Application of RPA in scientific and engineering calculations

Introduktion

I skolen fik vi til opgave at løse mange ensartede opgaver for at fordybe vores viden. Vi brokkede os hele tiden: hvad er der værdifuldt ved dette? At indsætte to-tre værdier i en formel og få et svar. Hvor er der plads til kreativ tænkning? Virkeligheden viste sig at være mere brutal end skolen.

I øjeblikket arbejder jeg som analytiker i IT. Før jeg kom ind i IT-branchen, arbejdede jeg som varmeingeniør, CNC-programmør, og jeg deltog i forskningsprojekter.

Af min erfaring har jeg lært, at 95% af ingeniørers og forskeres arbejde går med sådanne "ensartede" handlinger. Beregning af ligninger, verificering, registrering af resultater, kopiering af specifikationer. Projekt efter projekt, eksperiment efter eksperiment, dag efter dag.

Her er et par eksempler fra mit tidligere arbejde.

Indtil 2019 lavede jeg modeller til termo-vakuumformning. Hvis en sådan model dækkes med opvarmet plast, får vi et produkt, der præcist gentager geometrien af denne model. Beskrivelse af teknologien her.

I processen med at fremstille modellen kræves der et helt sæt specialiserede applikationer:

• Autodesk Inventor til 3D-modellering;
• Excel til eksport af mål for materialet;
• Excel til beregning af omkostningerne ved modellen;
• HSM-modulet til at generere CNC-programmet;
• Computerens filsystem til at administrere programfiler;
• Mach3-miljøet til styring af CNC-maskinen.

Data skulle manuelt overføres fra miljø til miljø, hvilket betød hele tabeller og mængder af værdier. Processen var langsom, og fejl opstod ofte.

Før dette deltog jeg i udviklingen og produktionen af lysledere (link). Der var meget forskning, design og beregning involveret: specialiserede miljøer til termisk og belysningsberegning (Ansys, Dialux), plus beregning af økonomisk effektivitet, plus Autocad og Inventor til modeller og tegninger. Og her er de samme udfordringer: resultatet fra en beregning i én applikation skal trækkes over til en anden applikation for den næste beregning. Og så videre flere gange i jagten på den optimale løsning.

Tid er en kostbar ressource for både ingeniører og forskere. Det handler ikke kun om løn. Bag ingeniørens beregninger ligger et stort projekt med et team. Bag forskerens undersøgelser ligger perspektivet for en hel branche. Men ofte sidder højt kvalificerede specialister bare og kopierer værdier fra ét program til et andet i stedet for at udvikle koncepter, modellere, fortolke resultater, deltage i diskussioner og brainstorme med kolleger.

Kendetegnet ved den moderne forretningsverden er hastigheden. Markedet presser konstant. I 2014 tog det os 2-3 uger at lave en prototype. I 2018 – tre dage, og det føltes allerede for længe. Nu skal designeren kunne levere flere løsningsforslag på den samme tid, der tidligere kun blev afsat til ét forslag.

Og endnu en ting – investeringer og risici. For at 'gribe' et projekt skal virksomheden investere cirka 6% af projektets samlede omkostninger i konceptudviklingen, inden kontrakten med kunden er underskrevet. Disse midler bruges til:

• forskning;
• konceptuelt design;
• vurdering af arbejdsindsatsen;
• forberedelse af skitser og lignende.

Virksomheden dækker disse omkostninger selv, hvilket er en intern risiko. Fokus på konceptet kræver tid fra specialisterne, men de er optaget af rutineopgaver.

Efter at have lært om arbejdsredskaberne i en IT-virksomhed blev jeg interesseret i, hvilke automatiseringspraksisser fra forretningsprocesserne der kunne være nyttige for ingeniører. Virksomheder har længe anvendt robotisering af processer (RPA) til at bekæmpe rutinepræget arbejde.

Producenterne af RPA fremhæver følgende fordele ved denne automatiseringsløsning:

1. alsidighed (robotten kan arbejde med enhver applikation, enhver datakilde);
2. brugervenlighed (dybe kompetencer inden for programmering og administration er ikke nødvendige);
3. hurtigere udvikling (det tager mindre tid at implementere en færdig algoritme end ved traditionel programmering);
4. reel aflastning af medarbejderen fra rutineopgaver.

Ud fra disse kriterier vil vi undersøge effekten af at bruge RPA i ingeniør- og videnskabelige beregninger.

Eksemplets beskrivelse

Vi vil se på et simpelt eksempel. Der er en konsolmonteret bjælke med en belastning.

Lad os se på denne opgave fra både ingeniørens og forskerens perspektiv.

Sagen «ingeniør»: der er en konsolfastgjort bjælke med en længde på 2 m. Den skal kunne bære en belastning på 500 kg med en sikkerhedsfaktor på 3. Bjælken er lavet af en rektangulær profil. Vi skal vælge tværsnittet af bjælken ud fra GOST-kataloget.

