* A mesterséges intelligencia használata az összetett számítások felgyorsítására és az optimális tervezési méretek automatikus javaslatára
Az NTN a mesterséges intelligencia (AI)-alapú gépi tanulás1) technológiát beépítette automatizált számítási rendszerébe, amelyet az autóabroncsok forgását támogató harmadik -generációs kerékagy-csapágyak tervezésére használnak. Ezzel az NTN jelentősen, a hagyományos idő egytizedére csökkentette a teljesítményértékelés elemzéséhez szükséges időt, ugyanakkor lehetővé tette a követelményeknek megfelelő méretek automatikus tervezését. Ez segít csökkenteni a tervezési munkaterhelést és lerövidíteni az ügyfelek fejlesztési ciklusait.
1) Gépi tanulás: Olyan módszer, amellyel adatokból mintákat tanulhatunk meg előrejelzések és osztályozások készítéséhez.
Az autóalkatrészek tervezésében a modell{0}}alapú fejlesztés (MBD) egyre népszerűbbé válik, egy olyan fejlesztési modell, amely számítógépen szimulálja a teljesítményt a jobb-minőségű termékek gyorsabb előállításához. 2022-ben az NTN elindította az „ABICS” automatizált számítási rendszert, amely egy sor tervezési folyamatot hajt végre a harmadik -generációs kerékagy-csapágyakhoz, így a korábbi módszerekhez képest hozzávetőleg 80%-kal csökkenti a tervezési munkaórát, ami hozzájárul az ügyfelek rövidebb fejlesztési idejéhez. A végeselemes módszer (FEM) elemzésében2), amelyet annak ellenőrzésére használnak, hogy a terv megfelel-e a vevői követelményeknek, ha a követelmények nem teljesülnek, újratervezésre és FEM-fel{9}}analízisre van szükség. A harmadik generációs kerékagy-csapágy azonban összetett szerkezetű, integrálja a csapágyakat és a perifériás alkatrészeket, például a csavarokat, így rendkívül összetett számításokra van szükség a FEM-elemzés befejezéséhez.
2) FEM-elemzés: Számítógépes módszer, amely numerikusan elemzi a fizikai jelenségeket, például a feszültségkoncentrációt és az alakváltozást számítógépen összetett formák vagy szerkezetek kis elemekre való felosztásával.
Az AI technológiának az "ABICS" rendszerbe történő bevezetésével nagy{0}}sebességű előrejelzést értünk el bizonyos FEM-elemzési feladatoknál, így az időt a hagyományos idő egytizedénél kevesebbre csökkentettük. Továbbá, ha az eredmények nem felelnek meg a szükséges előírásoknak, a rendszer automatikusan megfelelő tervezési méreteket javasol.
A tervezési folyamat Lasso-regresszión3) alapuló szimulációs modellt használ Bayes-optimalizálási4) algoritmussal kombinálva. Az előbbi csak a szükséges adatokat választja ki egy nagy adathalmazból, hogy előre jelezze az elemzési eredményeket a bemeneti tervezési dimenziók alapján, míg az utóbbi egy olyan algoritmus, amely hatékonyan megkeresi az optimális megoldást, és ezáltal nagy-pontosságú előrejelzéseket és dimenziójavaslatokat ér el széles tartományban. 3) Lasszó-regresszió: regressziós módszer (általános módszer, amely előrejelzi az adott változókat és előrejelzőket a változókból) modell. 4) Bayes-i optimalizálás: Olyan algoritmus, amely az előző kísérletek eredményei alapján a következő próbapont kiválasztásával, a lehető legkevesebb próbálkozással, hatékonyan, rövid időn belül megtalálja az optimális megoldást.
Az NTN célja, hogy az újonnan bevezetett mesterséges intelligencia technológiát felhasználva automatikusan előre jelezze az ABICS-ben 2029-ig megvalósított összes FEM-elemzést, és optimális tervezési ajánlásokat adjon. Ha mindezen funkciók megvalósulnak, a tervezési idő várhatóan több mint 90%-kal csökken az ABICS bevezetése előtti időszakhoz képest.
Az NTN továbbra is a digitális technológiákat, például a CAE-t és az AI-t fogja használni a K+F munka hatékonyságának és pontosságának javítása érdekében, lehetővé téve számunkra, hogy gyorsan magas{0}}teljesítményű, jó{1}}minőségű termékeket biztosítsunk ügyfeleinknek. Továbbá aktívan ápoljuk azokat a digitális tehetségeket, amelyek képesek ezeket a technológiákat hasznosítani.
