Az RPA alkalmazása tudományos és mérnöki számításokban

Belépés

Az iskolában, hogy megszilárdítsuk a tudásunkat, számos hasonló feladatot kellett megoldanunk. Állandóan frusztráltak voltunk: mi értelme? Beírni két-három értéket egy képletbe, és megkapni a választ. Hol van itt a kreatív energiák? A valóság keményebbnek bizonyult, mint az iskola.

Jelenleg IT elemzőként dolgozom. Mielőtt csatlakoztam az IT-hez, fűtésszerelőként, CNC programozóként és kutatási projektekben vettem részt.

Saját tapasztalatból mondom, hogy a mérnökök és tudósok munkaidejük 95%-át ilyen "monoton" feladatokra fordítják. Egyenletek kiszámítása, ellenőrzés, eredmények rögzítése, specifikációk másolása. Projektről projektre, kísérletről kísérletre, napról napra.

Íme egy-két példa korábbi munkáimból.

2019-ig termikus vákuumformázáshoz készítettem prototípusokat. Ha egy ilyen prototípust hevített műanyaggal vonunk be, akkor egy olyan terméket kapunk, amely pontosan lemásolja a prototípus geometriáját. A technológia leírása itt.

A tervezési ciklus számos, magasan specializált alkalmazást igényel:

• Autodesk Inventor 3D modellezéshez;
• Excel a munkadarab méreteinek letöltéséhez;
• Excel az elrendezés költségének kiszámításához;
• HSM modul CNC vezérlőprogramok létrehozásához;
• Számítógépes fájlrendszer programfájlok kezelésére;
• Mach3 környezet CNC gépvezérléshez.

Az adatokat manuálisan kellett átvinni egyik környezetből a másikba, beleértve a teljes táblázatokat és az értéktömböket is. A folyamat lassú volt, és a hibák gyakoriak voltak.

Ezt megelőzően fényvezetők fejlesztésében és gyártásában vettem részt (link). Sok kutatást, tervezést és számítást igényelt: speciális környezeteket a hő- és világítási számításokhoz (Ansys, Dialux), plusz költséghatékonysági számításokat, valamint Autocad és Inventor programokat a modellekhez és rajzokhoz. És itt ugyanazok a nehézségek merültek fel: az egyik alkalmazásból származó számítási eredményt át kellett húzni a másikba a következő számításhoz. És ez a folyamat többször is megismétlődött az optimális megoldás keresése során.

Egy mérnök és egy tudós ideje egyaránt értékes. Ez nem a fizetésről szól. Egy mérnök számításai mögött egy nagy projekt áll egy csapattal. Egy tudós kutatása mögött egy egész iparág potenciálja rejlik. De gyakran a magasan képzett szakemberek egyszerűen csak átválogatják az adatokat egyik programból a másikba, ahelyett, hogy koncepciókat dolgoznának ki, modelleznének, értelmeznék az eredményeket, vitatkoznának és ötletelnének a kollégákkal.

A modern üzleti környezetet a sebesség jellemzi. A piac folyamatosan nyomás alatt tart minket. 2014-ben két-három hétig tartott egy makett elkészítése. 2018-ban ez három nap volt, és ez túl hosszúnak tűnt. Most egy tervezőnek több megoldási lehetőséget kell elkészítenie ugyanannyi idő alatt, mint amennyi korábban csak egyre volt fenntartva.

Egy másik szempont a befektetés és a kockázat. Egy projekt megszerzéséhez a vállalatnak a projekt költségének körülbelül 6%-át kell befektetnie koncepciófejlesztésbe, mielőtt szerződést kötne az ügyféllel. Ezeket az összegeket a következőkre költik:

• kutatáshoz;
• koncepcióterv;
• a munkaerőköltségek felmérése;
• vázlatok készítése stb.

A cég ezeket a költségeket a saját zsebéből fedezi, és ez a saját kockázata. A koncepcióra való odafigyelés a szakemberek idejét igényli, akik pedig rutinfeladatokkal vannak elfoglalva.

