行业分享丨延锋国际基于数据分析和 AI 平台的仿真工具探索

"physicsAI 的操作非常简单，它有很好的 UI 支撑工程师选择一些特征点导入数据，可以自动帮你完成后续步骤，相比于其他预测类神经网络模型搭建的产品，physicsAI 的操作难度大幅度降低，读取结果的时间大幅度缩短。

—— 延锋国际 CAE 负责人 王海华

在 2024 年 Altair 技术大会的精彩演讲"

延锋国际和 Altair 合作已经超过 20 年了，2002 年开始使用 Altair 产品建立 CAE 的仿真能力，本次主要从以下几个方面跟大家交流 Altair 产品的使用心得，以及汽车行业发展越来越快的节奏下如何应对来自于市场的各种挑战：

一、延锋的管理结构；

二、延锋产品研发痛点；

三、AI+数据分析探索；

四、AI+CAE 探索。

以下是具体演讲内容：

01、延锋的管理结构

首先简单介绍一下延锋。这几年延锋做了一个大的整合，目前有五大系列产品线，建立了一个统一的技术中心。我们可以支撑所有的智能座舱相关产品总成和零部件，现在整个延锋正在进行从 TO1 到 TO 0.5 的转变，可以给客户提供更好的产品和合作开发的体验。

02、延锋产品研发痛点

延锋作为一家在汽车行业经营了二三十年的公司，积累了很多很好的经验，同时也积累了不少教训、数据和问题。目前延锋很多产品的相似度非常高，但是客户还是会抱怨交付一个方案太慢。

比如汽车座椅，对于用户而言每辆车的座椅都差不多，但是在实际产品开发过程中需要不断做 CAE 模型验证，整个周期可能需要四五个月。最终我们得到了一个新的验证过的产品，跟上一代产品相比可能就差 10%～15%。

不断重复的劳动和不断堆积的项目让工程师的工作负荷加重，同时也要面对客户对仿真和试验结果对标的质疑，以及公司管理层对产品快速穿透需求的挑战。在汽车行业大家都面临着类似的痛点。

为了解决这些问题，延锋从十几年前开始在 IT 端投入了非常多资源，建立了各种各样的系统，开始做数字化的转型、管理，积累了非常多数据（结构化数据、非结构化数据），产生了各种各样的试验报告、仿真报告、仿真模型、工程文档等。

这些相关数据和知识都在公司服务器里，但是当工程师真正需要用它的时候，会发现很困难，因为这些信息堆积如山。所以我们从前几年开始，将历年积累的信息进行梳理，找一些关键因素，让 IT 部门做了一个大数据平台。

03、AI+数据分析探索

本次我们的主题是讨论 AI，但是如果连基本的数据平台都没有梳理完整的前提下，做 AI 是不太现实的。通过我们的实践也确实发现做 AI 的第一步其实是整理数据。

在数据分析和 AI 方面，我们和 Altair 合作进行了一些探索。Altair RapidMiner 人工智能与数据分析平台对我们的数据整理分析以及 AI 的应用方面起到了相当好的作用。

首先我们将 AI 应用在运营效率场景里。对于有一定规模的研发组织来说，运营效率的评估在项目管理过程中异常重要，这会涉及到整体的研发效率和质量的提升。

我们将历年的运营数据与管理系统对接，实现了在实际运营中方便快捷地评估总体业务量、业务趋势、资源调配等，也可以跟踪日常业务中微观层面的任务、趋势、状态是否符合管理层的预期，是否得到了及时地追踪与关闭，以及客户比较关注的整体交付效率，最终帮助我们参透整体业务健康程度。

AI 工具帮助我们变得更快，解决了困扰多年的效率提升的难题。我们用 RapidMiner 解决了大批量工程问题，也极大程度提升了管理效率，只要有相对较好的数据基础，稍作清理对接到 RapidMiner，就可以实现 Plug and Play 的效果，快速帮助大家评估整体团队运营效率。

