[go: up one dir, main page]

WO2018147104A1 - 設計支援装置 - Google Patents

設計支援装置 Download PDF

Info

Publication number
WO2018147104A1
WO2018147104A1 PCT/JP2018/002637 JP2018002637W WO2018147104A1 WO 2018147104 A1 WO2018147104 A1 WO 2018147104A1 JP 2018002637 W JP2018002637 W JP 2018002637W WO 2018147104 A1 WO2018147104 A1 WO 2018147104A1
Authority
WO
WIPO (PCT)
Prior art keywords
design
input
analysis
design plan
machine learning
Prior art date
Application number
PCT/JP2018/002637
Other languages
English (en)
French (fr)
Inventor
野中　紀彦
一朗 片岡
Original Assignee
株式会社日立製作所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to JP2018567366A priority Critical patent/JP6611401B2/ja
Priority to US16/479,765 priority patent/US11238192B2/en
Publication of WO2018147104A1 publication Critical patent/WO2018147104A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • the present invention relates to a design support apparatus.
  • the performance such as the structure and efficiency of the mechanical structure is calculated by using a simulation technique or a response surface model.
  • one output parameter corresponds to an input parameter.
  • the input parameters are the operating conditions of the machine structure and the output parameters are the configuration and performance of the device as an example, one configuration and one performance are output for the input operating conditions.
  • the output parameters are the configuration and performance of the device as an example
  • one configuration and one performance are output for the input operating conditions.
  • an L row orthogonal table is created for the set design parameters, and for each of the L sets of design parameter groups, a large number of virtual trials are performed by adding the tolerances of the dimensions of each part,
  • the response surface model is created by processing the average value and dispersion amount of the L evaluation indexes obtained in this virtual trial production, creating a response surface model, and creating a factor effect diagram of design parameters for each evaluation index.
  • a number of design solutions that combine all design parameters that can achieve the design target value by creating an arbitrary combination of design parameters with sensitivity to the evaluation index and applying this to the response surface model
  • filtering is performed to extract the maximum likelihood design solution candidate group that achieves the limit value of the specified evaluation index from the design solution group, and the maximum likelihood design solution group is selected and presented to the user. Apparatus is disclosed.
  • the server device of the steel material design support system searches a past case including a requirement specification partially matching the requirement specification given from a client device, and is applied to the retrieved past case.
  • the steel type belonging to the same group as the steel type is searched, and it is determined whether or not the searched steel type satisfies the required specifications.
  • An apparatus is disclosed in which the determination result is transmitted from the server apparatus to the client apparatus, and the client apparatus displays the determination result.
  • Patent Document 1 generates output parameters from a large number of design parameters (input parameters), and obtains a plurality of output parameters using a search function.
  • this method does not sufficiently consider generating a large number of design parameters for a set of input parameters.
  • Patent Document 2 discloses a method of searching for and obtaining past data in order to output a plurality of output parameters based on past data. At this time, there is a problem that know-how such as a search keyword is required. Moreover, since past data is generally small in number, there is a problem that sufficient results cannot be obtained.
  • an object of the present invention is to provide a design support apparatus that outputs a plurality of sets of output parameters for one set of input parameters.
  • the design support apparatus generates sampling points in the design space based on input parameters, executes calculation under conditions corresponding to the sampling points, and acquires the calculation results as output parameters.
  • Analysis control means machine learning means for machine learning about the relationship between input parameters and output parameters, design plan generation means for calculating a design plan corresponding to the required specifications using information learned by the machine learning means, Visualization means for visualizing the design space and displaying the calculation result and the design plan calculated by the design plan generation means in the visualized design space, and the design plan calculated by the design plan generation means in the visualized design space Requesting the calculation result included in the area near the design plan calculated by the design plan generation unit And having a means for outputting as a design plan satisfying the like.
  • FIG. 1 is an overall configuration diagram of a design support apparatus according to a first embodiment. It is a figure showing the process sequence (phase 1) of Example 1. FIG. It is a figure showing the process sequence (phase 1) (continued) of Example 1. FIG. It is a figure showing the process sequence (phase 2) of Example 1. FIG. It is a figure showing an example of an analysis process definition screen. It is a figure showing an example of the input screen of analysis conditions. It is a figure showing an example of the input screen of a requirement specification. It is a figure showing an example of the display screen of design space. It is a figure showing an example of the display screen of a design plan.
  • FIG. 1 is a configuration diagram of a design support apparatus according to the first embodiment.
  • the design support apparatus includes an analysis process definition unit 101, an analysis condition input / display unit 102, an analysis model creation / analysis control unit 103, a machine learning unit 104, a design plan generation unit 105, a requirement specification input unit 106, and a design space visualization unit 107.
  • the analysis process definition unit 101 displays an analysis process input screen, and the operator inputs an analysis process by dragging and dropping an analysis node having an analysis model name and an analysis program built therein, and the input analysis process information And the input information is stored in the database 110.
  • the analysis condition input / display unit 102 displays an analysis condition screen, displays input conditions necessary for analysis, and acquires input parameters in accordance with the input conditions.
  • the operator inputs the input conditions necessary for the analysis to the analysis condition screen for the analysis model input by the analysis process definition unit 101, and stores the input information in the database 110.
  • the analysis model creation / analysis control unit 103 generates a sampling point in the design space based on the input parameter, executes a calculation under a condition corresponding to the sampling point, and acquires a calculation result as an output parameter.
  • Information input by the analysis process definition unit 101 and the analysis condition input / display unit 102 is acquired, and an analysis model according to the analysis process is created based on the information.