Sagen «forsker»: finde ud af, hvordan belastningens vægt, tværsnit og længde af bjælken påvirker dens bæreevne. Udarbejd en regressionsligning.

I begge tilfælde tages tyngdekraften, der virker på bjælken, proportionelt med bjælken vægt, i betragtning.

Vi vil detaljere den første sag — «ingeniør». Sagen «forsker» realiseres på en lignende måde.

Teknisk er vores eksempel meget enkelt. En fagekspert vil kunne beregne det enkelt med en kalkulator. Vores mål er et andet: at vise, hvordan en RPA-løsning kan hjælpe, når opgaven bliver omfattende.

I forenklinger vil vi også bemærke: tværsnittet af profilen er et ideelt rektangel, uden afrundede hjørner, uden hensyntagen til svejsesømmen.

Ingeniørens opgave

Den generelle skitse af sagen «ingeniør» ser sådan ud:

1. I et Excel-ark har vi en tabel med sortiment af profiler ifølge GOST.
2. For hver post i denne tabel skal vi opbygge en 3D-model i Autodesk Inventor.
3. Derefter i Inventor Stress Analyses udfører vi en styrkeberegning og eksporterer resultatet som html.
4. Vi finder i den modtagne fil værdien for «Maksimalt stress ifølge Mises».
5. Vi stopper beregningen, hvis sikkerhedsfaktoren (forholdet mellem materialets flydespænding og maks. stress ifølge Mises) er mindre end 3.

Vi antager, at en bjælke med det passende tværsnit vil give en sikkerhedsfaktor på 3 og vil være minimal i vægt blandt de andre muligheder.

Sammenfattende arbejder specialisten i vores opgave med 3 applikationer (se skemaet ovenfor). I virkeligheden kan antallet af applikationer være endnu flere.

GOST 8645-68 «Stålrør af rektangulært snit» indeholder 300 poster. I vores demonstrationsopgave vil vi forkorte listen: tage én position fra hver størrelsesfamilie. I alt 19 poster, hvorfra vi skal vælge en.

Modelleringsmiljøet Inventor, hvor vi vil opbygge modellen og foretage styrkeberegningen, indeholder et bibliotek med færdige materialer. Vi vil vælge materialet til bjælken fra dette bibliotek:

Materiale — Stål
Densitet 7,85 g/kub. cm;
Flydespænding 207 MPa;
Brudgrænse 345 MPa;
Youngs modulus 210 GPa;
Skydemodul 80,7692 GPa.

Sådan ser den 3D-model af den belastede bjælke ud:

Her er resultatet af den strukturelle beregning. Systemet fremhæver sårbare områder af bjælken med rødt. I disse steder er spændingen størst. Skalaen til venstre viser værdien af den maksimale spænding i bjælkematerialet.

Lad os nu overdrage en del af arbejdet til robotten.

Arbejdsmønstret ændrer sig som følger:

Vi vil samle robotten i Automation Anywhere Community Edition (herefter AA). Vi vil gennemgå vurderingskriterierne og beskrive vores subjektive indtryk.

Universelt

RPA-løsninger (især kommercielle) positioneres insisterende som et redskab til automatisering af forretningsprocesser og automatisering af kontoransattes arbejde. Eksemplerne og undervisningskurserne fokuserer på interaktion med ERP, ECM, Web. Alt er meget 'kontorrelateret'.

I starten havde vi tvivl om, hvorvidt AA ville kunne håndtere grænsefladen og dataene fra vores Autodesk Inventor. Men det hele fungerede faktisk: hver komponent, hver kontrol blev anerkendt og registreret. Selv i de serviceformulare med parameter tabeller fik robotten adgang til den ønskede celle blot ved at pege med musen.

Derefter var der en test med at starte styringsstudiet for strukturelle beregninger. Igen uden problemer. På dette trin var det nødvendigt at arbejde omhyggeligt med pauserne mellem handlingerne, når systemet venter på afslutningen af beregningen.

Indhentningen af de endelige data fra Web og indsættelsen i Excel forløb glat.
I denne opgave blev alsidigheden bekræftet. Ifølge beskrivelserne fra andre RPA-leverandører er alsidighed virkelig en fælles egenskab for denne softwarekategori.

Nem at lære

Det tog et par aftener at lære det: kurser, undervisningseksempler – alt dette findes. Mange RPA-leverandører tilbyder gratis træning. Den eneste barrierer: grænsefladen og kurserne i AA er kun på engelsk.

Hurtig udvikling

Algoritmen til 'ingeniøropgaven' udviklede og testede vi på en aften. Handlingsrækkefølgen kunne klares med kun 44 instruktioner. Nedenfor er et uddrag af brugergrænsefladen i Automation Anywhere med den færdige robot. Konceptet Low code/No code – vi skulle ikke programmere: vi brugte operationrecoderne, eller drag’n’drop fra kommandobiblioteket. Derefter opsætning af parametre i egenskabsvinduet.