04、AI+CAE 探索

在 Altair 产品的助力下，我们还进行了 AI 在 CAE 方向的探索。前面提到我们很多产品设计差异不大，但是 CAE 部门的响应总是很慢，也因此不断被设计部门、营销部门以及客户质疑。前几年 AI 概念兴起后，管理层开始思考 AI 应用的方向。在对各种产品进行评估之后，我们选中了 Altair physicsAI ，可以提供我们需要的技术方案。

最开始我们选择了相对单一的产品：方向盘骨架，作为探索 AI 与 CAE 融合的起点。我们搜集了 20 多个历史项目的实际工程数据，选择了不同 OEM 都会要求的性能指标。

通常我们需要对方向盘进行一些微调，比如在特定区域需要稍微加宽、变窄、调圆、调扁等，在我们现在的开发流程中用 CAD 调整会相当快，但是对于 CAE 的修改需要重新画一轮网格，对工程师来说，画方向盘的网格还是有难度的，会使整个交付周期变得漫长。所以我们使用了 Altair physicsAI 这种能使我们更高效的工具。

首先，我们用 physicsAI 做了模型训练。physicsAI 的操作非常简单，它有很好的 UI 支撑工程师选择一些特征点导入数据，可以自动帮你完成后续步骤，相比于其他预测类神经网络模型搭建的产品，physicsAI 的操作难度大幅度降低，读取结果的时间大幅度缩短。

在我们的案例中，是先一步步从模态开始做了一些探索，评估整体表现是否符合预期，可以看到最后的整体训练效果非常好。

很多 CAE 工程师会质疑应用神经网络类的工具代替仿真的精度到底如何。从现有的训练案例结果看，精度其实跟 CAE 比也挺不错的。

这个精度是基于内插的精度，所以需要我们在一开始设定模型的训练数据边界的时候，就要能把可能覆盖的范围覆盖住。

在实际操作中，做这样的模型训练时会发现如果变量数多几个，对训练样本数的要求就可能呈几何指数上升，所以如果一开始采集不到足够的数据量，会导致模型训练的数据支撑不那么好，从而使测试精度不那么高。

而基于一些精度要求重复训练的模型会收敛误差还是放大误差，目前我们还没有足够多的案例证明，这一点也是我们接下来需要克服的。

通过这个案例我们学到了很多东西，将以前从各种研究报告中看到的研究成果与实用性工具连接起来了，工程师不再需要去学很多神经网络相关信息，不再需要很高的编程技术，就可以基于数据进行模型训练，大大降低了应用难度。

未来 CAE 工程师必然会需要能够运用自己或同事产生的数据做一些神经网络模型训练。

最后，我们还基于 RapidMiner 工具做了方向盘骨架案例的数据分析模型训练，从最终的数据指标结果来看非常不错。

在使用这两个工具进行了一些案例尝试之后，我们探索出对于一些指标性的性能要求：

●有比较清晰的数据逻辑，就可以使用 RapidMiner 得到满足精度要求的测试结果。

●对于需要关注结构变形、云图类的输出，physicsAI 可能是更好的工具，可以帮你把从前到后全流程做一个比较好的集成，而且能将结果以云图的方式展示。

●训练数据量是根本，如果没有足够多的案例数据支撑，模型能学习到的工程知识点还是相当有限的。

●算力对于 AI 的应用非常重要。延锋作为一个 TO1 供应商，可以把各种各样不同客户的同类产品数据放到一起，而对于 OEM，在开发的车型不是非常多的情况下，要做一类产品的数据集积累就会比较困难，有可能需要通过仿真的方式主动产生数据，所以算力对于 AI 的应用也是一个非常重要的点。

以上就是延锋近些年来在 AI 方向做了各种调研和尝试之后的一些心得体会，希望能给大家带来启发。未来我们也希望能继续与 Altair 扩大合作范围，共同探索前沿技术领域，助力延锋始终走在行业前列。

关于 Altair RapidMiner

Altair RapidMiner 数据分析与人工智能平台，是数据分析领域中最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的企业级一站式数据科学平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署的全流程需求，同时支持数据和流数据的实时分析可视化，适用于从学术研究到企业级应用的广泛场景。

欲了解更多信息，欢迎关注公众号：Altair 澳汰尔

如您对企业级人工智能和数据分析平台 Altair RapidMiner 感兴趣，欢迎点击链接免费申请部分软件试用。