  • sampling points are generated in the design space, and the calculation is executed for the number of sampling points under the conditions corresponding to the sampling points.
  • the calculation condition information and the calculation result are stored in the database 110.
  • the machine learning unit 104 performs machine learning on the relationship between input parameters and the output parameters. All the information is acquired from the database 110, the calculation condition information of the sampling points is used as an input parameter, the calculation result is used as an output parameter, machine learning is performed on the relationship between the input parameter and the output parameter by a method using a neural network, and the learned result information is stored in the database. 110 is entered. In the first embodiment, machine learning is performed by a method using a neural network, but the machine learning method is not limited to the method using a neural network.
  • the design plan generation unit 105 calculates a design plan corresponding to the required specifications using the learned information. Based on the requirement specification input to the requirement specification input unit 106, a design plan is generated by a neural network using information learned by the machine learning 104. In the first embodiment, the design plan is generated by the neural network, but the method of generating the design plan is not limited to the method using the neural network.
  • Requirement specification input unit 106 displays a requirement specification input screen, and acquires the input requirement specification.
  • the design space visualization unit 107 displays the calculation result by the analysis model creation / analysis control unit and the design plan calculated by the design plan generation unit in the visualized design space. For example, all the information is acquired from the database 110, and the information calculated by the analysis model creation / analysis control unit 103 is displayed on the design space visualization screen as a scatter diagram representing a correlation and a diagram obtained by principal component analysis. The design plan generated in the generation 105 is also displayed.
  • the design area input unit 108 designates an area in the vicinity of the design plan calculated by the design plan generation means in the visualized design space. For example, in the design space visualization screen displayed by the design space visualization unit 107, an area in the vicinity of the design plan obtained by the design plan generation unit 105 is specified via the user interface.
  • the design plan display unit 109 acquires data included in an area near the design plan input from the design area input unit 108 on the design space visualization screen displayed by the design space visualization unit 107 and displays the data on the design plan display screen. .
  • an analysis model input / display unit 101 In the database 110, an analysis model input / display unit 101, an analysis condition input / display unit 102, an analysis model creation / analysis control unit 103, a machine learning unit 104, a design plan generation unit 105, a required specification input unit 106, a design space visualization unit 107, data obtained by the design area input unit 108 and the design plan display unit 109 are stored.
  • an analysis process definition unit 101 In the computer 111, an analysis process definition unit 101, an analysis condition input / display unit 102, an analysis model creation / analysis control unit 103, a machine learning unit 104, a design plan generation unit 105, a requirement specification input unit 106, a design space visualization unit 107, It controls the design area input unit 108, the design plan display unit 109, the database 110, and the data transfer.
  • FIG. 2 to FIG. 4 are flowcharts showing the processing procedure in the design support apparatus shown in FIG. 1 regarding the processing procedure of the embodiment configured as described above.
  • the procedure of the first embodiment is roughly divided into two phases.
  • Phase 1 is a phase in which an analysis process input and analysis conditions are input, an analysis corresponding to the conditions is executed, and machine learning is performed using the analysis result.
  • Phase 2 is a phase in which a required specification of a machine structure to be designed is input, a design plan based on the input required specification is generated, a design space is visualized, and a plurality of design plans are displayed.
  • centrifugal compressor of a mechanical structure as an example, a method for obtaining a plurality of design proposals for one required specification (a set of input parameters) will be described.
  • a centrifugal compressor is a machine that sucks gas by rotating an impeller and compresses the gas by gradually decelerating the gas in the centrifugal direction.
  • Centrifugal compressors usually compress a gas by providing a plurality of impellers instead of one.
  • the analysis process definition unit 101 performs analysis process input processing.
  • the analysis process definition unit 101 displays an analysis process input screen.
  • FIG. 5 shows an example of an input screen for the analysis process.
  • the operator inputs an analysis process to be analyzed.
  • a centrifugal compressor is input as an analysis model.
  • On the left side of the input screen a block containing a program called an analysis node is displayed. Taking “condition acquisition” as an example, this block contains a program for acquiring conditions for analysis.
  • the block is called an analysis node.
  • the analysis node can execute a built-in program.
  • “Model selection” includes a program for calculating parameters characterizing the centrifugal compressor, such as the number of impeller stages, the outer diameter of the impeller, and the rotational speed of the impeller corresponding to the input parameters.
  • “Performance calculation” includes a program for predicting the performance of the centrifugal compressor such as the head and efficiency.
  • Result registration includes a program for registering the calculation result in the database 110. The operator defines the analysis procedure by dragging the analysis node displayed on the analysis node and dropping it on the screen on the right side. Here, analysis nodes are input in the order of “condition acquisition”, “model selection”, “performance calculation”, and “result registration”.
  • analysis process information is acquired in the order of “condition acquisition”, “model selection”, “performance calculation”, and “result registration” input in S101.
  • the analysis condition input / display unit 102 performs analysis condition input processing.
  • the analysis condition input / display unit 102 displays an analysis condition input screen.
  • FIG. 6 shows an example of an analysis condition input screen.
  • the operator inputs analysis conditions for analysis.
  • the centrifugal compressor is input as the analysis model name.
  • a suction pressure of 0.1 MPa is input.
  • the lower limit value 2000 m 3 / h, the upper limit value 50000 m 3 / h, the lower limit value 10 and the upper limit value 25 of the molecular weight are respectively input. This condition is a necessary condition for the calculation of the centrifugal compressor. Further, 10,000 sampling points are input.
