Genom att kombinera mänsklig expertis, AI och kraften i molntjänster är denna designmetod, som bygger på maskininlärning, en möjlighet för branschen.
Hittills har ingenjörer och formgivare använt datorn som en passiv maskin. Men ett nytt sätt att utveckla konstruktioner, ”generativ design”, är på väg att revolutionera förhållandet mellan människa och maskin. Generativ design är en utvecklingsprocess som bygger på samarbete och som sätter designern i förbindelse med artificiell intelligens (AI) och molnbaserad datorkraft.
Med den nya metoden har projektdesignern, efter att ha definierat sina mål, ramvillkor och parametrar via till exempel datorstödd konstruktion (CAD), inte längre endast några få alternativ, utan hundratals, för att inte säga tusentals att välja mellan.
Tanken är att arbeta iterativt så att den mänskliga kunskapen och AI:s statistiska analyskraft hittar den lämpligaste och mest effektiva lösningen för tillverkning/produktion genom att utvärdera de olika alternativen. Designern kan sedan bygga en prototyp och åter utnyttja AI, om han eller hon så önskar, för att förfina resultaten.
Många fördelar
Fördelarna med generativ design är många. Denna metod gör det möjligt att spara tid, stimulera kreativiteten, spara pengar och skapa komplexa geometrier.
Om det inte går att tillverka dessa geometrier med traditionella metoder, kan de tillverkas genom additiv tillverkning eller 3D-utskrifter. En ny lösning för att skapa robustare, effektivare och mer lönsamma produkter.
Inom branschen expanderar tillämpningarna av generativ design. Airbus kunde till exempel skapa solida och 45 % lättare skott för passagerarutrymmena på sina flygplan tack vare denna nya arbetsmetod. På samma sätt har Decathlon utvecklat framtidens racercykel med en gaffel med optimerad vikt och hållbarhet.
Det började med maskininlärning
Generativ design har utvecklats från maskininlärning. Actemium, VINCI Energies varumärke som ägnar sig åt industriella processer, har redan en stark kompetens inom maskininlärning. I Belgien har särskilt enheten Food & Beverage ett starkt dataanalysteam.
”Generativ design kan tillämpas inom livsmedelsindustrin. Möjligheterna kommer att visa sig på lång sikt.”
”Vårt team består av sju personer, var och en med sina egna specialkunskaper (ICT, datavisualisering, AI, big data, maskininlärning, djupinlärning, industriell programmerbar automation, Lean Production, processförbättring, rådgivning, försäljning…), förklarar Jeroen Pandelaere, konsult på Actemium Food & Beverage Aalter. Generativ design kan tillämpas på vår verksamhet (djurfoder, livsmedel och drycker). Möjligheterna kommer att visa sig på lång sikt.”
I väntan på möjligheten att utnyttja generativ design, utvecklar Actemium Food & Beverage Aalter en mängd tillämpningar som bygger på maskininlärning. Från att förutsäga efterfrågan till att bättre planera produktionen och logistiken till att känna igen texter och krypterade data, upptäcka avvikelser, förbättra kvaliteten och optimera maskinstarter – det finns ingen brist på tillämpningsområden.
Digital tvilling och virtuell sensor
Jeroen Pandelaere ger ett exempel: ”en av våra kunder ville installera en extra värmeväxlare för att återvinna värme från olika källor. Med hjälp av en digital tvilling föreslog vi ett mer högpresterande och energieffektivare scenario som i slutändan endast krävde installation av ytterligare en temperatursensor.”
Men Actemium Food and Beverage Aalter gick ännu längre genom att analysera de olika värmekällorna för att endast behålla dem som gav mest värme att återvinna. Ett tillvägagångssätt som uppskattades mycket av kunden med tanke på att varje anslutning till värmeväxlaren kostar ca 50 000 euro.
”Nästa steg blir att utveckla en modell som simulerar tankens volym för att definiera vilka källor som ska vara inkopplade eller urkopplade så att tankens totala volym inte överskrids”, tillägger konsulten från Actemium Food & Beverage Aalter.
För en annan kund har Actemium Food & Beverage Aalter utformat en modell baserad på en virtuell sensor som kan beräkna varje användares exakta vattenförbrukning från kyltornet. Beräkningen byggde enbart på den tidigare totala förbrukningen och läget för samtliga ventiler hos de olika användarna (öppna eller stängda).
”Vi gick ännu längre genom att titta på alla tillfällen då summan av de uppskattade individuella förbrukningarna inte motsvarade den totala uppmätta förbrukningen. Vi fann att vissa ventiler, som skulle vara öppna, faktiskt ibland stängdes efter underhåll i anläggningen, utan att detta signalerades. Vår modell gör det möjligt att upptäcka sådana avvikelser”, konstaterar Jeroen Pandelaere.
08/07/2021
