行业热点丨工程领域的数据科学真的是行业的新超级英雄吗？

 “设计师比以往任何时候都更需要专注于设计”

对于几乎所有从事设计和仿真工作的人来说，复杂性已成为新常态。与此同时，产品开发的时间也在缩短。更令人倍感压力的是，现在大多数市场都高度全球化，竞争异常激烈。在新的限制条件下，传统的产品设计方法已无法满足需求。

毫不奇怪，设计和工程团队必须重新思考他们的方法。随着创收时间变得越来越重要，尽早确定最佳产品设计解决方案也变得越来越重要。在产品开发的概念阶段，需要快速评估更多的条件和变量。为什么？因为在整个过程中，越晚引入变更，成本就越高，项目就越令人头疼。

设计师如何支配时间也成为关注的焦点。费力的预处理工作耗费了多少宝贵的时间？有多少时间是在做准备工作，而不是在做设计？设计师比以往任何时候都更需要专注于设计。

与几乎所有其他商业学科一样，工程界也在向工程数据科学寻求答案。但是，这也面临着许多现实问题：

*利益相关者如何才能以可靠、经济高效的方式利用这项新技术？
*工程领域的数据科学是否能为团队带来足够的回报，从而证明花时间训练虚拟模型是合理的？
*新一代数据科学工具是否人人都能使用？
*这些工具与现有的仿真驱动和多物理场环境的匹配程度如何？

好消息是，工程领域的数据科学已经带来了显著的效益，并促成了一些截然不同的工作方式。这不仅适用于设计和仿真团队，也适用于制造和后制造等领域，在这些领域，可以对消费品、飞机、电池组、汽车、桥梁和重型设备等运行中的产品进行性能评估。团队可以利用这些评估数据来提高产品性能、质量和安全性。如果您正在寻找答案，下面将会列举工程数据科学工具箱中的三个例子。

“设计师的新捷径”

典型的设计方法是一个迭代过程：准备一个模型并通过模拟进行评估。设计团队重复这一过程，直到出现令人满意的结果。这种有条不紊的迭代方法并不适合加速，但有了正确的工具，就有可能出现完全不同的情况。

在人工智能的帮助下，用户可以直接从 CAD 或网格数据中生成精确的全自动物理预测。更重要的是，这些预测的生成速度比传统求解器快 1000 倍。这意味着团队可以在短时间内考虑更多方案。只有首选设计需要通过传统仿真来确认人工智能生成的结果。

简而言之，人工智能驱动的物理预测彻底改变了设计流程。从一开始，每个人就可以同时协同工作；数十个设计迭代可以并行、快速、准确地进行评估。

“Altair 仿真设计结合 AI”

Altair® physicsAI™直接集成在Altair HyperWorks环境中，使设计人员能够利用任何来源的先前仿真，直接从CAD文件中进行预测。人工智能模型的训练非常简单，不需要数据科学专业知识。用户只需为其研究选择文件、变量和输出，剩下的就交给 physicsAI 来完成。该技术适用于任何物理学，并能处理现代多系统、多物理场设计的复杂性。此外，模型可以在个人电脑上轻松运行，也可以利用云计算中的高性能计算（HPC）。

“预防性维护计划：如果不会损坏，就无须修理”

工程领域的数据科学在提高生产效率方面也显示出了其价值。现代供应链的特点是及时战略和精益库存。生产计划的任何中断都可能导致财务和声誉损失迅速升级。

传统上，原始设备制造商（OEMs）的应对措施是采用预防性维护计划。从理论上讲，这些预先计划的工作时间表可以最大限度地降低故障和停机的风险。

但这种方法也有不足之处。生产运营必须暂停，以进行可能不必要的工作。此外，预防性维护通常对设备性能或产品质量等指标的变化反应较慢，而这些指标可能是未来问题的早期征兆。

现在，工程领域的数据科学正在实现预测性维护。通过利用嵌入在工业设备中的传感器产生的数据以及从维护记录中获得的洞察力，数据分析工具集可以准确地预测即将发生的故障。团队可以更有效地进行有针对性的维修和维护干预，最大限度地降低成本和减少停机时间。除了直接的设备故障，数据分析还可以预测性能下降和系统的剩余使用寿命（RUL）。

由于数据科学近年常被大肆炒作，人们很容易对此持怀疑态度。但是，工程领域的数据科学已经通过重新构想设计、仿真、制造、维护和报废策略，帮助人们发现新的机遇。

Altair 灵活、开放的数据科学工具正被无缝集成到现有的工作流程中，确保它们既易于使用，又功能强大。也许数据科学并不完全符合好莱坞对超级英雄的想象，但数据科学现在已经有能力加快取得卓越工程成果的进程，并帮助企业在日益复杂的科学宇宙中进行谈判——这本身就是一种超级能力。