Miután megismerkedtem egy informatikai vállalatnál használt eszközökkel, elkezdtem érdeklődni, hogy milyen üzleti folyamatok automatizálási gyakorlatok lehetnek hasznosak a mérnökök számára. A vállalkozások régóta használják a robotizált folyamatautomatizálást (RPA) a rutinfeladatok leküzdésére.

Az RPA-szolgáltatók a következő előnyöket állítják erről az automatizálási eszközről:

1. sokoldalúság (a robot bármilyen alkalmazással, bármilyen adatforrással képes együttműködni);
2. könnyű tanulás (nincs szükség mély programozási és adminisztrációs ismeretekre);
3. fejlesztési sebesség (a kész algoritmus kevesebb időt vesz igénybe, mint a hagyományos programozással);
4. a munkavállaló valódi mentesítése a rutinműveletektől.

Ezen kritériumok alapján ellenőrizni fogjuk az RPA használatának hatását a mérnöki/tudományos számításokban.

A példa leírása

Nézzünk egy egyszerű példát. Van egy teherrel ellátott konzolos gerenda.

Nézzük meg ezt a problémát egy mérnök és egy tudós szemszögéből.

Mérnöki eset: Van egy 2 méter hosszú konzolos gerenda. 500 kg terhelést kell elbírnia 3-szoros biztonsági tényezővel. A gerenda téglalap alakú csőből készült. A gerenda keresztmetszetét a GOST katalógus szerint kell kiválasztani.

Tudós eset: határozd meg, hogy a gerenda tehertömege, keresztmetszete és hossza hogyan befolyásolja a teherbírását. Vezess le egy regressziós egyenletet.

Mindkét esetben figyelembe vesszük a nehézségi erőt, amely a gerendára a gerenda tömegével arányosan hat.

Vizsgáljuk meg részletesen az első esetet, a „mérnök”-t. A „tudós” eset hasonló módon valósul meg.

Technikailag a példánk nagyon egyszerű. Egy téma szakértője könnyen kiszámolhatná egy számológéppel. A célunk azonban más: bemutatni, hogyan segíthet egy RPA-megoldás, amikor a feladat nagyszabásúvá válik.

Egyszerűsítésként azt is megjegyezzük: a cső keresztmetszete tökéletes téglalap, lekerekített sarkok nélkül, a hegesztési varrat figyelembevétele nélkül.

A mérnök feladata

A „mérnök” esetének általános vázlata a következő:

1. Az Excel táblázatban van egy táblázat a GOST szerinti csövek választékával.
2. A táblázat minden egyes bejegyzéséhez egy 3D modellt kell létrehoznunk az Autodesk Inventor programban.
3. Ezután az Inventor Stress Analyses környezetben szilárdsági számítást végzünk, és a számítási eredményeket HTML-be exportáljuk.
4. A kapott fájlban megtaláljuk a „Maximum von Mises-stress” értéket.
5. A számítást leállítjuk, ha a biztonsági tényező (az anyag folyáshatárának és a maximális von Mises-feszültségnek az aránya) kisebb, mint 3.

Úgy véljük, hogy egy megfelelő keresztmetszetű gerenda háromszoros biztonsági ráhagyást biztosít, és a többi lehetőség közül a legkevésbé nehéz lesz.

A feladatunkban a szakember összesen három alkalmazással dolgozik (lásd a fenti ábrát). Valós helyzetben az alkalmazások száma nagyobb is lehet.

A GOST 8645-68 „Téglalap alakú acélcsövek” szabvány 300 bejegyzést tartalmaz. A demonstrációs feladatunkban minden méretcsaládból egy bejegyzést kivesünk. Így összesen 19 bejegyzés marad, amelyek közül egyet kell kiválasztanunk.

Az Inventor modellező környezet, amelyben felépítjük a modellt és elvégezzük a szilárdsági számításokat, egy előre elkészített anyagokból álló könyvtárat tartalmaz. Ezt a könyvtárat fogjuk használni a gerenda anyagához:

Anyag - Acél
Sűrűség 7,85 g/cm3;
Folyáshatár 207 MPa;
Szakítószilárdság 345 MPa;
Young-modulus 210 GPa;
Nyírási modulus 80,7692 GPa.

