Bevezetés
Az iskolában a tudás megszilárdítása érdekében sok azonos típusú feladatot kellett megoldanunk. Mindig bosszankodtunk, hogy mit ér az egész? Két-három értéket behelyettesíteni egy képletbe, és megkapni a választ. Hol van itt a gondolkodás szárnyalása? A valóság keményebbnek bizonyult, mint az iskola.
Jelenleg IT-elemzőként dolgozom. Az IT-területre való belépésem előtt hőtechnikai mérnökként, CNC programozóként dolgoztam, és részt vettem kutatási projektekben.
A saját tapasztalatom alapján meggyőződtem arról, hogy a mérnökök és tudósok munkájuk 95%-át ilyen "azonos típusú" cselekvésekre fordítják. Egyenletek számítása, ellenőrzések, eredmények rögzítése, specifikációk másolása. Projekt a projekt után, kísérlet a kísérlet után, nap mint nap.
Íme néhány példa a korábbi munkámból.
2019 előtt termosztatikus formázáshoz készítettem maketteket. Ha egy ilyen makettet átfedünk melegített műanyaggal, olyan terméket kapunk, amely pontosan követi a makett geometriáját. A technológia leírása .
A makett készítési ciklushoz egész sor szűkebben specializált alkalmazás szükséges:
- Autodesk Inventor 3D modellezéshez;
- Excel a készletméretek kiadásához;
- Excel a makettköltségek számításához;
- HSM modul a CNC vezérlőprogram összeállításához;
- A számítógép fájlrendszere a programfájlok kezeléséhez;
- Mach3 környezet a CNC gép vezérléséhez.
A különböző környezetek között az adatokat kézzel kellett átvinni, ami egész táblázatok és adatmasszák átvitelét jelentette. A folyamat lassú volt, és gyakran történt hiba.
Előzőleg részt vettem fényvezetők fejlesztésében és gyártásában (). Itt sok kutatás, tervezés és számítás zajlott: hőtechnikai és világítástechnikai számításokhoz specializált környezetek (Ansys, Dialux), plusz a gazdasági hatékonyság számításai, plusz Autocad és Inventor a modellek és rajzok számára. És itt is ugyanazok a nehézségek: az egy alkalmazásból származó számítási eredményeket át kellett húzni egy másik alkalmazásba a következő számításhoz. És ez többször is így ment az optimális megoldás keresése közben.
Az mérnök és tudós ideje nagyon értékes. Itt nem a béréről van szó. A mérnök számításai mögött egy nagy projekt áll egy csapattal. A tudós kutatásai mögött pedig egy egész iparág jövője áll. De gyakran a magasan képzett szakember "csak" átkonvertál adatokat egyik programból a másikba ahelyett, hogy koncepciókat dolgozna ki, modellezne, értelmezné az eredményeket, vitatkozna és agytrösztöket tartana kollégáival.
A mai üzleti környezet sajátossága a sebesség. A piac állandóan sürget. 2014-ben egy makett elkészítése 2-3 hétbe telt. 2018-ban – három nap, és ez már túl hosszúnak tűnt. Jelenleg a tervezőnek több megoldási javaslatot kell adnia ugyanannyi idő alatt, mint amit korábban csak egy javaslatra szántak.
És még egy dolog – befektetések és kockázatok. Ahhoz, hogy "megragadjanak" egy projektet, a vállalatnak a megrendelővel kötött szerződés előtt ~6%-ot kell befektetnie a koncepcionális fejlesztésbe, ami a projekt költsége. Ezek a források a következőkre mennek:
- kutatásra;
- koncepcionális tervezésre;
- a munkaerő-igények értékelésére;
- vázlatok készítésére stb.
A cég saját zsebéből finanszírozza ezeket, ez saját kockázat. A koncepcióra való figyelem időt igényel a szakemberektől, akik viszont a rutinnal vannak elfoglalva.
