Month: January 2023

Tekanan terus berlanjut, dan para insinyur desain di raksasa kedirgantaraan Amerika membutuhkan pendekatan baru untuk mengembangkan produk. Sementara pendekatan tradisional — desain, bangun, uji, dan ulangi — telah memenangkan serangkaian kesuksesan yang panjang, waktu telah berubah. Memang, seluruh perusahaan mereka berada di tengah-tengah transformasi digital di seluruh perusahaan untuk menanggapi realitas baru: produk harus sampai ke pasar lebih cepat. Dengan latar belakang ini, tim insinyur memutuskan untuk menggunakan simulasi untuk mencapai pendekatan yang lebih ramping: membuat model, menganalisis, lalu membangun dengan Ansys Indonesia. Salah satu elemen penting dari pendekatan baru ini adalah rekayasa misi digital — dipelopori oleh AGI, sekarang Inisiatif Pemerintah Ansys Indonesia. Rekayasa misi digital adalah penggunaan pemodelan digital, simulasi berbasis fisika, dan analisis untuk menggabungkan lingkungan operasional dan mengevaluasi hasil dan efektivitas misi pada setiap fase siklus hidup. Dengan kata lain, Anda mensimulasikan produk Anda dalam model digital dari kondisi yang harus dijalankannya dan mengevaluasi seberapa baik kinerjanya. Mission (Digitally) Accomplished Bagaimana rekayasa misi digital membantu proyek tim ini? Tim perlu mengoptimalkan gerbang komunikasi udara, untuk digunakan oleh berbagai prajurit. Gerbang ini akan terdiri dari radio dan antena — beberapa di bawah sayap, yang lain di badan pesawat — ditambah tautan data dan sistem suara. Tantangannya signifikan, dimulai dengan jutaan kombinasi saluran untuk dianalisis dan dipecahkan. Yang memperumit analisis ini adalah faktor lingkungan seperti interferensi co-site dari pemancar dan antena yang berbagi ruang terbatas. Dan, di luar potensi gateway untuk menghalangi dirinya sendiri, seluruh spektrum elektromagnetik (EM) adalah domain yang semakin padat dan diperebutkan. Menerapkan rekayasa misi digital menggunakan Ansys Indonesia, tim mensimulasikan gateway dengan melakukan berbagai misi yang diharapkan dalam model lingkungan operasinya. Mereka menganalisis data dari simulasi ini untuk memahami interferensi pada gateway, mengalokasikan saluran yang akan digunakan secara efektif, dan menentukan penempatan dan pola antena. Karena pengujian ini disimulasikan, siklus penyesuaian dan evaluasi ulang hanya menunggu data baru — bukan prototipe baru. Hasil? Para insinyur mencapai tujuan mereka dalam waktu sekitar setengah dari waktu yang biasanya dibutuhkan. Mari kita lihat lebih dekat bagaimana mereka melakukannya. Prosesnya dimulai dengan merancang model misi dalam Ansys Systems Tool Kit (STK) yang mewakili lingkungan operasional gateway — apa yang perlu dilakukan, tetapi juga di mana dan kapan. Ini memungkinkan mereka mengevaluasi desain mereka untuk memahami bagaimana variabel dunia nyata dapat memengaruhi mereka, dan mengapa, sejak awal. Langkah selanjutnya adalah mengintegrasikan Ansys Indonesia HFSS (3D, simulasi frekuensi tinggi) dengan STK untuk menentukan link budget, yang mengukur total daya yang dipancarkan dalam sistem radio, termasuk semua keuntungan dan kerugian. Sekarang tim dapat menggunakan gudang alat simulasinya untuk mengoptimalkan desain gateway, sambil mendapatkan wawasan penting tentang bagaimana setiap perubahan akan memengaruhi kesuksesan misi hanya dengan beberapa klik. Berikut adalah beberapa cara mereka menerapkan solusi simulasi dan model misi mereka terhadap tantangan yang mereka hadapi: Mengimpor file geometri desain berbantuan komputer (CAD) pesawat yang akan menjadi tuan rumah gateway ke HFSS untuk membuat desain antena nominal, memahami respons listrik yang terpasang di berbagai lokasi, dan kemudian memilih titik dan