Part01 关于客户
Hero MotoCorp Ltd. (Hero) 是一家总部位于印度德里的跨国摩托车和踏板车制造商，为全球 45 多个国家的数百万客户提供服务。作为全球最大的摩托车制造商之一，Hero 占据了印度两轮车市场近 31% 的份额，并与 Zero Motorcycles 及标志性的 Harley-Davidson 等全球品牌建立了合作伙伴关系。Hero 致力于通过使用一流技术和最新的仿真方法（包括人工智能 (AI) 和机器学习 (ML)）来优化开发流程。
Part02 面临的挑战
多年来，仿真一直是 Hero 产品开发的核心部分；传统的有限元分析 (FEA) 使 Hero 的开发团队能够进行部件设计评估并提供详细的设计见解。然而，Hero 寻求克服开发瓶颈并推动更快速的决策。这促使他们超越传统的 FEA，开始实施 AI 和 ML。为了支持其计算机辅助工程 (CAE) 工程师在日常工作流中采用 AI 和 ML，Hero 需要高效、强大且用户友好的工具。Hero 的第一个 AI 驱动项目专注于设计新型摩托车车把。车把是摩托车的关键部件；它影响人体工程学，决定骑手的姿势，并影响摩托车的转向、平衡、舒适度和特性。由于其重要作用，团队通常会投入大量时间来设计和优化车把。为了实现目标并缩短设计流程，Hero 转向了 Siemens 的 AI 驱动技术。
Part03 解决方案
Hero 选择了 Simcenter™ PhysicsAI™ 软件，这是一种强大的几何深度学习技术，利用历史数据训练 AI 模型并生成物理预测。
图：传统 FEA 方法的车把应力结果
图：Simcenter PhysicsAI 与传统 FEA 的应力结果对比，显示误差仅为 3%
在传统 FEA 方法所需时间的一小部分内生成预测。Simcenter PhysicsAI 工作流便捷地嵌入在 Siemens 的仿真和设计平台 Simcenter 中，使各种技能水平的 Hero 用户能够无缝地将该解决方案织入其现有流程。Simcenter 是 Siemens Xcelerator 业务平台（涵盖软件、硬件和服务）的一部分。
为了利用 Simcenter PhysicsAI，Hero 首先将其现有数据分为训练集和测试集：训练数据用于在过去的仿真基础上训练其 ML 模型，测试数据用于评估和量化 AI 模型的预测精度。针对运动车、探险车、通勤车、巡航车等各种车型，Hero 团队使用了多种车把数据集，以确保 AI 模型产生准确的结果。
数据隔离和模型训练是 AI 驱动工程过程中的关键步骤。Hero 选择了典型的 80/20 数据拆分，即 80% 的数据用于模型训练，20% 用于评估预测。项目团队从 24 个数据集中选择了 30 种车把变体进行训练。训练完成后，他们使用剩余的 6 个车把数据集测试了 AI 模型，并通过比较传统 FEA 结果与 AI 生成的预测来评估结果的准确性。对比显示误差仅为 3%，证明了 Simcenter PhysicsAI 在与传统 FEA 相比极短的时间内提供了准确的预测。
在另一项仿真中，团队导入了一个不属于训练集或测试集的车把数据集，以预测新车把设计的应力。利用新训练的 Simcenter PhysicsAI 模型，团队只需点击一下即可预测应力结果。他们将 Simcenter PhysicsAI 预测的应力数据与基于传统 FEA 结果的应力云图值进行了比较，再次显示误差小于 3%。这种高度匹配让工程师对新设计概念的 AI 生成结果充满信心。这种方法也节省了时间。
“传统的 FEA 仿真方法需要整整一小时，Simcenter PhysicsAI 在仅三分钟内就生成了类似的预测——结果误差在 3% 以内。”Hero MotoCorp 高级工程师 Jeevesh Prasoon 表示。
Part04 成果
使用 Simcenter PhysicsAI 为 Hero 带来了巨大的收益。最显著的是时间节省——从一小时缩短到几分钟，效果非常显著。此外，Simcenter PhysicsAI 仿真非常准确，其结果与传统 FEA 相比误差仅为 3% 分析结果。应用 AI 驱动的工程流程帮助 Hero 缩短了产品开发时间，丰富了团队技能并加速了设计探索。
“Simcenter PhysicsAI 显著缩短了我们的开发时间，”Prasoon 表示。“有了它，我们可以以极快的速度生成结论性结果，并加速我们的决策过程。”基于这一成功，Hero 计划扩大 AI 技术的使用规模，将其用于设计其他复杂部件，以进一步提高效率和精度，从而增强决策能力。
“Simcenter PhysicsAI 显著缩短了我们的开发时间。有了它，我们可以以极快的速度生成结论性结果，并加速我们的决策过程。”Jeevesh Prasoon 高级工程师 Hero MotoCorp
