Post #1335
131
This post (sticker, poll or similar) has no web preview. Open in Telegram
- 👍 5
- ❤ 1
- 🔥 1
БЛ @metalformingforall
This post (sticker, poll or similar) has no web preview. Open in Telegram
This post (sticker, poll or similar) has no web preview. Open in Telegram
This post (sticker, poll or similar) has no web preview. Open in Telegram
This post (sticker, poll or similar) has no web preview. Open in Telegram
«В ходе штамповки боковин из-за сложной формы, большой площади рабочих частей, резких изменений кривизны поверхности и глубокой вытяжки неизбежно генерируются дефекты внешнего вида. Волнистость и деформации в зоне треугольного окна - одни из самых частых и сложноустранимых дефектов для боковин, характеризуемых вариативностью, комплексными причинами и сложностью проверки.
Данная статья рассматривает рабочее решение по устранению деформации в зоне треугольного окна боковины одной из моделей Volkswagen. Комбинируя теорию и практику, она предлагает инновационный метод - наплавление компенсации формы на пуансоне последующей операции для устранения данного дефекта».
«Проект призван сократить время на доводку штампов в сфере листовой штамповки. Стоимость штампов для производства автокомпонентов имеет большое влияние на общую стоимость продукции, что объясняет высокий интерес в промышленности к сокращениям затрат и времени наладки, требуемым для получения штампа, готового к серийному производству.
Предлагаемый проект направлен на цифровизацию процесса спаривания штампов - споттинга, который в настоящее время в огромной степени зависит от опыта слесаря, отчего качество штампа может варьироваться в зависимости от того, кто его доводит.
Главной целью проекта является валидация концепции анализа фотографий пятен контакта (отпечатка) по инженерной краске и конвертация их в цифровой вспомогательный инструмент для помощи слесарю в ходе доводки споттинга, что до настоящего времени было опробовано лишь в лабораторном масштабе.
Валидированный в данном проекте метод позволяет преобразовать вышеупомянутые фотографии в набор качественных метрик наподобие усилия контакта по зонам, с помощью искусственного интеллекта - с целью сокращения времени наладки и доводки штампа на 20%, с учётом моделирования полученных реальных условий контакта в софте на основе метода конечных элементов».
«Конечным ограничением для подобных систем является физическая безопасность и юридическая защищенность. В жёстко регулируемых областях промышленности наподобие аэрокосмической, вопросы структурной надежности экстремально чувствительны. ИИ не может обладать инженерной квалификацией, и он не может нести юридической ответственности в случае, если какие-то механические компоненты выйдут из строя прямо во время полёта. Для правильного обращения с этими вопросами организации используют симуляционное защитное приложение. ИИ исследует проектируемое пространство с высокой скоростью, но финальная модель всё же должна пройти через сертифицированный «детерминистический» проверочный фильтр (solver) для валидации.
ИИ также действует как аудитор, сканируя многостраничные чертежи для проверки соответствия стандартам и прохождения метрологической экспертизы на стадии разработки (до начала производства).
По мере того как автоматизация будет затрагивать всю массу активностей, связанных с 2Д чертежами и их проверкой, фокус рабочей силы будет смещаться. Спрос на рутинное черчение будет сокращаться, тогда как потребность в экспертах по проверке CAD и инженерах по внедрению систем автоматизации процессов проектирования возрастет.
Подобные системы начинают гарантировать ROI (англ. Return of investment, букв. «возврат инвестиций», или окупаемость) только тогда, когда они будут глубоко интегрированы в существующие сети жизненного цикла продукта, которые всё еще требуют человеческого надзора для управления и проверки.
В 2026 году ИИ начинает служить как «когнитивный экзоскелет», автоматизирующий задачи по проектированию и смещающий фокус работы инженера-машиностроителя от построения базовой геометрии к сложной архитектуре комплексных систем.»
