Användning av RPA inom vetenskapliga och ingenjörsmässiga beräkningar

Inledning

I skolan fick vi lösa många liknande problem för att befästa kunskapen. Vi tyckte hela tiden att det var frustrerande: vad är det som är värdefullt här? Sätta in två-tre värden i formeln och få ett svar. Var är tankefriheten här? Verkligheten visade sig vara tuffare än skolan.

Nu arbetar jag som analytiker inom IT. Innan jag kom in i IT-sektorn arbetade jag som värmeteknikingenjör, CNC-programmerare och deltog i forskningsprojekt.

Jag har sett att 95% av arbetstiden ingenjörer och forskare lägger på sådana "liknande" aktiviteter. Beräkningar av ekvationer, kontroller, registrering av resultat, kopiering av specifikationer. Projekt efter projekt, experiment efter experiment, dag efter dag.

Här är ett par exempel från mitt tidigare arbete.

Före 2019 skapade jag modeller för termovakuumformning. Om man täcker en sådan modell med uppvärmd plast får man en produkt som exakt följer geometrin av modellen. Teknologibeskrivning ). Ett typiskt exempel på användning:.

I cykeln av modellframställning är en hel uppsättning specialiserade applikationer nödvändig:

• Autodesk Inventor för 3D-modellering;
• Excel för att exportera dimensioner av råmaterial;
• Excel för att beräkna kostnaden för modellen;
• HSM-modul för att skapa styrprogrammet för CNC;
• Datorsystemets filhanterare för att administrera programfiler;
• Mach3-miljö för att styra CNC-maskinen.

Mellan miljöerna var jag tvungen att överföra data manuellt, vilket innebar hela tabeller och mängder av värden. Processen var långsam, och det hände ofta fel.

Före detta deltog jag i utvecklingen och tillverkningen av ljusledare (länk). Det var mycket forskning, design och beräkningar involverade: specialiserade miljöer för värmetekniska och belysningstekniska beräkningar (Ansys, Dialux), plus beräkningar av kostnadseffektivitet, plus Autocad och Inventor för modeller och ritningar. Och här var samma svårigheter: resultaten från en beräkning i en applikation måste överföras till en annan applikation för nästa beräkning. Och så flera gånger i jakten på den optimala lösningen.

Ingenjörens och forskarens tid är mycket dyrbar. Här handlar det inte om lön. Bakom ingenjörens beräkningar står ett stort projekt med ett team. Bakom forskarens studier finns perspektivet för en hel bransch. Men ofta "överför" den högt kvalificerade specialisten bara värden från ett program till ett annat istället för att utveckla koncept, modellera, tolka resultat, delta i diskussioner och hålla brainstormingmöten med kollegor.

En kännetecken för den moderna affärsmiljön är hastighet. Marknaden tvingar hela tiden på. År 2014 tog vi 2-3 veckor för att skapa en prototyp. År 2018 – tre dagar, och det kändes redan som för länge. Nu måste projektören leverera flera alternativ på samma tid som tidigare avsatts för endast ett alternativ.

Och en annan punkt – investeringar och risker. För att "fästa sig" vid ett projekt måste företaget innan kontraktsskrivning med kunden investera cirka 6 % av projektets kostnad i konceptutveckling. Dessa medel går till:

• forskning;
• konceptuell design;
• bedömning av arbetsinsatser;
• förberedelse av skisser m.m.

Företaget tar utgifterna ur egen ficka, det är en egen risk. Fokus på konceptet kräver tid från specialisterna, och de är upptagna med rutinarbete.

Efter att ha bekantat mig med verktygen för arbete på ett IT-företag blev jag intresserad av vilka metoder för automatisering av affärsprocesser som kunde vara användbara för ingenjörer. Så, affärsvärlden har länge använt robotisering av processer (RPA) för att bekämpa rutin.

Tillverkarna av RPA påstår att denna automatiseringsverktyg har följande fördelar:

1. universell (roboten kan arbeta med vilken applikation som helst, med vilken datakälla som helst);
2. enkel att lära sig (djup kunskap inom programmering och administration krävs inte);
3. snabb utveckling (det tar mindre tid att använda ett färdigt algoritm än vid traditionell programmering);
4. verklig avlastning av anställda från rutinoperationer.

Utifrån dessa kriterier kommer vi att utvärdera effekten av att använda RPA i ingenjörs-/forskningsberäkningar.

Beskrivning av exemplet

Vi ska titta på ett enkelt exempel. Det finns en konsoliderad balk med en last.

Låt oss betrakta denna uppgift ur ingenjörens och forskarens perspektiv.

Fallet "ingenjör": det finns en konsolmonterad balk med en längd av 2 m. Den ska hålla en last på 500 kg med en säkerhetsmarginal på tre gånger. Balken är gjord av en rektangulär profil. Vi behöver välja balkens tvärsnitt från GOST-katalogen.

