通过模拟技术，我们可以在虚拟环境中测试产品或过程，从而更快地开发、优化，并提高其安全性。
AI技术（尤其是深度学习和机器学习模型）能够显著改善这些模拟过程，并带来新的洞察。例如，AI可以帮助创建和分析复杂的模型，提供比传统方法更深入和精准的结果。
今天，我们在“数字先锋”中德AI交流社区分享了三个案例，展示了德国企业如何利用人工智能（AI）技术来提升模拟（Simulation）技术的效率和效果。加入社区，了解德国（欧洲）AI技术最新发展，应用案例，我们还将为您对接德国最具潜力的AI青年企业。
今天分享的三个案例分别是：
SensorTwin： 通过优化的场景创建出更加稳健的现象模型，帮助提高传感器系统的准确性和可靠性。ASSISTANT： 开发智能辅助系统，用于模拟和优化企业流程，从而提升业务流程的效率。VibroAI： 利用机器学习技术进行声音和振动的分析，提供更可靠和精确的诊断。这些应用案例展示了AI在不同领域的模拟技术中如何发挥作用，进一步加快创新和优化过程。
SensorTwin (Steinbeis Interagierende Systeme GmbH) —— 优化场景以创建稳健的现象模型现状在传统的模拟中，模型通常是通过数学方式来描述的（即概率模型）。这些模型往往表现为理想状态。例如，超声波传感器的模型可以计算信号的接收效果。然而，现实中，信号在传输和接收的过程中会受到环境中各种因素的影响，这些现象难以用数学方法精确描述。因此，现有的模拟技术通常假设模型处于理想状态。
该项目的目标是开发工具和流程，创建能够代表广泛现象的现象学模型，使模拟更贴近现实。
创新点通过选择合适的数据集并结合机器学习技术，本项目旨在训练用于数字孪生体的模型，并评估其现象学质量。这些模型将现有的基于演绎法的模型与现实中的各种现象结合起来，特别是那些目前难以用数学表达的现象。由于数据是训练的基础，因此必须通过一定的方法确保收集到的是真正有效的数据，并用于训练具有实际意义的现象模型。
通过机器学习技术创建的传感器模型对测试管理者提出了新的挑战。因此，项目不仅关注技术问题，还致力于优化和改进相关的开发流程，帮助测试管理者在测试执行和测试结果评价中更好地使用这些模型。
实施方法本项目将收集或筛选来自环境感知传感器的真实数据，从而自动生成这些传感器的数字孪生体。数据的自动化收集和处理将通过一辆配备有完整传感器系统的模型车来进行。为了确保数据的质量，还将开发独立的测量技术和相关方法，以验证数据的准确性。所收集的测量数据将被整理和处理，以适用于基于机器学习的模型训练，并评估其质量。同时，还将研究这些新型模型是否能够提高系统模拟的效率。
项目价值与展望通过本项目开发的工具，可以加速并系统化现象学模型的开发。通过在模拟中使用这些更精确、更高效的模型，其应用范围将得到显著扩展。以前只能通过真实测试（如真实车辆测试）实现的测试，现在可以在模拟环境中进行（如模拟车辆在模拟交通中测试）。这样不仅减少了测试成本，还提高了测试的深度和广度。
这一技术的潜在应用领域包括自动驾驶的发展、工业自动化的模拟（如生产线的优化），以及能源网络的模拟等。
ASSISTANT (fLUMINA GmbH) —— 用于企业流程模拟的智能辅助系统当前状况企业常常面临这样的疑问：“如果某种情况发生，我的企业会受到怎样的影响？” 目前，市场上有许多专门的软件，可以基于手动输入的数据对某些关键指标进行预测。然而，这些数据的来源是什么？如果只考虑一个孤立的问题，这些预测的准确性如何（通常一个工作岗位上处理的不仅仅是单一的材料）？这种变化对企业的其他部分又有什么影响？是否需要为每个问题使用一个专门的工具，或者应该尽量在一个工具中整合尽可能多的流程，以便全面覆盖企业的核心需求？