pola yang tepat untuk antena. Mengekspor informasi dari HFSS ke Ansys Emit, yang memprediksi interferensi dalam sistem kompleks yang terdiri dari beberapa emitor yang beroperasi secara bersamaan. Hasil analisis ini menunjukkan saluran atau radio mana yang memiliki efek merusak pada avionik atau sistem dan layanan lainnya. Mengurangi interferensi co-site dengan memfilter dan menggunakan perencanaan frekuensi untuk merealokasi saluran dan antena, kemudian menerapkan perubahan pada analisis di HFSS. Mengimpor respons antena saat terpasang, dan pemilihan saluran bersih, ke STK. Hal ini memungkinkan para insinyur untuk memvisualisasikan efek dari semua komponen di seluruh gerbang saat mereka mensimulasikan berbagai manuver dan rute. Sebagai contoh rekayasa misi digital di ruang angkasa, Ansys STK memungkinkan Anda merancang arsitektur, misi, dan pesawat ruang angkasa, sambil menentukan persyaratan untuk muatan, komunikasi, dan infrastruktur darat. Lebih Cepat, Lebih Cerdas, Lebih Baik Melalui rekayasa misi digital, tim teknik dapat dengan cepat memahami kinerja gateway mereka dan mengidentifikasi persyaratan baru, tanpa pengujian fisik. Iterasi pemodelan dan analisis yang cepat secara dramatis mempercepat garis waktu proyek dan memungkinkan tim untuk menghasilkan bangunan pertama yang mendekati siap produksi daripada yang dapat dicapai oleh pendekatan lama. Di dunia di mana waktu ke pasar merupakan pembeda yang krusial, rekayasa misi digital memberikan keuntungan yang tak tertandingi. The Meaning of Mission Salah satu hal yang lebih sulit untuk dihadapi adalah pertanyaan sederhana, yang Anda anggap sudah tahu jawabannya sampai Anda menanyakannya: Apa yang kami maksud ketika kami mengatakan “misi”? Alasannya tidak sesederhana itu adalah karena orang menggunakan kata misi dalam banyak cara. Jadi, apa yang kita maksud ketika kita berbicara tentang misi dalam hal rekayasa misi digital? Mari kita uraikan. Sebuah misi adalah: Hal-hal yang seharusnya dapat dilakukan oleh produk, sistem, atau platform Lingkungan tempat ia harus melakukannya — termasuk kekuatan alam dan aktivitas persaingan atau permusuhan Apa saja contoh misi semacam ini? Paling sederhana, Anda mungkin mengatakan bahwa sendok seharusnya memungkinkan Anda makan sup, dan semangkuk sup akan menjadi lingkungan operasionalnya. Atau pertimbangkan pompa panas untuk rumah Anda, yang harus dapat memanaskan dan mendinginkannya. Lingkungan pompa panas mencakup banyak faktor, mulai dari cuaca di luar rumah hingga aliran udara di dalamnya. Sebuah misi juga dapat memiliki kondisi, seperti mobil yang harus dapat dengan aman mengangkut empat hingga enam penumpang manusia dan sejumlah kargo dengan rata-rata efisiensi bahan bakar tertentu, dan seterusnya. Jika Anda pernah mengendarai mobil, maka Anda sudah sangat paham dengan betapa dinamisnya lingkungan itu, dan bagaimana faktor dinamis tersebut dapat memengaruhi kondisi misi mobil dengan cara yang berbeda. Terakhir, pertimbangkan radar yang mendeteksi pesawat terbang, yang mungkin tidak diinginkan orang lain. Ada peluang bagus bahwa lingkungannya mencakup aktivitas persaingan atau permusuhan — misalnya, pesawat terbang yang mencoba menghentikannya. Jadi, sementara definisi misi dapat disuling secara sederhana, ekspresi penuh dari misi tertentu dapat beraneka segi dan rumit. Dan seperti yang bisa Anda bayangkan, semakin kompleks misinya, semakin besar keuntungan yang Anda peroleh dari rekayasa misi digital. Diversifying Missions Rekayasa misi digital pertama kali diterapkan di industri kedirgantaraan, dan penggunaannya di sana terus menyebar. Pada saat yang sama, Ansys — dan pelanggan kami — membuktikan bahwa pendekatan yang sama dapat berhasil diterapkan pada beragam rangkaian sistem…