«Программируемое генерирование использует большие языковые модели для написания специфического для конкретной области параметрического CAD кода, а не просто создания новой 3Д геометрии из пикселей.#новости #переводы #benchmarking #немного_матчасти
Этот метод облегчает ношу математической точности. Пробабилистический (вероятностный) ИИ управляется с логикой, тогда как движок детерминистической геометрии завершает окончательную форму. Описанный обычным языком промпт для гексагональной шестерни переводится в запрос CAD кода. Если код содержит топологические несходимости, то движок указывает на ошибку. ИИ агент начинает работать над исправлением обнаруженной ошибки и переписывает скрипт, пока не будет достигнута целостная твердотельная геометрия.
Эта архитектура являет собой замкнутый цикл: генерирование, симуляция, финальная очистка. Она позволяет системе автономно идентифицировать и исправлять ошибки в 3Д конструкциях, что недоступно для стандартного визуального генератора.
Эти циклы используют наборы данных наподобие «CAD c нуля» или HistCAD, которые содержат миллионы вариантов цепочек конструкций с учётом топологических ограничений. Натренированные на этих специфических наборах данных большие языковые модели (LLM) достигают уровня 100% валидности компиляций для генерирования CAD последовательностей. Предоставляя на выходе редактируемый код, эти системы обеспечивают инженеру полный параметрический контроль, трансформируя ИИ в высокоскоростной сверхточный макрогенератор. Целостная граничная модель определяет форму, но инженеру в любом случае требуется валидировать эту геометрию на предмет физического соответствия, например, в плане термодинамики и структурной целостности.
Обычно валидация конструкции требовала часы или даже дни медленной алгоритмической обработки с использованием метода конечных элементов. Модели с «глубокой» физикой преодолевают это «бутылочное горлышко». Это фундаментальные модели, тренированные на десятках миллионов 3Д форм, и их движок на основе физических данных заменяет обычные программы «мгновенного» ИИ.
Получается «живая» параметрическая модель, где с помощью ползунка можно уменьшать толщину кронштейна аэрокосмического назначения, и где ИИ мгновенно предсказывает смещения в части распределения напряжений. Такая немедленная обратная связь позволяет инженерам оценивать тысячи возможных вариантов конструкции за время, которое ранее требовалось для проработки всего нескольких.
Также ИИ, учитывая физическую модель, управляет генеративным дизайном для аддитивных технологий. Алгоритмы с каждой итерацией наращивают материал только вдоль той части детали, что подвергается соответствующим нагрузкам, создавая формы, удовлетворяющие специфическим требованиям по нагрузке. Результатом становятся органические многослойные структуры. Эти биоморфные конструкции легче и прочнее, чем проектируемые обычным способом решения, что раздвигает пределы топливной эффективности и возможной полезной нагрузки [со снижением массы].
Интеграция физического интерфейса в реальном времени поднимает уровень генеративного ИИ с устройства для проектирования до высокоскоростной оптимизационной машины.»
«Одно из главных архитектурных решений этой проблемы имеет явную графическую репрезентацию. Можно увидеть, как 3Д модель раскладывается для ИИ на графические элементы. Физические поверхности размечаются узлами, а топологические соединения становятся мостами между рёбрами (bridging edges). Используя матрицу смежности, модель генерирует только геометрически значимые соединения поверхностей, сокращая избыточные расчётные издержки в ходе получения результата.
Второй подход использует иерархическую диффузию, генерируя сплошное тело от корневого узла вниз к отдельным вершинам. Это «шумоудаление» сверху вниз позволяет ИИ синтезировать сложно изогнутые аналитические поверхности, когда-то считавшиеся невозможными для генеративных инструментов.
Третий подход: заставляя нейросети оперировать внутри дискретной топологии графов, разработчики успешно добились возможности обратного инжиниринга точного математического формата, требуемого для физической реализации.