  • the analysis model creation / analysis control unit 103 performs a parameter survey.
  • sampling points are generated in the design space.
  • sampling points are generated in the design space of the parameters input in S202. That is, lower limit value 1.1 of pressure ratio, upper limit value 4.0, lower limit value 40 ° C. of suction temperature, upper limit value 60 ° C., lower limit value of flow rate 2000 m 3 / h, upper limit value 50000 m 3 / h, lower limit value of molecular weight 10.
  • the sampling points are generated by using the LHS (Latin Hypercube Sampling) method.
  • one of the sampling points generated in S302 is selected, and the calculation is executed according to the analysis process input in S102 under the condition corresponding to the selected sampling point.
  • the calculation is executed in the order of “condition acquisition”, “model selection”, “performance calculation”, and “result registration”.
  • S304 it is determined whether or not the calculation has been executed at all sampling points. If not, the process returns to S303 to select one sampling point that has not yet been executed, and the calculation is executed according to the analysis process input in S102 under the condition corresponding to the selected sampling point. If all sampling points have been executed, the process proceeds to S305. Here, the number of cases corresponding to the number of sampling points input in S202 is calculated. In this embodiment, 10,000 calculations are performed.
  • the calculation condition information such as the sampling points generated in S302 and S303 and the calculation result are acquired.
  • the information acquired in S305 is stored in the database 110.
  • the machine learning unit 104 performs machine learning.
  • S401 all information input in S100, S200, and S300 is acquired from the database 110.
  • the machine learning unit 104 performs machine learning on the relationship between the input parameter and the output parameter using the sampling point calculation condition information as an input parameter and the calculation result as an output parameter.
  • Table 1 shows input parameters and output parameters in this embodiment.
  • machine learning is performed using information of 10000 sample points.
  • a neural network is a mathematical model whose purpose is to express the characteristics of a brain composed of a large number of nerve cells by computer simulation.
  • the neural network is given by the following recurrence formula when each layer of the artificial neuron is set to X i .
  • X i + 1 f (A i X i + B i) formula (1)
  • a i and B i are a weight parameter and a bias parameter, respectively.
  • f is an activation function. Weight parameters and bias parameters are determined through machine learning.
  • X 1 is the input layer in the case of a three-layer
  • X 2 is the intermediate layer
  • the X 3 becomes the output layer.
  • the machine learning result is stored in the database.
  • the weight parameter and the bias parameter are learning results.
  • the phase 2 will be described with reference to FIG.
  • the design plan generation unit 105 generates a design plan based on the required specification input by the required specification input unit 106.
  • S501 all information input in S100, S200, and S300 is acquired from the database 110.
  • the required specification input unit 106 displays an input screen.
  • FIG. 7 shows an example of the input screen.
  • the operator inputs the required specifications of the centrifugal compressor to be designed.
  • the required specifications are the input parameters shown in Table 1.
  • the analysis model name is input as a centrifugal compressor.
  • a pressure ratio of 2.5, an intake temperature of 55 ° C., a flow rate of 27000 m 3 / h, and a molecular weight of 20 are input as required specifications.
  • the design plan is generated by the design plan generation unit 105 using the required specifications input in S502 as input parameters.
  • a design plan is generated by the neural network given by the equation (1).
  • the design plan is an output parameter shown in Table 1.
  • the design space is visualized by the design space visualization unit 107, the designated area of the design space is input by the design region input unit 108, and a plurality of design plans obtained by the design plan generation unit 105 by the design plan display unit 109 are displayed. Display the design plan.
  • FIG. 8 shows an example of a design space display screen.
  • a scatter diagram representing the correlation between the impeller rotational speed, the impeller outer diameter, the head, and the shaft effectiveness is displayed with respect to the data obtained in the phase 1 parameter survey.
  • the vertical axis of the row of “impeller outer diameter” means the impeller outer diameter
  • the horizontal axis of the column means the impeller outer diameter. That is, in the scatter diagram located in two rows and three columns, the vertical axis is the impeller outer diameter and the horizontal axis is the head.
  • X is the design plan obtained by the design plan generation unit 105. In this way, the operator can grasp the positional relationship between the design plans in the entire design space.
  • the design area input unit 108 designates an area in the vicinity of the design plan obtained by the design plan generation unit 105 via the user interface by the user (operator). If the area near the design plan is wide, many design plans are selected, and if the area is narrow, few design plans are selected. As indicated by the dotted line in FIG. 8, a region near X is selected. The vicinity is an area where design plans corresponding to the required specifications are gathered. For this reason, it is possible to extract a plurality of design proposals by designating an area near X.
  • the design plan display unit 109 acquires the data included in the design plan ⁇ vicinity region input from the design region input unit 108 and displays it on the design plan display screen.
  • FIG. 9 shows an example of the design plan display screen.
  • a plurality of design plans can be obtained by displaying the data included in the design plan input by the design area input unit 108 ⁇ the broken line area in the vicinity. Can do.
  • the positional relationship of the input / output parameters can be displayed to the operator with respect to the entire design space. Parameters can be obtained.
  • a neural network is used as a machine learning method, but other methods such as a kriging method can be used.
  • the analysis node analysis constituting the analysis process is described as being performed by the same computer. However, it is also possible to perform the analysis node analysis by using a network environment.
  • analysis process definition unit 102 analysis condition input / display unit 103 analysis model creation / analysis control unit 104 machine learning unit 105 design plan generation unit 106 requirement specification input unit 107 design space visualization unit 108 design area input unit 109 design plan display unit 110 Database 111 computer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供するために、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係を機械学習する手段と、機械学習により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有する。

