordon kräver snabbare beslutsfattande paradigmer för distributionsnät. Denna uppsats föreslår SIPHyr, ett fysikinformerat maskininlärningsramverk för end-to-end-inlärningsbaserad optimering av rutnätskonfiguration. SiphYR optimerar topologi och kraftflöden för att minska ledningsförluster, förbättra spänningsprofiler och öka förnybar integration. För att hantera NP-hårda binära beslutsvariabler använder den en fysikinformerad avrundningsmetod inom en differentierbar ram. Detta gör det möjligt för SipHyr att samtidigt optimera nättopologi och sändning samtidigt som säkerhetskritiska begränsningar uppfylls, vilket visas på tre kanoniska rutnät.
Visa på förlagets sida

Utnyttja kundernas flexibilitet för att minska överbelastning i elnätet i framtida eldistributionsnät

Publicerad i: Energier 2024
Tomaselli D., Most D., m.fl.

Den ökande användningen av fotovoltaiska system bakom mätare (BTM), elfordon (EV) och värmepumpar orsakar överbelastning i distributionsnätet. Denna uppsats utvärderar BTM-flexibilitet med hjälp av ett nytt ramverk som kombinerar ett rullande horisont optimalt kraftflöde med en bitvis linjär kostnadsfunktion för att lösa detta problem utan kostsamma uppgraderingar. När de testades på en nätmodell från Schutterwald, Tyskland, visade resultaten att BTM-lagring med egen förbrukning löste alla inmatningsöverträdelser men endast 35% av belastningsöverträdelserna. Men proaktiv kontroll av lagringsladdning och urladdning löser effektivt de återstående belastningsöverträdelserna, även i nästan mättade nät.
Visa på förlagets sida

Neurala differentialekvationer med integrerad styrning för kemisk processmodellering

Publicerad i: 2025 IEEE 32:a internationella konferensen om högpresterande databehandling, data och analys workshop (HiPCW)
Sumeet Rodiya, Vid Vartak, Kunal Bahuguna, Subhajit Sanfui, Ramsatish Kaluri

Neurala differentialekvationer är kraftfulla för kemisk processsimulering, men deras tillämpning på kontrollerade kemiska processer förblir relativt outforskad. Denna uppsats utvärderar neurala vanliga differentialekvationer (NODE) och neurala kontrollerade differentialekvationer (NCDE) för modellering av ett batchbioreaktorsystem med explicit kontrollintegration. Författarna utvecklar ett modifierat NODE-ramverk som innehåller kontrollingångar och studerar NCDE, som innehåller kontinuerliga kontrollvägar med spline-interpolering. Implementerat i Diffrax för effektiv GPU-acceleration visar ramverken att NCDE uppnår överlägsen prediktiv noggrannhet, medan NODES erbjuder snabbare träningstider.
Visa på förlagets sida

Ramverk för flera agenter som utnyttjar kunskapsgrafer för virtuella idrifttagningsmodeller

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

Virtuella driftsättningsmodeller (VCM) validerar diskreta tillverkningssystem före driftsättning, men att bygga dem är arbetskrävande på grund av fragmenterade data över verktyg som Siemens TIA Portal och NX MCD. För att ta itu med detta föreslår författarna ett kunskapsgrafbaserat ramverk för flera agenter. Deterministiska verktyg extraherar och sammanfogar PLC- och kinematiska data till en enhetlig grafdatabas. En hierarkisk agentarkitektur hjälper sedan till med systemförståelse, skriptbaserad komponentgenerering och signalkartläggning över domäner. Tillvägagångssättet har testats på en tillverkningsinstallation i laboratorieskala och minskar den manuella tolkningen och effektiviserar tidig VCM-teknik.
Visa på förlagets sida