Aflastning fra rutinearbejde

Robotten bruger 1 minut og 20 sekunder på at behandle en enkelt post. Cirka samme tid brugte vi på at behandle en post uden robotten.

Hvis der er tale om titusinder eller hundrede af poster, vil en person uundgåeligt blive træt og begynde at blive distraheret. En specialist kan pludselig blive optaget af en anden opgave. Den menneskelige faktor gør, at forholdet "Hvis opgaven tager A minutter, kan N sådanne opgaver udføres på A*N minutter" ikke holder – tiden vil altid være længere.

I vores eksempel vil robotten gennemgå posterne sekventielt, startende med de største tværsnit. På store datamængder er dette en langsom metode. For at fremskynde processen kan man implementere sekventielle tilnærmelser, såsom Newtons metode eller halvering.
Resultatet af beregningen:

Tabel 1. Resultat af tværsnitsjustering

Forskerens opgave

Forskerens opgave er at udføre flere numeriske eksperimenter for at bestemme loven for, hvordan bæreevnen af en bjælke ændres i forhold til dens tværsnit, længde og vægt af lasten. Den fundne lov formuleres i form af en regressionsligning.

For at regressionsligningen skal have høj nøjagtighed, skal forskeren behandle et stort datamængde.

For vores eksempel er der et sæt indgangsvariable:

• højden på rørprofilen;
• bredden;
• væggens tykkelse;
• bjælkens længde;
• vægten af lasten.

Hvis vi skal lave en beregning for blot 3 værdier af hver variabel, bliver det i alt 243 gentagelser. Med en varighed på to minutter pr. iteration vil den samlede tid allerede være 8 timer – en hel arbejdsdag! For en mere grundig undersøgelse skal vi tage ikke 3, men 10 eller flere værdier.

Under undersøgelsen vil det nødvendigvis vise sig, at modellen skal inkludere yderligere faktorer. For eksempel at "teste" forskellige ståltyper. Omfanget af beregningerne stiger med titusinder og hundreder gange.

I en reel opgave vil robotten være i stand til at frigøre adskillige dage for forskeren, som specialisten kan bruge til at forberede publikationer, og det er den primære målestok for forskerens aktiviteter.

CV

Ingeniørens "produkt" er en reelt fungerende enhed, en konstruktion. Robotisering af beregningerne vil mindske risici gennem en dybere bearbejdning af projektet (flere beregninger, flere driftsformer, flere varianter).

Forskerens "produkt" er en ligning, et mønster eller en anden kompakt beskrivelse. Og jo mere præcist det er, desto flere data er der blevet involveret i analysen. RPA-løsningen vil hjælpe med at generere informationel "føde" til modeller.

Lad os opsummere vores eksempel.

I rollen som en beregningsmodel kan der være enhver model: en bro-model, en motor-model, en varmeforsyningsmodel. Specialisten skal sikre, at alle modelkomponenter interagerer korrekt med hinanden, og at modellen 'udfører' et sæt centrale parameter-variable.

Rollen af det beregningsmæssige miljø spilles af enhver applikation, som specialisten bruger i sit arbejde. Ansys, Autocad, Solidworks, FlowVision, Dialux, PowerMill, Archicad. Eller noget egenudviklet, for eksempel et program til valg af ventilatorer på produktionen (se Programmer til valg af udstyr Systemair).

Som datakilde overvejes både webstedet, databasen, Excel-arket og txt-filen.
Det endelige resultat af arbejdet – rapporten – er et Word-dokument med automatisk genereret tekst, et Excel-diagram, et sæt skærmbilleder eller en e-mail-forsendelse.

RPA er anvendeligt overalt, hvor ingeniøranalyse er relevant. Her er nogle områder:

• styrkeberegninger og deformation;
• hydro- og gasdynamik;
• varmeoverførsel;
• elektromagnetisme;
• tværfaglig analyse;
• genererende design;
• styreprogrammer til CNC (for eksempel nesting);
• medicinske og biologiske undersøgelser;
• i beregninger af systemer med feedback eller ikke-stationære systemer (når det endelige resultat skal overføres til inputdata og beregningen gentages).

I dag anvendes RPA-løsninger aktivt i erhvervslivet til at automatisere processer og arbejde med data. Der er mange ligheder i den rutine, som kontoransatte, ingeniører og forskere arbejder med. Vi har vist, at robotter er velegnede til ingeniør- og videnskabelig aktivitet.

Lad os opsummere vores indtryk.

1. Alsidighed – ja, RPA er et alsidigt værktøj.
2. Simplicity in mastering – ja, det er enkelt og tilgængeligt, men der kræves et sprog.
3. Hurtighed i udviklingen – ja, algoritmen samles hurtigt, især når du 'får øvelse' i at arbejde med rekorder.
4. Aflastning fra rutine – ja, det kan virkelig være nyttigt i store skala-opgaver.

Kilde: habr.com