Description

設計支援装置
　本発明は、設計支援装置に関する。
　設計支援技術では、シミュレーション技術を用いたり、応答曲面モデルを用いたりして機械構造物の構成や効率などの性能を算出する。このような技術では、入力パラメータに対して一つの出力パラメータが対応する。入力パラメータが機械構造物の運転条件、出力パラメータが機器の構成や性能である場合を例に取ると、入力した運転条件に対して、一つの構成、一つの性能が出力される。しかし、機械構造物の構成を変更することにより、同じ運転条件を満たす機械構造物が存在する。すなわち、入力パラメータに対して、入力パラメータを満たす複数の出力パラメータが存在する場合がある。
　例えば、特許文献１には、設定された設計パラメータに対してＬ行直交表を作成し、Ｌ組の設計パラメータ群それぞれについて、各部の寸法の公差を足して多数回の仮想試作を実行し、この仮想試作で得たＬ組の評価指標の平均値と分散量を処理し応答曲面化して応答曲面モデルを作成し、さらに評価指標毎の設計パラメータの要因効果図を作成し、この要因効果図を吟味し、評価指標に対して感度を持つ設計パラメータの任意の組み合わせを作成し、これを応答曲面モデルに当てはめることで設計目標値を達成し得る全設計パラメータを任意に組み合わせた多数の設計解を作成し、さらに、設計解群から指定された評価指標の制限値を達成する最尤設計解候補群を抽出するフィルタリングを行って最尤設計解群を選定し、ユーザに提示する装置が開示されている。
　また、機械構造物の性能を算出する装置において、過去のデータに基づいて複数の機械構造物の性能を算出する方法がある。特許文献２には、鋼材設計支援システムのサーバ装置は、クライアント装置から与えられた要求仕様と一部が一致する要求仕様を含む過去事例を過去事例データベースから検索し、検索した過去事例において適用された鋼種と同一グループに属する鋼種を検索し、検索した鋼種が要求仕様を満足するか否かを判定する。当該判定結果はサーバ装置からクライアント装置へ送信され、クライアント装置が判定結果を表示する装置が開示されている。
特開２００９－９３２７１号公報 特開２０１２－３５２４号公報
　特許文献１に開示されている装置は、多数の設計パラメータ（入力パラメータ）から出力パラメータを生成し、検索機能を用いて複数の出力パラメータを得ている。しかし、この方法では、１組の入力パラメータに対して、多数の設計パラメータを生成すること十分に考慮されていない。
　特許文献２には、過去のデータに基づいて複数の出力パラメータを出力するために、過去のデータを検索して求める方法が開示されている。このとき検索キーワードなど、どのように検索すればよいかノウハウを要するという課題がある。また、過去のデータは一般的に数が少ないため十分な結果を得られないという課題がある。
　そこで、本発明は、１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することを目的とする。
　上記課題を解決するために、本発明に係る設計支援装置は、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係について機械学習する機械学習手段と、機械学習手段により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有することを特徴とする。
　本発明によれば、１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することができる。
実施例１に係る設計支援装置の全体構成図である。 実施例１の処理手順（フェーズ１）を表す図である。 実施例１の処理手順（フェーズ１）（つづき）を表す図である。 実施例１の処理手順（フェーズ２）を表す図である。 解析プロセス定義画面の一例を表す図である。 解析条件の入力画面の一例を表す図である。 要求仕様の入力画面の一例を表す図である。 設計空間の表示画面の一例を表す図である。 設計案の表示画面の一例を表す図である。
　以下、実施例を、図面を用いて説明する。
　図１は、実施例１に係る設計支援装置の構成図である。設計支援装置は、解析プロセス定義部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９、データベース１１０、計算機１１１を備える。
　解析プロセス定義部１０１では、解析プロセス入力画面を表示し、操作者が、解析モデル名、解析プログラムが内蔵された解析ノードをドラッグアンドドロップすることにより解析プロセスを入力し、入力された解析プロセス情報を表示し、入力された情報をデータベース１１０に格納する。
　解析条件入力／表示部１０２では、解析条件画面を表示し、解析に必要な入力条件を表示し、入力条件に沿った入力パラメータ取得する。操作者が、解析プロセス定義部１０１で入力された解析モデルに対して、解析に必要な入力条件を解析条件画面に入力し、入力された情報をデータベース１１０に格納する。
　解析モデル作成・解析制御部１０３では、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する。解析プロセス定義部１０１、解析条件入力／表示部１０２で入力された情報を取得し、その情報を基に解析プロセスに従った解析モデルを作成する。また、設計空間内にサンプリング点を発生させ、サンプリング点に対応する条件で計算を、サンプリング点数分実行する。計算が終了したら計算条件情報、計算結果をデータベース１１０に格納する。
　機械学習部１０４では、入力パラメータと前記出力パラメータの関係について機械学習する。データベース１１０から全ての情報を取得し、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、学習した結果情報をデータベース１１０に入力する。実施例１ではニューラルネットワークによる方法で機械学習するが、機械学習の方法はニューラルネットワークによる方法に限定されない。
　設計案生成部１０５では、学習された情報を用いて、要求仕様に対応する設計案を算出する。要求仕様入力部１０６に入力された要求仕様に基づいて、機械学習１０４で学習した情報を用いてニューラルネットワークにより設計案を生成する。実施例１ではニューラルネットワークにより設計案を生成するが、設計案の生成方法はニューラルネットワークによる方法に限定されない。