Miután megismertem az IT-cég munkához szükséges eszközeit, arra voltam kíváncsi, hogy milyen automatizálási gyakorlatok hasznosak lehetnek a mérnökök számára. Így a vállalatok már régóta alkalmazzák a folyamatok robotizálását (RPA) a rutin ellen.
Az RPA gyártói a következő előnyöket hirdetik ezzel az automatizálási eszközzel kapcsolatban:
- univerzalitás (a robot bármilyen alkalmazásban és bármilyen adatforrással képes dolgozni);
- könnyű elsajátíthatóság (nincs szükség mély programozási és adminisztrációs ismeretekre);
- gyors fejlesztés (a kész algoritmusra kevesebb időt fordítunk, mint a hagyományos programozás során);
- az alkalmazott valódi tehermentesítése a rutinszerű feladatoktól.
Ezek alapján fogjuk ellenőrizni, hogy milyen hatása van az RPA használatának a mérnöki/tudományos számításokban.
Példa leírása
Egy egyszerű példát fogunk megvizsgálni. Van egy konzolra rögzített gerenda terheléssel.
Nézzük ezt a feladatot mérnöki és tudományos szempontból.
A mérnöki eset: van egy konzolos rögzítésű 2 m hosszú gerenda. Ennek 500 kg tömegű terhet kell tartania, háromszoros biztonsági tartalékkal. A gerenda téglalap alakú csőből készült. Ki kell választani a gerenda keresztmetszetét a GOST katalógus alapján.
Tudományos eset: meg kell állapítanunk, hogyan befolyásolja a teher tömege, a keresztmetszet és a gerenda hossza ennek a gerendának a terhelhetőségét. Készítsük el a regressziós egyenletet.
Mindkét esetben figyelembe kell venni a gravitációs erőt, amely arányosan hat a gerendára a gerenda tömegével.
Részletesen vizsgáljuk az első esetet - a mérnöki esetet. A tudományos eset hasonló módon valósul meg.
Technikailag a példánk nagyon egyszerű. A téma szakértője egyszerűen kiszámíthatja kalkulátorral. Más célt követünk: megmutatni, hogyan segít a RPA-megoldás, amikor a feladat nagyszabásúvá válik.
Egyszerűsítések mellett megjegyezzük, hogy a cső keresztmetszete ideális téglalap, sarkok lekerekítése nélkül, hegesztési varrat figyelembevétele nélkül.
A mérnök feladata
A mérnöki eset általános sémája a következő:
- Az Excel lapján egy táblázatunk van a GOST szerinti csőmintázattal.
- Minden bejegyzéshez a táblázatban 3D modellt kell létrehoznunk az Autodesk Inventor programban.
- Ezután az Inventor Stress Analyses környezetében elvégezzük a statikai számítást és exportáljuk az eredményt HTML formátumban.
- A kapott fájlban megtaláljuk a "Maximális feszültség a vonatkoztatási vonalon" értékét.
- Megállítjuk a számítást, ha a biztonsági tartalék (a képlékenységi határ és a maximális feszültség aránya) 3-nál kevesebb.
Feltételezzük, hogy a megfelelő keresztmetszetű gerenda 3-szoros biztonsági tartalékot biztosít, és súlyban minimális a többi választék között.
Összességében a feladatunk során a szakértő 3 alkalmazással dolgozik (lásd a fenti sémát). Valós körülmények között az alkalmazások száma akár több is lehet.
A GOST 8645-68 "Négyzetes acélcsövek" 300 bejegyzést tartalmaz. A bemutató feladatunkban csökkentjük a listát: mindegyik mérettípusból egy pozíciót veszünk. Összesen 19 bejegyzés, amelyből egyet kell kiválasztanunk.
Az Inventor modellező környezet, amelyben a modellt készítjük és a statikai számítást elvégezzük, kész anyagkönyvtárat tartalmaz. A gerenda anyagát ebből a könyvtárból választjuk:
Anyag - Acél
Sűrűség 7,85 g/cm³;
Képlékenységi határ 207 MPa;
Törési határ 345 MPa;
Young-modul 210 GPa;
Nyírási modul 80,7692 GPa.