Все эти возможности сейчас применяются для наиболее часто требуемой активности в традиционном машиностроении — для способности загрузить в ИИ систему 2Д чертеж и немедленно получить параметрическую 3Д модель. На практике такая геометрическая реконструкция часто не удаётся из-за «слепых пятен» на разных видах чертежа. ИИ модели тщетно пытаются согласовать вид спереди, вид сверху, вид слева и различные сечения/разрезы в единую 3Д топологию. Типичные виды ошибок включают в себя неправильную интерпретацию неявных параметров. Системы компьютерного/машинного зрения часто путают внутренние каналы (например, каналы охлаждения для стальных секций штампов горячей листовой штамповки) или штриховки разрезов с внешними геометрическими выступами.
Семантическая инженерная проработка обеспечивает мгновенный положительный эффект для правильного распознавания распечатанных чертежей, где геометрическая реконструкция остаётся не целостной. Обычное распознавание символов не удаётся сделать на сложных чертежах, потому что система не может отличить текстовые записи в разных направлениях, или размерные выноски пересекаются с символами.
Современные архитектуры проводят оптическое распознавание символов (OCR), различая структурный контекст чертежа, позволяя системе идентифицировать семантические структуры. При этом чертежные линии как бы «гасятся», тогда как геометрические размеры и допуски легко извлекаются. Символы плоскостности и положения структурируются в смежное дерево (термин теории графов).
Таким образом, ИИ «нормализует» чертежные размеры, учитывая различные указания на чертеже вплоть до конкретной фаски. Эта извлеченная информация поступает напрямую в ERP системы (enterprise resource planning – системы планирования ресурсов предприятия). А это уже может обеспечить автоматическую проверку выполнимости и отправление запроса поставщику в реальном времени без риска ошибок от ручного ввода данных.
Извлечение семантической производственной информации из действующей документации обеспечивает намного более прямую экономическую ценность для предприятия, чем простое генерирование 3Д форм.»
«Придите в любой американский производственный цех и спросите кого угодно о генерируемых ИИ 3Д моделях, и вы услышите один и тот же ответ: «он генерирует игрушки или наборы готовых моделек для видеоигр или домашних 3Д принтеров, но абсолютно не способен справиться с точными требованиями крупного промышленного производства».
Этот скептицизм ранее был вполне обоснован в технических реалиях. На протяжении многих лет основным результатом работы генеративного ИИ была полигональная сетка (mesh), структура данных, составленная целиком и полностью из треугольных ячеек, «склеенных» в единую поверхность. Такие сетки функционально бесполезны для производств с точными требованиями по размерам изделия. Им не хватает параметрической редактируемости, они не содержат истории создания, и не могут быть импортированы при CNC моделировании либо моделировании инжекции пластика без устраненных ошибок при конверсии. В противоположность этому, инженерная работа основана на точных непрерывных математических формулах. Такой стандарт определял цифровое моделирование ИИ на протяжении десятилетий.
Инженерное проектирование требует твердотельного (сплошного) моделирования, основанного на граничном представлении (межд. термин boundary representation, коротко B-rep). В такой модели объекты определяются через точно заданные аналитические поверхности и кривые, это обеспечивает их герметичность и возможное разнообразие. Таков формат любого рабочего STP или SLDPRT файла. На диаграмме для сравнения вы можете увидеть две стандартных шестерни. Слева — сгенерированная из неровных треугольников. Справа — спроектированная с использованием «гладких» математически определенных аналитических поверхностей.
И вот в 2026 году технология проектирования достигла поворотного момента. Сегодня ИИ становится способен нативно синтезировать детерминистическую граничную геометрию. Его генеративные модели вышли за пределы склеивания пикселей для создания правдоподобных картинок в эстетических целях. Эти архитектурные прорывы позволяют нейросетям функционировать как детерминистические инженерные «мозги».