　要求仕様入力部１０６は、要求仕様入力画面を表示し、入力された要求仕様を取得する。
　設計空間可視化部１０７では、可視化された設計空間内に解析モデル作成・解析制御部による計算結果及び設計案生成部により算出された設計案を表示する。例えば、データベース１１０から全ての情報を取得し、設計空間可視化画面により、解析モデル作成・解析制御部１０３で計算した情報を、相関関係を表す散布図と主成分分析した図を表示し、設計案生成１０５で生成した設計案も表示する。
　設計領域入力部１０８では、可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する。例えば、設計空間可視化部１０７により表示した設計空間可視化画面において、ユーザインターフェースを介して設計案生成部１０５によって得られた設計案の近傍の領域を指定する。
　設計案表示部１０９では、設計空間可視化部１０７により表示した設計空間可視化画面において、設計領域入力部１０８より入力された設計案近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。
　データベース１１０では、解析モデル入力／表示部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９で得られたデータを蓄積する。
　計算機１１１では、解析プロセス定義部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９、データベース１１０の制御およびデータの授受の制御を行う。
　このように構成される実施形態の処理手続きについて、図２～４は、図１に示す設計支援装置における処理手順を示すフローチャートである。実施例１の手順は、大きく二つのフェーズに分けられる。フェーズ１は、解析プロセスの入力と、解析のための条件を入力し、条件に対応した解析を実行し、解析結果を用いて機械学習するフェーズである。フェーズ２は、これから設計する機械構造物の要求仕様の入力と、入力された要求仕様に基づく設計案を生成し、設計空間を可視化して複数の設計案を表示するフェーズである。
　機械構造物の遠心圧縮機を例に取り、一つの要求仕様（一組の入力パラメータ）に対して複数の設計案を求める方法を説明する。遠心圧縮機は、羽根車を回転させることで気体を吸い込み、遠心方向に気体を除々に減速させることにより圧縮する機械である。遠心圧縮機は、通常羽根車を一つでなく複数個設けて気体を圧縮する。
　図２及び図３にフェーズ１の処理手順を示す。
　Ｓ１００では解析プロセス定義部１０１により解析プロセスの入力処理を行う。
　Ｓ１０１では、解析プロセス定義部１０１より解析プロセスの入力画面を表示する。図５に解析プロセスの入力画面の一例を示す。操作者は、これから解析する解析プロセスを入力する。ここでは、解析モデルとして遠心圧縮機が入力されている。入力画面の左側部分には解析ノードと呼ばれるプログラムが内蔵されたブロックが表示されている。「条件取得」を例に取ると、本ブロックには解析のための条件を取得するプログラムが内蔵されている。ここでは、そのブロックを解析ノードと呼ぶ。また解析ノードは、内蔵したプログラムの実行が可能となっている。「型式選定」には、入力パラメータに対応する羽根車の段数、羽根車の外径、羽根車の回転数といった遠心圧縮機を特徴付けるパラメータを算出するプログラムが内蔵されている。「性能計算」には、ヘッドや効率などの遠心圧縮機の性能を予測するプログラムが内蔵されている。「結果登録」には、計算結果をデータベース１１０に登録するプログラムが内蔵されている。操作者は、解析ノードに表示された解析ノードをドラッグし、右側の画面にドロップすることで、解析手順を定義する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」という順番で解析ノードが入力されている。
　Ｓ１０２では、Ｓ１０１で入力した「条件取得」、「型式選定」、「性能計算」、「結果登録」という順で解析プロセス情報を取得する。
　Ｓ１０３では、Ｓ１０２で得られた情報をデータベース１１０に格納する。
　Ｓ２００では、解析条件入力／表示部１０２により解析条件の入力処理を行う。
　Ｓ２０１では、解析プロセス定義部１０１で入力した情報を、データベース１１０から取得する。
　Ｓ２０２では、解析条件入力／表示部１０２により解析条件の入力画面を表示する。図６に解析条件の入力画面の一例を示す。操作者は、解析のための解析条件を入力する。ここでは解析モデル名に、遠心圧縮機が入力されている。解析条件として、吸入圧力０．１ＭＰａが入力されている。また、圧力比、吸入温度、流量、分子量に関しては、上限値と下限値が入力され、圧力比の下限値１．１、上限値４．０、吸入温度の下限値４０℃、上限値６０℃、流量の下限値２０００ｍ３／ｈ、上限値５００００ｍ３／ｈ、分子量の下限値１０、上限値２５がそれぞれ入力されている。この条件が、遠心圧縮機の計算に必要な条件となる。また、サンプルリング点数１００００が入力されている。
　Ｓ２０３では、Ｓ２０２で入力した解析条件を取得する。
　Ｓ２０４では、Ｓ２０３で得られた情報をデータベース１１０に格納する。
　Ｓ３００では解析モデル作成・解析制御部１０３により、パラメータサーベイを実施する。
　Ｓ３０１では、Ｓ１００、Ｓ２００で入力されたすべての情報を、データベース１１０から取得する。
　Ｓ３０２では、設計空間内にサンプリング点を発生させる。ここでは、Ｓ２０２で入力されたパラメータの設計空間内にサンプリング点を発生される。すなわち、圧力比の下限値１．１、上限値４．０、吸入温度の下限値４０℃、上限値６０℃、流量の下限値２０００ｍ３／ｈ、上限値５００００ｍ３／ｈ、分子量の下限値１０、上限値２５とする設計空間内に、サンプリング点を１００００点発生させる。サンプリング点の発生方法は幾つか存在するが、ここではＬＨＳ（Ｌａｔｉｎ　Ｈｙｐｅｒｃｕｂｅ　Ｓａｍｐｌｉｎｇ）法を用いてサンプリング点を発生する。
　Ｓ３０３では、Ｓ３０２で発生したサンプリング点の中の一つを選択し、選択したサンプリング点に対応する条件で、Ｓ１０２で入力した解析プロセスに従って計算を実行する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」の順に計算を実行する。