Így néz ki egy terhelt gerenda 3D-s modellje:

És itt a szilárdsági számítás eredménye. A rendszer pirossal jelöli a gerenda sérülékeny területeit. Ezeken a területeken a legnagyobb a feszültség. A bal oldali skála a gerenda anyagában fellépő maximális feszültséget mutatja.

Most adjunk át egy részét a robotnak.

A munkaterv a következőképpen változik:

A robotot az Automation Anywhere Community Edition (AA) környezetben fogjuk megépíteni. Áttekintjük az értékelési kritériumokat és leírjuk a szubjektív benyomásainkat.

sokoldalúság

Az RPA-megoldásokat (különösen a kereskedelmi célúakat) kitartóan az üzleti folyamatok és az irodai dolgozók munkájának automatizálására szolgáló eszközként pozicionálják. A példák és a képzések az ERP-vel, az ECM-mel és a webes interakciókat fedik le. Mindez nagyon „irodai” jellegű.

Először kétségeink voltak afelől, hogy az AA képes lesz-e kezelni az Autodesk Inventor felületünket és adatainkat. De minden tökéletesen működött: minden elem, minden vezérlőelem azonosításra és rögzítésre került. Még a paramétertáblázatokat tartalmazó segédprograműrlapokon is a robot egyszerűen az egérrel elérte a kívánt cellát.

Ezután következett a szilárdságszámítási stúdió tesztelése. Ez is zökkenőmentesen ment. Ebben a szakaszban gondosan mérlegelnünk kellett a műveletek közötti szüneteket, amikor a rendszer a számítás befejezésére vár.

A végleges adatok kinyerése a webről és beillesztése az Excelbe zökkenőmentesen ment.
Ez a feladat megerősítette a sokoldalúságát. Más RPA-szállítók leírásai alapján ítélve a sokoldalúság valóban közös jellemzője ennek a szoftverkategóriának.

Könnyű tanulás

Néhány estébe telt elsajátítani: tanfolyamok, oktatóanyagok – minden megtalálható. Sok RPA-szolgáltató ingyenes képzést kínál. Az egyetlen akadály a környezet kezelőfelülete, az AA tanfolyamai pedig csak angol nyelven érhetők el.

A fejlődés sebessége

Egyetlen este alatt fejlesztettük ki és hibakerestük a „mérnöki feladat” algoritmusát. A műveletsor mindössze 44 utasítást igényelt. Az alábbiakban az Automation Anywhere interfész egy részlete látható a kész robottal. A koncepció alacsony kódú/kód nélküli – programozásra nem volt szükség: műveletrögzítőket vagy a parancskönyvtár drop-n-drop parancsait használtuk. Ezután a tulajdonságok ablakban konfiguráltuk a paramétereket.

Megkönnyebbülés a rutintól

A robotnak 1 perc 20 másodpercre van szüksége egy rekord feldolgozásához. Körülbelül ugyanennyi időt töltöttünk egy rekord feldolgozásával robot nélkül.

Ha több tucat vagy több száz jegyzetről beszélünk, a személy elkerülhetetlenül elfárad és elterelődik a figyelme. A szakember hirtelen egy másik feladattal lehet elfoglalni. A „Ha egy feladat A percet vesz igénybe, akkor N ilyen feladat elvégezhető A * N perc alatt” arány nem működik az embereknél – mindig több időt vesz igénybe.

Példánkban a robot szekvenciálisan végigmegy a rekordokon, a legnagyobb szakaszokkal kezdve. Ez a módszer lassú nagy tömbökön. A dolgok felgyorsítása érdekében szukcesszív közelítéseket alkalmazhatunk, például Newton-módszert vagy felezést.
Számítási eredmény:

1. táblázat. A gerenda keresztmetszetének kiválasztásának eredménye

A tudós feladata

A tudós feladata, hogy több numerikus kísérletet végezzen annak meghatározására, hogy a gerenda teherbírása hogyan változik a keresztmetszetétől, hosszától és a teher tömegétől függően. A felfedezett törvényt regressziós egyenletként fogalmazza meg.