创新点fLUMINA GmbH 专注于基于企业资源计划（ERP）数据的自动化价值流分析。公司将行业专家在流程专业化、咨询、信息技术和数学领域的知识与经验融入到一款软件中。该软件以高度的自动化、灵活性和细节深度，前所未有地再现了企业ERP系统中记录的采购、生产和销售流程的实际情况，并贯穿所有物料清单层级，从小小的螺丝钉到成品。此外，还可以与ERP系统中的目标值进行自动对比，回答许多“如果……会怎样？”的问题，而无需手动输入流程数据。
实施方法本项目的核心问题是：“如果某一物料组的销量增加x%，会带来什么影响？” 目标是评估这一变化对生产能力、库存和采购的影响，而不影响其他物料的正常生产。挑战在于确保数据质量。尽管经验表明数据质量通常比大多数企业预期的要好，但异常值可能会对必要的外推计算造成问题。
项目价值与展望该技术特别适用于企业的战略发展，涵盖了诸如“在这种情况下，是否需要扩大现有的生产能力？”、“我们是否需要调整与供应商的框架协议，或者谈判新的合同以获得更好的条件？”、“是否需要为原材料寻找额外的供应商？”、“是否应增加库存？”等问题。此外，该技术还能解决许多相关的问题，例如：“如果某种原材料短缺，哪些部件/成品/客户会受到影响？”，“应该从哪个地区采购哪些数量的原材料，还有哪些供应商？”、“我们的安全库存是否设置合理？”等。
结合自动化的企业价值流分析，配合时间轴上的各种关键指标仪表盘、清单、可视化、搜索和从全局到单据层级的分析工具，该软件成为一个在企业内广泛使用的工具，适用于日常运营和战略会议——从车间一线到企业高层决策均可使用。
VibroAI —— 基于机器学习的稳健声学和振动分析项目背景在产品开发过程中，声学和振动分析是至关重要的环节，既涉及到声学舒适性的问题，也与安全性评估密切相关。然而，这些分析通常耗时耗力，且需要经验丰富的工程师才能完成。因此，越来越多的此类分析工作被转移到模拟环境中进行。
但目前的模拟技术通常基于理想化的几何模型进行计算，而实际的零部件往往存在各种偏差，例如由于制造工艺导致的形状误差。这些偏差可能会对零部件的疲劳强度和使用寿命产生重大影响。为了使模拟结果更接近现实，必须对模拟模型进行校准以匹配实际零部件的特性。然而，这一过程不仅复杂，还需要大量的测量数据、高度的专业知识以及多次模拟运行。
创新点VibroAI 项目提出了一种全新的解决方案，利用机器学习（ML）技术来优化振动声学模型。该方法通过基于ML的相似性分析，对测量数据进行分析，并将其与测量和模拟数据的数据库进行对比。算法会根据分析结果提供关于已完成的类似测量、识别的偏差以及模型调整建议的反馈。例如，这些偏差可能涉及形状或材料属性（如刚度和密度）的差异，这些属性在不同的零部件中可能存在较大差异。
此外，该方法还可以对测量本身进行评估，例如自动识别与之前测量结果的系统性偏差或异常测量点。这在实际开发过程中非常重要，因为声学和结构动力学测量通常需要在多个空间方向上设置和分配几十个测量点，这通常需要手动完成，容易导致错误。
实施方法VibroAI 项目的实施将大大简化测量数据的分析过程，并加快生成模拟模型的速度。通过这种创新方法，各行业的开发流程都将得到显著加速。此外，这些改进后的模型未来还可以应用于预测性维护，从而进一步提高设备和系统的可靠性。
项目价值与展望通过VibroAI项目，基于机器学习的振动声学模型优化方法将大幅提升模拟的效率和准确性。该方法不仅能加快开发流程，还能为预测性维护提供支持。项目还展示了人工智能技术在提升产品开发质量和效率方面的巨大潜力，特别是在需要高度复杂和精确分析的领域。
