內容提要：本文探討了在汽車開發和工程流程的早期階段整合 AI 和基于知識的工程方法的問題

摘要

由于復雜性的逐步增加，汽車行業受到不斷變化的趨勢影響，從推出更環保的產品和零部件，到在開發和工程流程中采用先進技術。在可持續汽車產品以及技術進步應用這兩方面，將人工智能（AI）方法與虛擬產品相結合，并融入汽車開發和工程流程至關重要。與基于知識的計算機輔助工程（CAx）相結合，AI 方法的融入為優化汽車開發流程帶來了巨大潛力。除了流程優化，多種 AI 方法的融合還考慮到可持續性（例如，優化零部件幾何形狀和材料、降低整個生命周期的排放、通過改進開發減少二氧化碳排放）和經濟因素（例如，在整個開發過程中節省資源、通過早期檢測錯誤節省時間和成本、避免不必要的流程步驟）。本文探討了在汽車開發和工程流程的早期階段整合 AI 和基于知識的工程方法的問題。此外，文章還指出了這一整合在減少時間、成本和資源方面的潛力，有助于產品更早進入市場，并推動行業向更綠色的方向發展。最后，本文基于選定的應用場景，展示了 AI 技術在工業開發和工程流程中的整合情況。

1. 引言

由于成本上升、競爭加劇、外部影響因素以及政治法規對可持續產品的要求，開發和工程流程必須更高效地進行設計和優化。實現效率提升所需的自動化程度的提高，對眾多行業的工程服務提供商和生產企業都產生了廣泛影響。本文重點關注汽車開發和工程流程，旨在通過整合適當的 AI 方法，開發出更先進、更可持續的產品。近年來，為應對汽車行業中與環境相關的各種因素，對可持續發展和生產方法的要求大幅提高。除了已知的減排要求（例如，歐盟將平均車隊二氧化碳排放量限制在 95 克 / 公里），未來產品在整個生命周期內的排放平衡將受到越來越多的關注。為改善這一排放平衡，必須采取一系列措施，包括但不限于進一步開發和優化開發流程。為實現更高效、優化且可持續的開發流程以及汽車產品的目標，本文從經濟和可持續性的角度，深入探討了將適當的 AI 方法整合到汽車工程流程中的情況，以及由此為改進汽車產品帶來的潛力。此外，本文還簡要介紹了汽車開發和生產的現有流程，以及汽車行業中使用的 AI 應用。

2. 技術現狀

2.1 汽車工程流程

汽車行業受到各種內部和外部邊界條件變化的影響，這使得汽車開發和生產流程必須不斷調整。特別是在開發流程領域，過去幾十年間，從繪圖板上的二維圖紙向結合優化方法（如同步工程和前期加載）的三維計算機輔助設計（CAD）模型在虛擬產品開發中的應用轉變，成為了一個變革性的因素。然而，如今這些方法在優化能力和資源節約潛力方面已達到極限。因此，在汽車開發流程中引入基于 AI 的技術是實現進一步優化的合理下一步。

圖1.汽車開發過程的各個階段，以白車身（BIW）為例

圖 1 展示了一個全面的汽車開發時間表以及不同的集成階段。根據相關研究，開發流程始于 “定義” 階段，在這個階段會闡述最初的想法和規格。開發流程的下一個階段是 “概念” 階段。在這個階段，利用已制定的規格創建待開發車輛的首個造型和布局草圖?！岸x” 和 “概念” 這兩個階段都得到了不同 CAx 方法的支持，如計算機輔助造型（CAS）、計算機輔助設計（CAD）、計算機輔助工程（CAE）等。最初的兩個階段之后是 “預開發” 和 “系列開發” 階段。在這兩個階段（主要的開發工作在此進行），多種 CAx 方法會更緊密地協作。基于已開發的規格以及造型和布局草圖，創建三維 CAD 模型。借助 CAE 和計算機輔助制造（CAM）方法，汽車產品的三維 CAD 模型會在多個模擬循環中進行細化和優化。圖 1 中的最后一個階段是 “預批量生產與投產” 階段，該階段以 “投產”（開始生產）這一里程碑啟動生產流程。由于在早期階段，即 “定義” 和 “概念” 階段，包含大量未知的內部和外部因素，變量和參數尚未明確界定，因此將 AI 方法整合到開發流程中具有巨大潛力（見圖 3）。除了早期階段的高優化潛力外，在這個階段檢測錯誤并將必要更改所需的工作量降至最低的潛力也最大（見圖 4）。