Fallet "forskare": ta reda på hur lastens vikt, balkens tvärsnitt och längd påverkar bärförmågan hos denna balk. Presentera en regressionslikning.

I båda fallen beaktas tyngdkraften, som verkar på balken i proportion till balkens vikt.

Vi ska noga studera just det första fallet — "ingenjör". Fallet "forskare" hanteras på ett liknande sätt.

Tekniskt sett är vårt exempel mycket enkelt. En ämnesspecialist kan räkna ut det enkelt med en kalkylator. Vi har ett annat syfte: att visa hur ett RPA-lösning kan hjälpa när uppgiften blir storskalig.

I förenklingarna noterar vi också: tvärsnittet av röret är en ideal rektangel, utan rundade hörn och utan hänsyn till svetsfog.

Ingenjörens uppgift

Den allmänna schemat för fallet "ingenjör" är sådan:

1. I Excel-dokumentet har vi en tabell med rörspecifikationer enligt GOST.
2. För varje post i denna tabell måste vi bygga en 3D-modell i Autodesk Inventor.
3. Sedan utför vi en hållfasthetsberäkning i Inventor Stress Analyses-miljön och exporterar resultatet av beräkningen i html.
4. Vi hittar i den resulterande filen värdet "Maximalt spänning enligt Mises".
5. Stoppa beräkningen om säkerhetsmarginalen (förhållandet mellan materialets flytgräns och den maximala spänningen enligt Mises) är mindre än 3.

Vi antar att balken med det lämpliga tvärsnittet kommer att säkerställa tre gånger säkerhetsmarginal och vara minimal i vikt bland andra alternativ.

Sammanfattningsvis arbetar specialisten med 3 applikationer i vår uppgift (se schema ovan). I verkliga situationer kan antalet applikationer vara fler.

GOST 8645-68 "Stålrör rektangulära" innehåller 300 poster. I vår demonstrationsuppgift kommer vi att förkorta listan: ta en post från varje dimensionfamilj. Totalt 19 poster, varav en måste väljas.

Modelleringsmiljön Inventor, där vi kommer att bygga modellen och göra hållfasthetsberäkningen, innehåller ett bibliotek med färdiga material. Vi kommer att använda materialet för balken från detta bibliotek:

Material — Stål
Densitet 7,85 g/kub. cm;
Flytgräns 207 MPa;
Brottgräns 345 MPa;
Youngs modul 210 GPa;
Skjuvmodul 80,7692 GPa.

Så här ser en 3D-modell av den belastade balken ut:

Här är resultatet av hållfasthetsberäkningen. Systemet markera sårbara områden på balken med röd färg. I dessa områden är spänningen som högst. Skalan till vänster visar värdet av den maximala spänningen i balkens material.

Nu överlämnar vi en del av arbetet till roboten.

Arbetsprocessen ändras på följande sätt:

Vi kommer att sätta ihop roboten i miljön Automation Anywhere Community Edition (nedan AA). Vi går igenom bedömningskriterierna och beskriver de subjektiva intrycken.

Allsidighet

RPA-lösningar (särskilt kommersiella) marknadsförs ihärdigt som ett verktyg för automatisering av affärsprocesser och kontorsanställdas arbete. I exempel och utbildningskurser behandlas interaktion med ERP, ECM, Web. Allt är väldigt "kontorsrelaterat".

I början hade vi tvivel på om AA skulle kunna fånga upp gränssnittet och datan från vår Autodesk Inventor. Men allt fungerade verkligen: varje element, varje kontroll identifierades och registrerades. Även i tjänsteformulär med parameter tabeller fick roboten tillgång till den nödvändiga cellen bara genom att använda muspekaren.

Därefter var det en test med att starta hållfasthetsberäkningsstudion. Och inte heller här fanns det några problem. På detta steg var vi tvungna att arbeta noggrant med pauserna mellan åtgärderna när systemet väntade på att slutföra beräkningen.

Processen med att hämta slutdata från Web och infoga dem i Excel flöt på bra.
Inom ramen för denna uppgift bekräftades mångsidigheten. Enligt beskrivningar från andra RPA-leverantörer är mångsidighet verkligen en gemensam egenskap för denna programvarukategori.

Enkelhet att lära sig

Det tog ett par kvällar att lära sig: kurser, utbildningsexempel – allt detta finns. Många RPA-leverantörer erbjuder gratis utbildning. Den enda barriären: gränssnittet i miljön och kurser i AA är endast på engelska.

Snabbhet i utvecklingen

Algoritmen för "ingenjörsuppgiften" utvecklade och debugerade vi på en kväll. Handlingsföljden rymdes i endast 44 instruktioner. Nedan i bilden finns ett fragment av gränssnittet i Automation Anywhere med den färdiga roboten. Konceptet Low code/No code – det krävdes inte någon programmering: vi använde operation recorder, eller drag-and-drop från kommando biblioteket. Sedan inställning av parametrarna i dialogrutan för egenskaper.