Ahhoz, hogy egy regressziós egyenlet pontos legyen, a tudósnak nagy mennyiségű adatot kell feldolgoznia.

Példánkban egy bemeneti változókból álló tömböt foglalunk le:

• csőprofil magassága;
• szélesség;
• falvastagság;
• gerenda hossza;
• a rakomány súlya.

Ha minden változóból legalább három értéket kell kiszámítanunk, akkor ez összesen 243 iterációt igényel. Egy kétperces iterációval a teljes idő 8 óra – egy teljes munkanap! Egy átfogóbb vizsgálathoz nem csak három, hanem 10 vagy több értéket kell használnunk.

A tanulmány során elkerülhetetlenül világossá válik, hogy további tényezőket is be kell vonni a modellbe. Például különböző acélminőségek vizsgálata. A számítások mennyisége tízszeresére, sőt százszorosára nő.

Valós helyzetben egy robot felszabadíthatja egy tudós napjait, amelyeket a szakember felhasználhat egy publikáció elkészítésére, ami a tudós teljesítményének fő mutatója.

Összegzés

Egy mérnök „terméke” egy valóban működő eszköz, egy terv. A számítások automatizálása a mélyrehatóbb tervfejlesztés (több számítás, több mód, több opció) révén csökkenti a kockázatokat.

Egy tudós „terméke” egy egyenlet, egy minta vagy valamilyen más tömör leírás. És minél több adatot vonunk be az elemzésbe, annál pontosabbá válik. Egy RPA-megoldás segít előállítani az információs „alapanyagot” a modellekhez.

Összefoglaljuk a példánkat.

A számítási modell bármi lehet: hídmodell, motormodell, fűtési rendszer modellje. A szakembernek gondoskodnia kell arról, hogy a modell összes komponense megfelelően működjön együtt, és hogy a modell egy sor kulcsfontosságú paramétert és változót biztosítson.

A számítási környezet bármilyen alkalmazás lehet, amelyet a szakember a munkájában használ. Ansys, Autocad, Solidworks, FlowVision, Dialux, PowerMill, Archicad, vagy valami saját fejlesztésű program, például egy gyártó számára fejlesztett ventilátorkiválasztó program (lásd: Systemair berendezéskiválasztó programok).

Adatforrásként tekintünk egy weboldalra, egy adatbázisra, egy Excel táblázatra és egy txt fájlra.
A munka végeredménye – egy jelentés – egy automatikusan generált szöveggel rendelkező Word-dokumentum, egy Excel-diagram, egy képernyőkép-készlet vagy egy e-mail hírlevél.

Az RPA bárhol alkalmazható, ahol mérnöki elemzésre lehet szükség. Íme néhány terület:

• szilárdsági számítások és alakváltozás;
• hidro- és gázdinamika;
• hőcsere;
• elektromágnesesség;
• interdiszciplináris elemzés;
• generatív tervezés;
• CNC vezérlőprogramok (például fészkelési funkció);
• orvosi és biológiai kutatás;
• visszacsatoló rendszerek vagy nem stacionárius rendszerek számításaiban (amikor a végeredményt át kell vinni a kezdeti adatokra, és a számítást meg kell ismételni).

Manapság az RPA-megoldásokat aktívan használják a vállalkozások a folyamatok automatizálására és az adatokkal való munkára. Az irodai dolgozók, mérnökök és tudósok rutinja sok hasonlóságot mutat. Bebizonyítottuk, hogy a robotok alkalmasak mérnöki és tudományos munkára.

Összefoglaljuk a benyomásainkat.

1. Sokoldalúság – igen, az RPA egy univerzális eszköz.
2. Könnyen megtanulható – igen, egyszerű és könnyen érthető, de szükséged van a nyelvtudásra.
3. Fejlesztési sebesség – igen, az algoritmus gyorsan összeáll, különösen, ha ráérez az ember a felvevőkkel való munkára.
4. A megszokottól való elszakadás valóban előnyös lehet a nagyobb feladatoknál.

Forrás: will.com