2.2 汽車行業中使用的人工智能方法

由于汽車行業及其他領域的技術不斷進步，已經有許多應用領域部分或完全依賴 AI 應用。特別是在需要處理大量數據的領域（例如自動駕駛領域），與傳統開發方法相比，AI 方法具有優勢。除了使用 AI 方法處理大量數據外，AI 還用于產品開發中的優化措施。根據相關研究，對 AI 方法的研究旨在加速耗時的 CAD - CAE 模擬循環，并對其進行獨立評估。與大多數基于 AI 的方法一樣，為此會使用一個包含現有模擬結果的數據庫。利用機器學習（ML）算法，AI 將根據現有的數字存儲專家知識對未來的模擬結果進行復雜評估，并對結果進行評估。預計這將幫助工程師更有效地優化產品，減少并加速典型的 CAD - CAx 流程循環。因此，這種方法旨在提高計算機輔助布局的有效性，不過，它針對的是車輛的單個組件和模塊，而非整體系統。

另一個例子是亞馬遜網絡服務（AWS）的 AI 應用。作為全球使用最廣泛的云平臺，AWS 提供 ML 應用以及一些基于深度學習（DL）的服務和產品。例如，用于圖像和視頻分類的 AI 算法被應用于亞馬遜識別、亞馬遜 Prime 照片和亞馬遜 Firefly 服務中。這些算法能夠依據大量的圖像或視頻數據進行自我調整，并從中識別特定的圖案（例如人臉識別）。另一個例子是亞馬遜 Alexa 基于 AI 的語音識別功能。在這里，DL 算法有助于不斷改進應用程序，使其即使在面對難以理解的語音輸入（例如發音錯誤、方言）時也能正確識別。如今，AWS 的 DL 算法可能最大的應用案例是在亞馬遜的在線購物系統中，該系統能夠為每位客戶推薦最合適的產品。

此外，根據相關研究，基于 AI 的研究工作將利用大量數據設計未來汽車車身的外形。這里的重點顯然是造型開發，而未涉及技術任務。根據相關研究，基于 AI 的方法支持開發任務，能夠為增材制造自動生成優化的工件。從包括功能需求、材料、制造工藝和其他約束條件在內的廣泛輸入數據中，生成各種復雜幾何形狀的可能解決方案。這些方案可以根據不同的規格（例如性能、重量）進行優化。

這些方法致力于支持單個（通常是復雜的）組件的開發。盡管這些各種各樣基于 AI 的應用并未考慮整車開發，但它們清楚地展示了將 AI 方法整合到汽車行業等復雜產品開發流程中的潛力。圖 2 展示了 AI 軟件系統在未來幾年的收入增長情況，以及由此推斷出的應用潛力。隨著這一趨勢的發展，從 2021 年到 2025 年，AI 軟件應用的收入將增長四倍。

圖2.2018-2025年全球人工智能軟件市場的收入（單位：十億美元）

3. 汽車行業中集成AI方法的潛力與局限

將 AI 方法集成到汽車開發流程中，在優化和加速現有流程步驟方面具有很大潛力。這在組件和最終產品的變量和參數仍存在高度不確定性的階段尤為重要。特別是對于需要與眾多不同客戶打交道的汽車工程供應商和系統供應商而言，這一潛力巨大。圖 3 展示了在汽車產品開發早期階段集成 AI 方法可能實現的節約潛力。對工業項目進行的初步研究表明，有望實現 15 - 25% 的資源和時間節約。汽車開發流程的早期階段定義為 “定義” 和 “概念” 階段。在圖 3 的考量中，“定義” 階段進一步細分為 “產品愿景” 和 “可行性” 兩個部分。