Insinyur semakin banyak menggunakan kecerdasan buatan (AI) untuk mengotomatiskan proses dan membuat keputusan lebih cepat dan lebih efektif daripada yang bisa dilakukan manusia. Namun, meskipun para insinyur ahli dalam bidang spesialisasi mereka, kebanyakan dari mereka bukanlah ilmuwan data. Dan mereka tidak punya waktu untuk mempelajari ilmu data dan menulis kode kompleks yang dibutuhkan modul AI. Microsoft Project Bonsai membantu para insinyur membuat otomatisasi bertenaga AI tanpa menggunakan ilmu data dengan menghubungkan modul perangkat lunak secara grafis yang telah diprogram untuk menjalankan fungsi AI tertentu. Satu set lengkap fungsi terhubung yang dapat melakukan tugas disebut “otak”. Otak adalah modul perangkat lunak portabel mandiri yang dapat digunakan sebagai bagian dari loop terbuka untuk memberi saran kepada operator manusia tentang keputusan terbaik yang harus diambil, atau dapat menggantikan manusia, membuat keputusan dan melaksanakannya sendiri saat dikonfigurasi dalam keadaan tertutup. -modus loop. Microsoft bekerja sama dengan perangkat lunak Ansys Twin Builder / Ansys Indonesia untuk membuat peralatan atau proses kembar digital yang akan diotomatisasi menggunakan AI. Kembar digital dapat menghasilkan data dalam jumlah besar yang diperlukan untuk melatih otak AI jauh lebih cepat dan dengan biaya lebih rendah daripada menggunakan mesin fisik untuk pembuatan data. Machine Teaching vs. Machine Learning Saat proses otomatis menjadi lebih kompleks, metode pelatihan otak AI juga berubah. Ketika tujuannya hanyalah pengenalan gambar atau teks, membanjiri otak AI dengan banyak data berlabel sehingga dapat memilih pola yang berfungsi dengan baik. Ini adalah dasar dari pembelajaran mesin (ML). Namun ketika AI diandalkan untuk mengontrol proses multilangkah yang kompleks dalam skala industri, ML tidak seefektif itu. Variasi input dari berbagai sensor dari berbagai jenis hanya membuat otak kewalahan. Jadi, para insinyur Microsoft mengembangkan konsep pengajaran mesin (MT), yang lebih mengandalkan pendekatan manusia untuk belajar. Sama seperti seorang guru matematika yang tidak mulai mencoba untuk mengajar siswa muda kalkulus sebelum mereka menguasai konsep aritmatika, para insinyur tidak dapat mengharapkan otak AI untuk memahami cara kerja turbin listrik sebelum mempelajari tentang rotasi. “Bayangkan Anda memulai dengan masalah tersulit di mana peluang untuk menemukan solusinya hampir nol,” kata Cyrill Glockner, manajer program utama di Microsoft. “Otak AI tidak akan pernah menemukan cara untuk melakukan itu. Tapi perlahan-lahan dapat bekerja dengan mengikuti kombinasi eksploitasi dan eksplorasi, mengambil keuntungan dari apa yang telah dipelajari dan melihat ke seluruh lingkungan data untuk memastikan bahwa ia menemukan solusi optimal untuk masalah tersebut. Dalam praktiknya, pakar manusia pertama-tama memecah proses menjadi tugas-tugas yang lebih kecil. Mereka kemudian memberi otak AI beberapa masalah sederhana sehingga dapat mulai mempelajari cara menggunakan algoritme untuk menyelesaikan tantangan mudah ini. Kemudian mereka menggabungkan tugas-tugas kecil yang telah dilihat otak menjadi tugas-tugas yang lebih besar hingga secara otomatis dapat mengontrol sistem yang besar dan kompleks. “Kami pada dasarnya mengurangi ruang matematis yang harus dilihat oleh otak AI dengan membatasinya pada parameter dan rentang tertentu,” kata Glockner. “Kemudian kami meningkatkan jangkauan dari waktu ke waktu. Otak hanya harus berurusan dengan delta baru dan sudah memiliki beberapa metode yang ditemukan sebelumnya, rentang yang lebih kecil yang dapat diterapkan pada yang lebih besar juga. The Role of Digital Twins