人工智能在基于模型的系统工程中的应用
导语:系统工程的发展对于解决跨学科、跨领域复杂问题有重要意义。随着人工智能技术的发展,系统工程也在加快数字化转型,并被用于更复杂的分析工作。近期,德国SysDice GmbH公司系统工程师Mohammad Chami与法国图卢兹大学教授Jean-Michel Bruel合著论文《人工智能在基于模型的系统工程中的应用》(Artificial Intelligence Capabilities for Effective Model-Based Systems Engineering: A Vision Paper),探讨了人工智能技术如何用于解决系统工程的挑战。本文摘编了文章核心内容,介绍了基于模型的系统工程(Model-Based Systems Engineering,MBSE)、主要挑战及人工智能技术在MBSE中的应用。
系统工程是一种跨学科的方法,它集成了多个领域的知识和技能,以确保系统的高效设计和开发。其中,基于自然语言文档系统工程活动,例如用户的需求、设计方案等,称之为DBSE(Document-Based Systems Engineering)。随着系统变得日益庞大和复杂,研发节奏日益加快、任务日益艰巨,同时伴随信息技术的发展,MBSE方法逐渐发展起来。有学者将MBSE定义为“使用模型来支持系统整个生命周期,也即从需求分析、概念设计到验证和确认,直至系统退役的整个流程”。相较于DBSE,MBSE使用数字建模和仿真来设计系统,并提供一种可视化的交互方式来表示系统组件及其之间的连接,可以以更直观、全面的方式理解复杂系统。
在过去十几年,MBSE发展迅速。这是因为产品技术翻天覆地的变革使人们对产品性能的期待不断提升。市场要求企业以更快速、经济的方式推出更智能、安全、耐用、适应性强且可持续发展的产品。特别是在机电产品领域,如运输设备、航空航天、国防和汽车行业领域,由于产品的跨学科和复杂性不断提高,企业、政府等机构在产品开发与优化方面经常面临重大挑战。因此,许多机构加大投入,开发MBSE。例如美国NASA就使用MBSE处理不同系统间错综复杂的交互,以模拟太空任务场景,从而降低太空探索风险;美国国防部使用MBSE来开发防御系统;电信企业使用MBSE设计和管理复杂的网络系统,帮助优化网络布局。
随着对MBSE使用率的增加,更多的人开始探索如何使用MBSE进行规模化、集成化的模型开发,如何提升MBSE模型的适用范围,提升其使用效率和投资回报率。针对这些问题人工智能技术的发展能够提供一个全新的解决方案。
随着MBSE的实践不断深入,越来越多的问题也暴露出来,阻碍了MBSE的发展。
一是前期投资困境。MBSE需要大量的前期投资,但由于无法准确估计其投资回报率,导致资金募集困难。二是缺乏良好的工具方法帮助机构选择系统部署及投资策略。三是实践中频繁变动的用户需求使清晰定义系统目标与范围(为什么做和做什么)变得困难。四是机构人员缺乏使用MBSE方法交付工作的能力。五是在面临短期、低成本或长期、高质量地开发MBSE的选择中,管理者的决策偏差将降低MBSE效能。六是建模方法对于MBSE至关重要,但是支撑这种方法需要的建模规则、指南、工具定制和培训材料难以获得。七是缺少MBSE的培训工具、系统建模工具和其他工具(如,仿真)之间的集成方案。八是缺少适当的模块化概念来定义模型,导致模型在不同场景的复用变得困难。九是系统复杂性会使MBSE现有的方法和工具达到极限。十是现有的工具不能对软件的元素布局和图表视图进行建模,导致工程师对大模型理解变得更加复杂,并且需要额外的工作来生成视图或报告。
AI4MBSE(AI for MBSE)也即人工智能和MBSE的结合。其目的是通过整合人工智能技术来增强MBSE的能力,从而提高系统设计和开发的效率和质量。AI4MBSE框架旨在通过自动化和智能化的工具来支持系统工程师,使他们能有效应对MBSE的挑战。AI4MBSE的能力主要包括以下几个关键领域:
能力一:赋能MBSE培训。MBSE是跨学科的,并且广泛应用于各工业领域,这种跨学科的特性使得建立一个统一的MBSE教育体系变得困难。将人工智能技术融入MBSE教育不仅可以提升培训效率,还可以为整合人工智能与MBSE的能力打下坚实基础。
能力二:自动化处理部分任务。系统工程师的工作相对复杂,需要多种技能、专业知识、直觉和灵感,所以将这些任务自动化并交给人工智能处理,可以使工程师专注于更重要的任务,例如涉及决策能力和创造力的任务。
能力三:人工智能风险处理。AI4MBSE工具必须具有管理和控制人工智能执行任务的能力,以便在出现意外结果时立即做出反应。尤其在初期学习阶段,人工智能犯错的概率会更大,所以需要人的指导来帮助它们正确学习。
能力四:模型可视化。现有MBSE工具仍然过多地关注于建模语言语法,例如SysML。根据特定用户需求来调整模型视图的功能还非常有限。尤其当模型非常大,需要展示成千上万的需求时,可视化就更加困难。人工智能插件则可以用于辅助模型的可视化。
能力五:扩展MBSE建模方法。在MBSE中,仅有工具和建模语言并不足以保证成功应用,还需要定义一个清晰的建模方法。这需要在建模语言、人工智能算法和图形可视化元素之间建立元模型的映射,在MBSE的建模方法中加入相关的人工智能开发和部署步骤。
能力六:辅助数据查询。AI4MBSE应提供有效的语义查询技术,以回答系统工程师关于模型内容的常见问题。系统工程师的一个主要任务是对数据进行查询,以便解答与数据完整性、质量、追踪性、变更分析和验证相关的问题。人工智能聊天机器人则可以很好地辅助工程师完成这项任务。
能力七:搭建通用的框架。系统建模语言本来是通用的,但目前机构仍倾向于使用自己的定制系统建模语言。AI4MBSE应该有一个通用框架、术语以及基本关系帮助建模语言与人工智能之间的映射,助力在各种工业应用中开发通用的人工智能解决方案。
能力八:知识获取与整合。AI4MBSE系统需要从领域专家那里提取知识,并整合到系统模型中。传统方法依赖人工文档化专家知识,但这种方法往往无法完全捕捉所有知识。人工智能可以通过向专家提出问题并收集答案来训练模型,模仿专家行为,还可以结合多位专家的决策,提高效率。
未来AI4MBSE主要的研究方向主要包括三个方面:一是适用性研究,这涉及与采用AI4MBSE的系统工程师等相关的人为因素。目的是根据用户的实际体验和期望的反馈,改进和优化各种功能的实施方案。二是可扩展性研究,虽然最初的实践是在轨道交通系统上进行的,但对于AI4MBSE来说,非常重要的一步是在其他工业领也进行测试和评估。这样做可以帮助扩大其应用范围,并确保这种方法在不同行业中都能有效运用。三是有效性研究,人们可能会关注采用AI4MBSE带来的具体成果和好处是什么。因此,需要明确并评估投入的努力和所需资源的数量以及这些投入相对于获得的好处有多少。
评论 (0人参与)
最新评论