Ilyen a terhelt gerenda háromdimenziós modellje:
Itt van a szilárdsági számítás eredménye. A rendszer pirossal kiemeli a gerenda sebezhető területeit. Ezeken a helyeken a feszültség a legmagasabb. A bal oldali skála a gerenda anyagában mért maximális feszültség értékét mutatja.
Most átadunk egy részfeladatot a robotnak.
A munkafolyamat a következőképpen változik:
A robotot az Automation Anywhere Community Edition (továbbiakban AA) környezetében állítjuk össze. Átugrunk az értékelési kritériumokon, és leírjuk szubjektív benyomásainkat.
Univerzalitás
Az RPA megoldásokat (különösen a kereskedelmi verziókat) határozottan a vállalati folyamatok automatizálására, az irodai munkatársak munkájának automatizálására pozicionálják. A példákban és tanfolyamokon ERP, ECM és Web interfészekkel való interakciót elemeznek. Minden nagyon "irodai".
Eleinte kétségeink voltak, hogy az AA képes lesz-e kezelni az Autodesk Inventor felületét és adatait. De minden tényleg működött: minden elem, minden vezérlő azonosítva és rögzítve lett. Még a paraméter táblázattal rendelkező segédformák esetében is a robot egyszerűen a mouse kattintásával hozzáfért a kívánt cellához.
Ezután a szilárdsági számító stúdió elindításának tesztje következett. Itt sem voltak problémák. Ezen a szakaszon alaposan foglalkozni kellett a műveletek közötti szünetekkel, amikor a rendszer a számítás befejezésére vár.
Az adatok Weben történő megszerzése és azok Excelbe való beillesztése zökkenőmentesen zajlott.
E feladat keretein belül a sokoldalúság megerősítést nyert. Más RPA szolgáltatók leírása alapján a sokoldalúság valóban közös jellemzője ennek a szoftverkategóriának.
Könnyű használat
A tanulásra néhány estét szántunk: kurzusok, tanulmányi példák – mindez elérhető. Sok RPA szolgáltatónál a képzés ingyenes. Az egyetlen akadály: az AA felülete és tanfolyamai csak angol nyelven érhetők el.
Fejlesztési sebesség
A " mérnöki feladathoz" a algoritmust egy este alatt kidolgoztuk és optimalizáltuk. A műveletek sorrendje mindössze 44 utasításban fért el. Az alábbi képen az Automation Anywhere felületének egy frissített robotja látható. A Low code/No code koncepció – programozni nem kellett: műveleti rekoderokat vagy drag’n’drop-ot használtunk a parancskönyvtárból. Ezután a paraméterek beállítása a tulajdonságok ablakában.
Megszabadulás a rutin alól
A robot egy rekord feldolgozására 1 perc 20 másodpercet fordít. Hozzávetőleg ugyanezen időt fordítottunk egy rekord feldolgozására robot nélkül.
Ha több tucat vagy száz bejegyzésről van szó, az ember elkerülhetetlenül elfárad, és elkezd elkóborolni. A szakembert hirtelen elfoglalhatja valamilyen más feladat is. Az ember számára a "Ha a feladat A percet vesz igénybe, akkor N ilyen feladatot A*N perc alatt el lehet végezni" arány nem működik - az idő mindig több a valamennyi feladat elvégzése során.
Példánkban a robot folyamatosan fogja keresni a bejegyzéseket, kezdve a legnagyobb szelvényekkel. Nagy adathalmazok esetén ez nem egy gyors módszer. A gyorsítás érdekében felerősített közelítéseket alkalmazhatunk, például a Newton-módszert vagy a felezési módszert.
A számítás eredménye:
1. táblázat. A gerendaszellőzési eredmény főzésének eredménye
A tudós feladata
A tudós feladata, hogy több numerikus kísérletet végezzen, hogy meghatározza a gerenda teherbírásának változását a szelvény, a hossza és a terhelés tömege szerint. Az így megtalált törvényt regressziós egyenlet formájában fogalmazzák meg.