　Ｓ３０４では全てのサンプリング点で計算を実行したかどうかを判断する。実行していない場合は、Ｓ３０３に戻ってまだ実行していないサンプリング点一つを選択し、選択したサンプリング点に対応する条件で、Ｓ１０２で入力した解析プロセスに従って計算を実行する。全てのサンプリング点を実行した場合はＳ３０５に進む。ここではＳ２０２で入力されたサンプリング点数に応じた件数の計算を行う。本実施例では１００００件の計算を行う。
　Ｓ３０５では、Ｓ３０２、Ｓ３０３で生成したサンプリング点などの計算条件情報、計算結果を取得する。
　Ｓ３０６では、Ｓ３０５で取得した情報をデータベース１１０に格納する。
　Ｓ４００では、機械学習部１０４により機械学習を行う。
　Ｓ４０１では、Ｓ１００、Ｓ２００、Ｓ３００で入力されたすべての情報を、データベース１１０から取得する。
　Ｓ４０２では、機械学習部１０４により、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係について機械学習する。表１に本実施例における入力パラメータと出力パラメータを示す。
Figure JPOXMLDOC01-appb-T000001
　実施例１では、サンプル点１００００点の情報を用いて機械学習する。機械学習の方法は幾つか存在するが、ここではニューラルネットワックを用いる。ニューラルネットワークは、多数の神経細胞からなる脳の特性を計算機上のシミュレーションで表現することを目的とした数学モデルである。ニューラルネットワークは、人口ニューロンの各層をＸｉと置くと、下記のような漸化式で与えられる。
　Ｘｉ＋１　＝　ｆ（ＡｉＸｉ　＋　Ｂｉ）　　　　式（１）
ここでＡｉ、Ｂｉはそれぞれ重みパラメータ、バイアスパラメータである。ｆは活性化関数である。機械学習を通じて重みパラメータ、バイアスパラメータを決定する。なお３層の場合はＸ１が入力層、Ｘ２が中間層、Ｘ３が出力層となる。
　Ｓ４０３では、機械学習した結果をデータベースに記憶する。ここでは、重みパラメータ、バイアスパラメータが学習結果となる。
　図４を用いてフェーズ２について説明する。
　Ｓ５００では、要求仕様入力部１０６により入力した要求仕様に基づいて、設計案生成部１０５により設計案を生成する。
　Ｓ５０１では、Ｓ１００、Ｓ２００、Ｓ３００で入力されたすべての情報を、データベース１１０から取得する。
　Ｓ５０２では、要求仕様入力部１０６により入力画面を表示する。図７に入力画面の一例を示す。操作者は、これから設計する遠心圧縮機の要求仕様を入力する。なお要求仕様は、表１の入力パラメータとなる。解析モデル名は遠心圧縮機と入力されている。ここでは、圧力比２．５、吸入温度５５℃、流量２７０００ｍ３／ｈ、分子量２０が、要求仕様として入力されている。
　Ｓ５０３では、Ｓ５０２で入力した要求仕様を入力パラメータとして、設計案生成部１０５により設計案を生成する。ここでは、機械学習部１０４により機械学習した情報に基づいて、式（１）で与えられるニューラルネットワークにより設計案を生成する。設計案とは、表１で示した出力パラメータである。
　Ｓ６００では、設計空間可視化部１０７により設計空間を可視化し、設計領域入力部１０８により設計空間の指定した領域を入力し、設計案表示部１０９により設計案生成部１０５で得られた設計案と共に複数の設計案を表示する。
　Ｓ６０１では、設計空間可視化部１０７により設計空間を表示する。図８に設計空間の表示画面の一例を示す。表示画面の上部には、フェーズ１のパラメータサーベイで得られたデータに対して、羽根車回転数、羽根車外径、ヘッド、軸効力に関する相関関係を表す散布図が表示されている。散布図は、対角線の「羽根車外径」を例に取ると、「羽根車外径」の行の縦軸が羽根車外径を意味し、列の横軸が羽根車外径を意味する。すなわち、二行三列に位置する散布図は、縦軸が羽根車外径、横軸がヘッドとなる。図の性質から、対角線で対称の図となる。なお、入出力パラメータを自由に選択することで、別のパラメータの散布図の表示ができる。また、表示画面の下部は、フェーズ１のパラメータサーベイで得られたデータに対して主成分分析を行ったときの散布図である。図中の×が、設計案生成部１０５によって得られた設計案である。このように操作者は、設計空間の全体の中で、設計案の位置関係を把握するこができる。
　Ｓ６０２では、設計領域入力部１０８より、ユーザインターフェースを介して設計案生成部１０５によって得られた設計案の近傍の領域をユーザ（作業者）により指定する。設計案の近傍の領域は、広く取れば多くの設計案が、狭く取れば少ない設計案が選択されることになる。図８の点線で示すとおり、×近傍の領域が選択されている。×近傍は、要求仕様に対応した設計案が集まっている領域である。このため、×近傍の領域を指定することで、複数の設計案を抽出することができる。
　Ｓ６０３では、設計案表示部１０９により、設計領域入力部１０８より入力された設計案×近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。図９に設計案表示画面の一例を示す。設計案生成部１０５で得られた一つの設計案に加えて、設計領域入力部１０８より入力された設計案×近傍の破線領域に含まれるデータを表示することで、複数の設計案を得ることができる。
　以上のように、設計空間を可視化することで、設計空間全体に対して入出力パラメータの位置関係を操作者に表示でき、操作者が入出力パラメータの近傍範囲を指定することで、複数の出力パラメータを得ることができる。
　実施例１では、機械学習の手法にニューラルネットワークを用いたが、クリギング法などの他の手法を用いることは可能である。また、実施例１では、解析プロセスを構成する解析ノード解析を、同一の計算機で実施するものを説明したが、ネットワーク環境を利用することにより、異なる計算機において実施することも可能である。
１０１　解析プロセス定義部
１０２　解析条件入力／表示部
１０３　解析モデル作成・解析制御部
１０４　機械学習部
１０５　設計案生成部
１０６　要求仕様入力部
１０７　設計空間可視化部
１０８　設計領域入力部
１０９　設計案表示部
１１０　データベース
１１１　計算機