Для того чтобы произвести механически корректное граничное представление, алгоритм должен следовать строгим топологическим правилам. Каждая грань должна получаться в точности от двух соприкасающихся плоскостей для обеспечения сплошной структуры. Ранее это создавало парадокс совместимости для машинного обучения. Нейросети превосходно управляются со множеством параметров, но исторически всегда были слабы в том, чтобы совместить эти свои возможности с жёсткими дискретными правилами твердотельной геометрии (сплошных сред).»
«Проблема, с которой я сталкиваюсь снова и снова в ходе производства штамповой оснастки:
- Компьютерное моделирование (симуляции) живёт в своём собственном мире.
- Производство штампов также живёт в своём отдельном (другом) мире.
И в какой-то момент эти миры сталкиваются друг с другом.
Обычно тогда, когда уже слишком поздно.
В наладке.
Тогда, когда вы внезапно понимаете, что деталь не получается так, как было запланировано. Процесс вытяжки некорректен. Геометрия несоответствующая. Процесс нестабилен.
И вот тогда вам нужно быстро реагировать.
Вы начинаете работать со штампами для устранения несоответствий.
Вы обдираете. Вы наплавляете. Вы ставите штамп на станок для механической обработки. Вы пытаетесь решить проблему практическим путем.
И иногда действительно нужно поступать именно так.
Но моей целью всегда было действовать эффективно и слаженно не только тогда, когда наступает критическое положение вещей.
Для меня симуляции, разработка процесса и наладка должны взаимодействовать между собой значительно раньше.
Если слесарь-наладчик видит, что материал при штамповке ведёт себя совсем иначе, чем ожидалось, то эта добытая практическим путем информация должна быть вновь учтена в теории.
Почему так происходит?
Что именно отличается в параметрах?
Что показывает симуляция?
Как мы можем понять корневую причину до того как физически начнём обдирать?
Ведь если вы сразу проводите грубые изменения рабочих поверхностей штампа, вы часто сильно отклоняетесь от изначальной CAD модели.
И тогда становится намного сложнее анализировать проблему правильным образом.
Хороший запуск штампа не означает, что мы выбираем что-то одно - теорию либо практику.
Хороший запуск штампа означает, что теория и практика дополняют друга, работая как шестерни одного механизма.
И чем раньше работа будет поставлена таким образом, тем меньше наладок вам понадобится в дальнейшем».
«Lada Azimut.
— В целом это удачный пример дизайна. Мы знаем, что сегмент внедорожников и компактных SUV сейчас очень востребован — особенно в странах с суровыми погодными условиями, такими как Россия или Северная Европа.
Такие автомобили воспринимаются как более безопасные: высокий клиренс, ощущение защищенности. Это важно, например, для семейной аудитории. Плюс практичность — возможность перевозить пассажиров, багаж, животных. Это большой рынок, и в этом смысле автомобиль выглядит привлекательно».
«Хотите верьте, хотите нет, но это было одно из лучших по управляемости шасси, которые я когда-либо водил. <... > Теперь я бы хотел попробовать проехать на "Ладе Весте Спорт"».
«Помимо Рено, из России бежали все западные производители, в один момент спровоцировавшие кризис поставок автокомпонентов и острую необходимость для русских разработать новые способы достижения определенного уровня технологического суверенитета. Так АВТОВАЗ перешёл под полный российский контроль с участием государства и корпорации Ростех, специализирующейся главным образом на оборонных и аэрокосмических технологиях и электронике. <...> Пока всем представлялось, что «Лада» окончательно потеряла ориентиры, в июне 2025 автопроизводитель приподнял вуаль и показал концепт-кар под названием Azimut, весьма близкий к серийному автомобилю, с чётким устремлением начать его производить в скором времени. <...> В LADA взяли за базу действующую платформу, и опираясь, по косвенным сведениям, на множество китайских партнёров, модернизировали всё оснащение автомобиля, причем речь идёт и об электронных компонентах для коробок передач и моторов, не говоря уже о новых мультимедийных системах и всевозможных датчиках».