圖3.在早期產品開發階段使用人工智能應用程序的預期優化潛力

除了在汽車產品開發早期階段具有較高的時間和資源節約潛力外，在后續的 “預開發”、“系列開發” 和 “預批量生產與投產” 階段也存在不可忽視的潛力。據估計，這些階段的優化措施潛力約為 5%，例如可以通過支持 CAD - CAx 模擬循環或支持多個 CAx 環境之間的數據交換過程來實現。由于本文所介紹的方法僅限于汽車開發流程（以 “預批量生產與投產” 階段為終點），其他領域（例如 “生產”、“物流”、“售后”）未作詳細說明。

圖 4 展示了借助 AI 方法集成可實現的節約和優化潛力的特點。這里使用三條曲線來展示 CAx 和 AI 支持在項目持續時間內的一般影響，這有助于更早地檢測錯誤。虛線表示不使用 CAx 應用的產品開發選項。可以明顯看出，其對汽車開發流程的總體影響在開始時較高，但隨著項目進展大幅下降。虛線描繪了在 CAx 系統支持下的潛在影響。同樣可以明顯看出，在整個項目持續時間內，這種影響略有下降。項目進展得越深入，對重大改進的可能影響就越低。如果比較兩條曲線（有 AI 支持的連續曲線和有 CAx 支持的曲線），可以清楚地看到，AI 方法的集成在 “研究與產品愿景” 階段就已經介入，即在產品開發啟動之前。這在開發的早期階段及之前就提供了一些可能性，從而顯示出更高的潛力。

圖4.CAx和AI系統在產品開發過程中的使用影響

除了上述在汽車開發中使用 AI 方法的優勢和潛力外，還需要考慮一些局限性。首先需要指出的是，AI 方法主要能夠支持開發流程，無法一鍵生成成品。這也是因為汽車開發非常復雜。為了制造一輛完整的汽車，必須定義數千個參數。然而，在開發開始時，通常只有不到一百個參數可用。此時，AI 方法可以介入并支持開發，確保更快、更高效地創建產品。但為此，還必須具備并限定邊界條件，例如通過建立大型數據庫，以便能夠做出足夠準確的預測。這有助于相關工程師的工作，并有助于更快速、更少錯誤地開發產品。

AI 方法的集成還可以為可持續產品和系統的開發做出重要貢獻。汽車開發流程的高度復雜性以及確保足夠透明度所帶來的挑戰，往往會增加產品和工作流程優化不足的風險，從而導致資源浪費。AI 支持的產品及其開發流程的優化能夠通過分析和評估復雜的相互依賴關系，實現高度的精細化，而傳統開發方法在這方面則會遇到瓶頸。這意味著 AI 能夠為特定的優化目標（例如利用節能制造工藝、使用可持續材料、節省工時的潛力等）生成并清晰呈現某些一流的解決方案，這些解決方案可在后續工作步驟中加以考慮，以改進未來的汽車開發流程。

4. 在汽車開發流程中集成AI開發助手

如前所述，AI 方法在改進產品開發方面具有很大潛力。特別是在汽車產品開發流程的早期階段，使用 AI 方法可能具有優勢，因為在這些階段新產品的自由度較高。在這種背景下，圖 5 展示了一種全面的 AI 方法的系統工作流程，即所謂的 AI 開發助手（AIDA）。AIDA 由不同的部分組成，這些部分部分同時進行，部分按順序進行處理?；玖鞒贪?“自動數據采集與準備”、“AI 訓練數據庫” 和 “AIDA 輸出” 這三個部分。這三個階段按順序運行，同時每個部分都會同時提供輸入信息。整個 AI 方法的結構工作流程由兩條主要路徑組成，這兩條路徑可以相互鏈接。其中一條路徑代表從參數定義和評估到輸出一個 x 維參數解空間的過程，該過程可選擇包含分析后的圖像數據。第二條路徑涉及使用 AI 輔助的對象識別技術，從各種來源的圖像中自動推導參數并生成多邊形模型。程序啟動時的初始信息和規格定義包括初始參數、邊界條件，以及開發標準（優化的目標參數）和所需的輸出信息。