Claims (4)

  1. 　要求仕様を満たす設計案を出力する設計支援装置であって、
    　入力パラメータに基づきサンプリング点を設計空間内に発生させ、前記サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、
    　前記入力パラメータと前記出力パラメータの関係について機械学習する機械学習手段と、
    　前記機械学習手段により学習された情報を用いて、前記要求仕様に対応する設計案を算出する設計案生成手段と、
    　前記設計空間を可視化し、可視化された設計空間内に前記計算結果及び前記設計案生成手段により算出された設計案を表示する可視化手段と、
    　前記可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する手段と、
    　前記設計案生成手段により算出された設計案の近傍の領域に含まれる前記計算結果を、前記要求仕様を満たす設計案として出力する手段と、
    を有することを特徴とする設計支援装置。
  2. 　請求項１に記載の設計支援装置であって、
    　解析プロセス入力画面を表示し、解析プログラムが内蔵された解析ノードを選択することにより解析プロセスを表示する手段と、
    　解析条件入力画面を表示し、解析に必要な入力条件を表示し、前記入力条件に沿った入力パラメータ取得する手段と、
    をさらに有すること特徴とする設計支援装置。
  3. 　請求項１又は２に記載の設計支援装置であって、
    　前記機械学習手段は、前記入力パラメータと前記出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、
    　前記設計案生成手段は、前記機械学習手段により学習された情報を用いてニューラルネットワークにより前記要求仕様を満たす設計案を生成する
    ことを特徴とする設計支援装置。
  4. 　請求項１乃至３のいずれか一項に記載の設計支援装置あって、
    　可視化手段は、前記解析制御手段による計算結果を、前記入力パラメータ及び前記出力パラメータ中の任意のパラメータの相関関係を表す散布図と、主成分分析により得られる散布図として表示することを特徴とする設計支援装置。
PCT/JP2018/002637 2017-02-07 2018-01-29 設計支援装置 WO2018147104A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018567366A JP6611401B2 (ja) 2017-02-07 2018-01-29 設計支援装置
US16/479,765 US11238192B2 (en) 2017-02-07 2018-01-29 Support apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017019999 2017-02-07
JP2017-019999 2017-02-07

Publications (1)

Publication Number Publication Date
WO2018147104A1 true WO2018147104A1 (ja) 2018-08-16

Family

ID=63107445

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/002637 WO2018147104A1 (ja) 2017-02-07 2018-01-29 設計支援装置