Ahhoz, hogy a regressziós egyenlet pontos legyen, a tudósnak egy nagy adathalmazon kell dolgoznia.
A mi példánkban a bemeneti változók halmaza:
- a cső profiljának magassága;
- szélesség;
- falvastagság;
- a gerenda hossza;
- a terhelés tömege.
Ha legalább 3 értékben kell számítást végezni minden változóra, akkor összesen ez 243 ismétlést jelent. Egy iteráció két perces időtartamával a teljes idő már 8 óra - egy teljes munkanap! A részletesebb kutatás érdekében nem 3, hanem legalább 10 vagy több értéket kell venni.
A kutatás során feltétlenül kiderül, hogy további tényezőket kell bevonni a modellbe. Például különböző acélfajtákat „gondozni”. A számítási volumen azonnal tíz- és százszorosára nő.
A valós probléma során a robot néhány napot szabadíthat fel a tudós számára, amelyet a szakember a közzététel előkészítésére használ, ami a tudós tevékenységének legfőbb mutatója.
Összefoglaló
Az mérnök "terméke" - egy valóban működő eszköz, szerkezet. A számítások robotizálása csökkenti a kockázatokat a projekt mélyebb kidolgozása révén (több számítás, több mód, több variáció).
A tudós "terméke" - egyenlet, törvényszerűség vagy más tömör leírás. Minél pontosabb, annál több adatot vonnak be az elemzésbe. Az RPA-megoldás segít információs "táplálékot" képezni a modellekhez.
Összegzünk a példánkon.
Bármilyen modell betöltheti a számítási modell szerepét: hídmodell, motor modell, fűtési rendszer modell. A szakember feladata, hogy a modell összes komponense helyes kölcsönhatásban legyen egymással, és hogy a modell «kifelé» egy kulcsfontosságú paraméterekből álló változókészletet biztosítson.
A számítási környezet szerepét bármilyen alkalmazás betöltheti, amit a szakember a munkájához használ. Ansys, Autocad, Solidworks, FlowVision, Dialux, PowerMill, Archicad. Vagy valami egyedi fejlesztésű, például egy program a gyárban használt ventilátorok kiválasztására (lásd: Berendezések kiválasztására szolgáló programok Systemair).
Adatforrásként figyelembe vesszük a weboldalt, az adatbázist, az Excel táblázatot és a txt fájlt.
A munka végső eredménye – a jelentés – egy Word dokumentum automatikusan generált szöveggel, egy Excel diagram, képernyőképek gyűjteménye vagy e-mail küldés.
Az RPA mindenhol alkalmazható, ahol mérnöki elemzés folyik. Néhány terület:
- szilárdsági számítások és deformáció;
- hidro- és gázdinamika;
- hőátadás;
- elektromágnesesség;
- interdiszciplináris elemzés;
- generáló tervezés;
- CNC programok (például nesting);
- orvosi és biológiai kutatások;
- visszacsatolt rendszerek vagy nem állandó rendszerek számítása esetén (amikor a végső eredményt vissza kell vinni a bemeneti adatok közé és meg kell ismételni a számítást).
Ma az RPA megoldásokat aktívan használják az üzletben a folyamatok automatizálására, az adatokkal való munkára. Az irodai dolgozók, mérnökök és tudósok mindennapi rutinja sok hasonlóságot mutat. Megmutattuk, hogy a robotok hasznosak az mérnöki és tudományos tevékenységekben.
Összefoglaljuk benyomásainkat.
- Univerzalitás – igen, az RPA egy univerzális eszköz.
- Könnyű elsajátítás – igen, egyszerű és elérhető, de szükséges egy nyelv.
- Gyors fejlesztés – igen, az algoritmus gyorsan összeállítható, különösen, amikor már „tapasztalatot szerzünk” a rekorderek használatában.
- A rutinból való tehermentesítés – igen, valóban képes hasznot hozni nagy léptékű feladatokban.
Forrás: habr.com