Avlastning från rutin

Roboten spenderar 1 minut och 20 sekunder på att bearbeta en post. Ungefär lika lång tid tog vi på oss att bearbeta en post utan roboten.

Om det handlar om tiotals eller hundratals poster, kommer en person ofrånkomligen att tröttna och börja tappa fokus. Specialisten kan plötsligt erbjudas en annan uppgift. Med en människa fungerar inte förhållandet "Om uppgiften tar A minuter, kan N sådana uppgifter utföras på A*N minuter" – tiden går alltid åt mer.

I vårt exempel kommer roboten att gå igenom posterna sekventiellt, med början från de största tvärsnitten. På stora datamängder är det här en långsam metod. För att öka hastigheten kan sekventiella approximationer implementeras, till exempel Newtons metod eller halveringsmetoden.
Beräkningsresultat:

Tabell 1. Resultat av tvärsnittsval för balken

Forskarens uppgift

Forskarens uppgift är att genomföra flera numeriska experiment för att bestämma lagen som beskriver sambandet mellan balkens bärförmåga och dess tvärsnitt, längd och lasten. Den hittade lagen formuleras i form av en regressionsekvation.

För att regressionsekvationen ska vara exakt måste forskaren bearbeta en stor mängd data.

För vårt exempel identifieras följande mängd ingångsvariabler:

• höjd på rörprofilen;
• bredd;
• väggtjocklek;
• balkens längd;
• lastens vikt.

Om vi ska göra beräkningen för minst 3 värden av varje variabel, blir det sammanlagt 243 iterationer. Med två minuters varaktighet för en iteration kommer den totala tiden att bli 8 timmar – en hel arbetsdag! För en mer grundlig studie bör vi använda inte 3 värden utan 10 eller fler.

Under forskningen kommer det att behöva konstateras att modellen måste inkludera ytterligare faktorer. Till exempel, att "pröva" olika stålsorter. Volymen av beräkningar ökar tiotals och hundratals gånger.

I den verkliga uppgiften kan roboten frigöra flera dagar för forskaren, som specialisten sedan kan använda för att förbereda publiceringen, och det är den främsta indikatorn på forskarens aktivitet.

Sammanfattning

Ingenjörens "produkt" är en verkligt fungerande enhet, konstruktion. Automatisering av beräkningarna minskar riskerna genom en djupare bearbetning av projektet (fler beräkningar, fler driftsätt, fler alternativ).

Forskarens "produkt" är en ekvation, ett mönster eller en annan kompakt beskrivning. Ju mer data som involveras i analysen, desto mer exakt blir den. RPA-lösningar hjälper till att generera informations "föda" för modeller.

Låt oss sammanfatta vårt exempel.

Som en beräkningsmodell kan vilken modell som helst användas: en bromodell, en motormodell, en värmesystemmodell. Specialisten förväntas säkerställa att alla komponenter av modellen interagerar korrekt med varandra och att modellen ger en uppsättning nyckelvariabler som output.

Den beräkningsmiljö som används kan vara vilken applikation som helst som specialisten använder i sitt arbete. Ansys, Autocad, Solidworks, FlowVision, Dialux, PowerMill, Archicad. Eller något som utvecklats internt, till exempel ett program för att välja fläktar på tillverkningsföretaget (se Program för val av utrustning Systemair).

Som datakälla betraktar vi webbplatsen, databasen, ett Excel-dokument och en txt-fil.
Det slutliga resultatet av arbetet – rapporten – är ett Word-dokument med automatgenererad text, ett Excel-diagram, en uppsättning skärmdumpar eller utskick av e-post.

RPA tillämpas överallt där ingenjörsanalys används. Här är några områden:

• styrkeberegningar och deformation;
• hydro- och gasdynamik;
• värmeöverföring;
• elektromagnetism;
• tvärvetenskaplig analys;
• generativ design;
• styrprogram för CNC (till exempel nesting);
• medicinska och biologiska forskningar;
• i beräkningar av system med feedback eller transienta system (när det slutliga resultatet måste återföras till ingångsdata och beräknas om).

I dag används RPA-lösningar aktivt inom affärsvärlden för automatisering av processer och hantering av data. Det finns mycket gemensamt mellan kontorsanställdas, ingenjörers och forskares rutiner. Vi har visat att robotar är användbara inom ingenjörs- och vetenskaplig verksamhet.

Låt oss sammanfatta våra intryck.

1. Mångsidighet – ja, RPA är ett mångsidigt verktyg.
2. Lätt att lära sig – ja, enkelt och tillgängligt, men det krävs ett språk.
3. Snabb utveckling – ja, algoritmen byggs snabbt, särskilt när man fått vana vid att arbeta med inspelare.
4. Avlastning från rutinarbete – ja, det kan verkligen vara till hjälp i stora uppgifter.

Källa: habr.com