Country Status (3)

Country Link
US (1) US11238192B2 (ja)
JP (1) JP6611401B2 (ja)
WO (1) WO2018147104A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020184159A (ja) * 2019-05-07 2020-11-12 株式会社日立製作所 設計支援システム、設計支援方法および設計支援プログラム
US20210141985A1 (en) * 2018-02-28 2021-05-13 Siemens Aktiengesellschaft Method and arrangement for the computer-aided design of a technical system
WO2023038054A1 (ja) * 2021-09-09 2023-03-16 株式会社荏原製作所 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7140567B2 (ja) * 2018-06-28 2022-09-21 株式会社日立製作所 設計案生成装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619876A (ja) * 1992-07-03 1994-01-28 Hitachi Plant Eng & Constr Co Ltd 事例ベース推論を用いた気流シミュレータ
WO2009044850A1 (ja) * 2007-10-04 2009-04-09 Ihi Corporation 製品設計支援システム及び方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5151732B2 (ja) * 2008-06-27 2013-02-27 富士通株式会社 特性が似ていて形状が異なる設計形状を分類・表示する装置、方法、及びプログラム
US20110178789A1 (en) * 2010-01-15 2011-07-21 Imec Response characterization of an electronic system under variability effects
JP5439288B2 (ja) 2010-06-17 2014-03-12 株式会社神戸製鋼所 鋼材設計支援システム、鋼材設計支援方法、及びコンピュータプログラム
JP5688131B2 (ja) * 2011-02-23 2015-03-25 株式会社日立製作所 解析支援方法および解析支援装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619876A (ja) * 1992-07-03 1994-01-28 Hitachi Plant Eng & Constr Co Ltd 事例ベース推論を用いた気流シミュレータ
WO2009044850A1 (ja) * 2007-10-04 2009-04-09 Ihi Corporation 製品設計支援システム及び方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KATAOKA, ICHIRO ET AL.,: "Development of Machine Learning Technologies for Product Design Spaces", 12TH OPTIMIZATION SYMPOSIUM 2016, PAPER NO. 1211, 5 December 2016 (2016-12-05) *
NONAKA, NORIHIKO ET AL.,: "Development of a Parameter Support Analysis System for Optimization Calculation", 12TH OPTIMIZATION SYMPOSIUM 2016, PAPER NO. 2207, 5 December 2016 (2016-12-05) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210141985A1 (en) * 2018-02-28 2021-05-13 Siemens Aktiengesellschaft Method and arrangement for the computer-aided design of a technical system
US12223233B2 (en) * 2018-02-28 2025-02-11 Siemens Aktiengesellschaft Method and system for computer-aided design of a technical system
JP2020184159A (ja) * 2019-05-07 2020-11-12 株式会社日立製作所 設計支援システム、設計支援方法および設計支援プログラム
JP7270454B2 (ja) 2019-05-07 2023-05-10 株式会社日立製作所 設計支援システム、設計支援方法および設計支援プログラム
WO2023038054A1 (ja) * 2021-09-09 2023-03-16 株式会社荏原製作所 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム

Also Published As

Publication number Publication date
US11238192B2 (en) 2022-02-01
JPWO2018147104A1 (ja) 2019-11-07
US20190362038A1 (en) 2019-11-28
JP6611401B2 (ja) 2019-11-27

Similar Documents

Publication Publication Date Title
JP7140567B2 (ja) 設計案生成装置
JP6611401B2 (ja) 設計支援装置
US11720633B2 (en) Aggregating personalized suggestions from multiple sources
CN107408116B (zh) 使用动态知识图谱来促进信息项的发现
Köthur et al. Visual analytics for comparison of ocean model output with reference data: Detecting and analyzing geophysical processes using clustering ensembles
JPWO2015030214A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN112862525A (zh) 门店选址数据确定方法、系统及电子设备
CN112395508A (zh) 一种人工智能人才职位推荐系统及其处理方法
Abdrabo et al. Enhancing big data value using knowledge discovery techniques
CN113158030A (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
US20220129363A1 (en) A cloud platform and method for efficient processing of pooled data
TWI503800B (zh) 建築模型影像顯示系統及其方法
JP6691600B2 (ja) 全体統合解析モデル支援装置
WO2020225959A1 (ja) 設計支援システム、設計支援方法および設計支援プログラム
Golfarelli et al. Goal-based selection of visual representations for big data analytics
JP2019020946A (ja) 学習データ精度可視化システム、学習データ精度可視化方法、及びプログラム
Kaur et al. Towards Visualization Recommendation-A Semi-Automated Domain-Specific Learning Approach.
CN112258297A (zh) 推送物品的描述信息的方法、装置和计算机可读存储介质
Zhang et al. A visual analytics approach to exploration of hotels in overlaid drive-time polygons of attractions
CN104239387B (zh) 查询处理系统以及查询处理方法
Papadopoulos et al. Towards visualizing mobile network data
Mozuni et al. A morphological analysis tool for complex future-oriented scenario researches
US20240419739A1 (en) Dynamic offset well analysis
Pullan et al. Interactive Visualisation of Multi-Fidelity Design Optimisation
Gerson RADIUS: the government viewpoint

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18751063

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018567366

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18751063

Country of ref document: EP

Kind code of ref document: A1