圖5.引入的AI開發助手的系統工作流程

AIDA 的開發應用了特定的開發策略。因此，分析可用數據以及定義額外所需數據非常重要。此外，還考慮了有關可持續性方面的特定 AI 開發指南。在全面定義任務和啟動參數后，會為兩條路徑執行自動數據采集。在此過程中，從不同的數據庫中選擇數據（圖像材料、參數集等），并為 AI 訓練環節進行準備。所使用的數據來源可以包括已完成的產品開發項目中的信息（例如現有的 CAD 模型）、基準數據以及互聯網上免費獲取的信息。然而，根據所使用的來源和數據類型，可能需要進行準備和評估。例如，從互聯網上免費獲取的信息必須通過準備過程進行整理，并添加元信息后，才能用于后續基于 AI 的處理。

在集成圖像的情況下，相應的數據以預定義的車輛、模塊和組件的 ISO 視圖類型的形式提供。這些與元信息鏈接的圖像和參數數據作為學習材料提供給 AI 訓練算法。通過圖像分析，使用合適的 AI 算法，基于多邊形建模程序（例如 Blender）自動生成系統和組件建議。在評估輸出質量后，可以迭代地改進數據采集的自動化程度。目標是優化所需的數據輸入量和形式，以便能夠展示一個高效的過程，滿足指定的質量標準。除了處理圖像數據和輸出多邊形模型外，還將處理純參數化數據集，例如用于描述產品的功能特性。AIDA 的一個示例應用是新車輛架構的概念布局以及相應參數集的定義。多維解參數空間包含多個方面，如法律框架條件、人體工程學規范、可持續性、客戶規范、技術功能規范，以及來自生產、服務和維護方面的內容。根據規范，參數空間會填充開發解決方案所需的數據，并借助 AI 開發解決方案建議，并根據帕累托原則等評估其最優性。根據手頭的任務，所使用的數據來自不同的來源。除了基于模型和圖像的數據材料外，還會處理純參數化數據庫和專有可用信息。例如，這種分析形式用于生成關于進一步相關但尚未確定的參數的建議，以及確定每個參數的可能解區域。

5. 結論

在汽車開發和工程流程中引入 AI 開發助手，并結合基于知識的 CAx 方法支持，對于優化汽車產品和加速汽車流程非常重要。此外，所介紹的方法能夠考慮經濟和可持續的邊界條件，從而實現更高效、更可持續的產品。AI 開發助手也可以應用于汽車開發的其他階段以及更廣泛的領域。如本文所示，在早期階段應用主要是因為邊界條件和規格的高度不確定性，因此在這個階段進行優化措施的潛力最大。然而，由于 “定義” 和 “概念” 階段在時間上比后續的開發和產品生命周期階段短，也存在很大的改進潛力。

使用 AI 方法能夠實現更高效、更節省資源的產品開發流程，從而為汽車開發帶來顯著優勢。本文強調了基于 AI 的方法，特別是在產品開發早期階段的巨大應用潛力。然而，也必須考慮一些挑戰，例如需要大量經過高質量處理的數據，以及產品開發中的 AI 方法應作為一種支持手段，無法直接生成成品（不存在一鍵式解決方案）。

詳詢“牛小喀”微信：NewCarRen

詳詢“牛小喀”微信：NewCarRen

作者：?？W專欄作者
牛喀網文章，未經授權不得轉載！