Sementara, seperti yang dijelaskan di atas, penting saat pertama kali melatih otak menggunakan MT untuk memulai dengan tugas-tugas kecil dan jumlah data yang terbatas, setelah otak terlatih dengan baik, otak membutuhkan data dalam jumlah besar untuk mengoptimalkan operasinya sepenuhnya. Biasanya, ini melibatkan pembuatan data dalam jumlah besar dengan menjalankan proses fisik berulang kali. Data ini kemudian dapat dimasukkan ke dalam otak untuk menyempurnakan operasinya pada mesin lengkap atau proses yang dirancang untuk diotomatisasi. Tetapi menghasilkan begitu banyak data dari proses fisik memakan waktu dan mahal. Juga, jika suatu kondisi terjadi hanya sekali setiap triliun kali — sebuah “kasus sudut” — dan tidak ditemui selama latihan berjalan, otak tidak akan pernah melihatnya sebelumnya dan tidak akan tahu bagaimana bereaksi jika situasi tersebut terjadi kemudian. Bekerja dengan Ansys Twin Builder / Ansys indonesia, Microsoft Project Bonsai mengatasi keterbatasan ini dengan menjalankan ratusan model virtual mesin atau aplikasi secara bersamaan dan memasukkan data yang dihasilkan oleh kembar digital ini langsung ke otak untuk mengoptimalkannya. Menggunakan sejumlah besar model virtual daripada model fisik yang lebih sedikit mengurangi waktu dan biaya untuk melatih otak. Ini juga memungkinkan para insinyur untuk memperkenalkan kasus sudut di lingkungan virtual, yang mungkin berpotensi berbahaya atau merusak mesin fisik, sehingga otak telah melihat semua kemungkinan skenario sebelum dioperasikan. From Digital Twin to Machine Learning: How it Works Insinyur memulai dengan menggunakan Twin Builder untuk membuat model level sistem multifisika dengan menggabungkan teknik pemodelan yang berbeda seperti pemodelan 0D/1D dan model urutan rendah (ROM) dari hasil simulasi fidelitas yang lebih tinggi. Model fidelitas yang lebih tinggi ini memberikan akurasi simulasi terbesar tetapi juga membutuhkan waktu lama dan banyak sumber daya komputasi untuk dijalankan. ROM adalah model yang lebih kecil dan kurang intensif secara komputasi daripada aslinya, tetapi berjalan lebih cepat sambil mengorbankan sangat sedikit dalam hal keakuratan fisika yang terlibat dalam simulasi. Twin Builder memodelkan keseluruhan sistem menggunakan pustaka komponen (pompa, katup, aktuator, sensor, dll.) dan ROM untuk komponen yang memerlukan prediksi akurat yang biasanya tidak dapat dicapai dengan pemodelan 0D/1D (misalnya prediksi bidang lengkap dari variabel fisik), yang memungkinkan pengoptimalan dan validasi pilihan komponen dengan respons sistem. Model kembar digital berbasis fisika dapat lebih ditingkatkan dengan menggabungkan pengetahuan yang berasal dari data aset, misalnya untuk kalibrasi atau augmentasi model, yang mengarah ke kembar digital hibrida.   Model akhir dapat diekspor dan diterapkan dalam bentuk modul Twin Runtime. “Kami dapat langsung mengintegrasikan Twin Runtimes ke dalam Microsoft Bonsai,” kata Christophe Petre, spesialis produk manajer untuk kembar digital di Ansys. “Twin Runtimes hadir dengan API yang sangat sederhana, yang dapat digunakan dalam berbagai bahasa pemrograman seperti aplikasi Python, yang memberi tahu pengguna cara memanipulasi kembaran digital dengan mentransmisikan input, mensimulasikan model, dan mengambil output secara mulus.” Setelah API terintegrasi dengan Bonsai, para insinyur dapat menentukan apakah perubahan virtual pada kondisi pengoperasian apa pun meningkatkan perilaku peralatan atau proses yang ingin mereka kendalikan. Mereka juga dapat mengakses informasi baru, seperti data sensor virtual (sesuatu yang tidak dapat Anda ukur secara fisik tetapi dapat diprediksi dengan model); mengeksplorasi skenario “bagaimana jika”; atau jalankan…