Развитием технологий управления жизненным циклом изделий – PLM (Product Lifecycle Management) является включение в них технологии «виртуальных испытаний» изделия.
Цель внедрения виртуальных испытаний – организация разработки изделий, сразу («с первого раза») соответствующих всем требованиям, что должно радикально сократить многочисленные натурные испытания. В идеале натурные испытания должны проводиться только для того, чтобы убедиться (и убедить регулирующие органы), что созданное изделие полностью соответствует предъявленным требованиям

Задача – перевод большей части испытаний в цифровую среду. Для этого, помимо традиционных средств проектирования (САПР) и управления разработкой (PDM-системы), необходимо внедрение различных программных и технических средств, ключевыми среди которых являются:

Типичный пример – проведение краш-тестов автомобилей в виде виртуальных испытаний до тех пор, пока автомобиль не будет удовлетворять всем требованиям по безопасности, и только после этого проводить натурный краш-тест, чтобы это подтвердить

Для обеспечения соответствия изделия всем требованиям, скорее всего, потребуется проработка большого количества вариантов его элементов, что потребует применения специализированных систем для анализа данных, автоматической генерации вариантов расчётных моделей и управления оптимизацией характеристик изделия

Поскольку в конечном итоге приходится управлять тысячами требований и выполнять тысячи расчётов, то для мониторинга и контроля процесса разработки должны применяться специализированные системы управления расчётными данными и процессами (SPDM)

SPDM-системы позволяют упорядоченно хранить все параметры расчёта (и обеспечивают его воспроизводимость в любое время), автоматически сразу после завершения очередного расчёта контролируют степень соответствия проекта изделия предъявляемым требованиям, отслеживают изменения конструкции изделия (и позволяют строить «генеалогическое дерево» вариантов конструкции), позволяют балансировать расчётную нагрузку между узлами кластера и многое другое

Обычно конструктор при разработке изделия, исходя из своего опыта, формирует несколько вариантов конструкции, отличающихся отдельными параметрами (геометрия, применяемые материалы и т.д.), а потом выбирает среди них наилучший по заданным критериям. При этом для проверки чаще всего используются различные расчётные системы в зависимости от требований к изделию (прочность, тепло, аэрогидродинамика и т.д.). Однако среди сформированных вариантов может не оказаться решения с оптимальной конструкцией, или вообще все выбранные варианты не будут удовлетворять предъявляемым к изделию требованиям. Это приведёт к необходимости использования неоптимальной конструкции или же к повторению цикла конструирования и расчётов

Решение состоит в том, чтобы не перебирать в поисках оптимума (или заданного значения целевой функции) все значения всех параметров, а применять «умный перебор», основанный на математических методах оптимизации. «Умный перебор» основан на математических методах планирования экспериментов и адаптируется к исследуемой предметной области (например, перебрав первые несколько значений параметров «наугад» и получив несколько значений целевой функции, дальнейший поиск идёт в потенциальной области оптимальных значений функции)

Выходом мог бы стать полный перебор всех возможных вариантов конструкции изделия (путём перебора всех значений всех возможных параметров). Очевидно, что такой подход невозможен в силу практически бесконечного числа вариантов, на обработку которых уйдёт громадное время и вычислительные мощности

Подход реализован в виде оптимизационной программной платформы, осуществляющей «умный перебор» параметров. В качестве такой платформы мы предлагаем семейство систем pSeven (российские разработки, включённые в реестр отечественного ПО).
Для выполнения оптимизации к платформе подключаются необходимые расчётные системы, а сама платформа позволяет автоматизировать рутинные операции по подготовке входных данных, запуску расчётных кодов и анализу выходных данных, что снимает значительную часть нагрузки с конструктора или расчётчика. По сути, человеку нужно только поставить оптимизационную задачу, дальше всю работу делает платформа вместе с расчётными системами, предоставляя инженеру результаты в наглядной форме для окончательного принятия решения

Следует отметить, что область применения MDAO не ограничена задачами по поиску оптимальных решений. MDAO-системы позволяют выполнять параметрические исследования в целях поиска решений в условиях ограничений, проводить анализ чувствительности и неопределенности моделей, выполнять связанные мультифизичные расчеты, исследовать области пространства решений, а также строить так называемые суррогатные (аппроксимационные) модели, позволяющие существенно снизить ресурсоемкость вычислений, заменяя «тяжелые» модели на их суррогаты. Еще одним практическим применением является «калибровка» расчетных моделей на основе данных реального объекта или прецизионного расчёта (подбор коэффициентов, уточнение констант). Применение MDAO в повседневной практике позволяет получать робастные проектно-конструкторские решения, устойчивые к изменениям условий производства и эксплуатации, в том числе, исследовать решение с учетом всех допусков, закладываемых в конструкторско-технологическую документацию