optiy

Optiy 設計最佳化分析軟體

    Delivery time:5-7 days
  • Description

OptiY®是一套應用於各種學問設計的分析軟體,提供支援許CAD/FEM/CFD軟體之間的互相耦合運算分析。

世界第一針對非線性動力模擬 (Dynamical Systems) 的廣義機率模擬系統
 (Universal Probabilistic Simulation System)
技術系統 (technical system) 的特性變化成為實際,實際方面如變化性、不確定性、公差和誤差都必須在跟品質和可靠度有關的技術系統的設計中被考慮到,藉由製造不準確性、製程不確定性、 環境影響、磨損、人為因子的機率分佈和原因來特性標示出來,確定性模擬 (deterministic simulation) 不能夠預測真實系統行為,因為一個標稱模擬只顯示設計空間的一個點,必須執行機率模擬來得到真實系統行為,此考量隨機分佈做為設計參數,從輸入分佈中,得 到基於確定性模型的計算輸出分佈,不同使用條件下的真實系統行為可以從這些輸出機率分佈中估算出來,因此,強健和敏感度分析是可以使用的。


0D機率密度函數和敏感度指標

機率模擬很大的挑戰是確定性產品模型的長時間計算,隨機分佈的準確度受到其四個 中心矩 (central moments) 來定義的,包含平均值、變異數、偏態和峰度,這些值的準確度依據蒙地卡羅取樣大小與隨機參數來決定,可信賴的結果往往需要大量的取樣數和計算量,因此,簡 單的蒙地卡羅模擬收到所有商用CAD/CAE軟體的青睞,卻也導致了輸出結果的不夠準確,甚至不正確及預測出錯誤的設計參數。
 
在OptiY ,非線性動力系統的1D機率模擬超出了0D機率模擬的缺陷,針對整個時間訊號的1D機率密度函數能被快速和準確的計算。

非線性動力系統的1D機率密度函數
基於敏感度指標的1D全域變異數,對整個時間訊號的主要影響和總影響可以在1D機率模擬中實現,在敏感度分析中,動力系統的複雜度可被降低,並能解釋因果分析關係,從重要的模型參數和其交互作用中,辨識出對設計變異性最高的貢獻。
 
在1D機率模擬結果中,設計者必須有強大的工具,能在設計初段來得到最深入的動力系統資料,以實現正確的設計決策,達到可靠度和品質。

動力模擬的1D敏感度指標
世界上最快的動力系統最佳化手法
開發出基於1D 代理模型的創新最佳化技術,因此,動力系統可在最短時間內得到最佳化的解答,例如一具有10模型參數的非線性動力系統的參數辨識,在古典最佳化手法如演化 式演算 (evolutionary algorithms),必須要執行1000次模型計算來找到量測資料的擬合解,但在創新1D代理模型技術中,只需要120次模型計算就能得到相同的結 果,因此可大量減少最佳化計算的時間。

動力系統的參數辨識
外部底稿引擎的使用者整合功能
新的樣版提供給使用者整合外部CAD/CAE程式至 OptiY,此樣版使用外部編譯引擎(Python, Java,Lua 等等)來執行,只需要建立一次就可提供後續的程序自動化使用,因此,市面上廣泛的商用模擬軟體在沒有COM或NET介面下,仍舊可以與OptiY整合。

新的演算法和一般功能性的強化
世界著名的最佳化手法-基因演算法 (Genetic Algorithms) 已在OptiY中實現了,基因演算法對比演化式演算法的優勢存在於離散最佳化,因此,當具有許多二元和離散設計參數的最佳化任務時,可以達到更 好的結果,此方法也經常使用於大專院校的研究和教育用途。
 
外部底稿和SimulationX的執行時間可以限制住,當非強健模型計算時的當機發生時,最佳化程序還可以繼續進行。
 
提供可以從全域非線性敏感度分析中移除一個或多個隨機參數,而不用從實驗中刪除這些隨機參數,假如虛擬設計中的公差設定為零,這些參數的敏感度指標將被設定為零,隨機參數將不會考慮在下一次敏感度分析中。
 
在4.2版本中也可以再不用重啟外部龐大模型下,重新計算實驗的輸出,重新計算 基於外部模擬中所儲存檔案資料集來輸出的並隨時的更新,假如改變這些工作流程內的變數下是非常有用的,假如一個做為準則或約束的新節點加入至現有的實驗 中,這些變數的資料集將自動被計算出,並加入至現有的實驗設計的資料集中。
 
在資料表單和圖形繪圖的設計選項中,也提供了進一步的擴充功能,使用者能客制化圖形來強化文件和報告。



資料採擷(Data-Mining)
  

   資料採擷是一個抽出隱藏在數據裡樣本的過程。資料採擷利用簡單樣本估計來判斷數據的趨勢。透過精密演算法的運用,不具有統計背景的使用者也可以了解此過程 中特性和關鍵點。資料採擷漸漸變成如何有效將數據資料轉為資訊的一重要工具。它被廣泛地運用在像製造產業、市場銷售和科學研發等領域。因此如果將其整理特 點則如下所示

  -從現有的大量資料中,擷取不明顯的、之前未知的、可能有用的資訊

  -接下來資料需要分析、了解,進而轉換為有用的訊息,這就是資料採擷

  資料採擷的目的就是要經由資料倉儲內的資料萃取出對不同的使用者所具有的不同意義的數據資料,進而分析這些數據獲得各自所需的效益。

 

敏感度研究(Sensitivity Study)

  Optiy 不僅可以針對特定變數分析其敏感度,也可以針對整體分析探討敏感度。如果輸入變數與輸出變數為一線性關係,則可以透過相關係數與偏微分定義其局部的敏感度 值。局部的敏感度值用以作為解釋參數的影響其實效益不大,因為在運算上只有計算上下邊界的偏微分值。然而探討整個設計空間中的影響變數,大都為非線性條件 居多。因此必須考量探討全域的敏感度如sobol index,單一輸入變數所產生的差異性數值除上多筆輸入參數所產生的差異性數值所獲得的商值為其最主要的敏感度分析影響之數值。利用敏感度分析可以降低 系統複雜度而且可以解釋造成以下問題的原委和結果:

  • 哪些模型參數對輸出變異性貢獻最大,而且可能需要額外的研究更加確認該參數是否為主要參數,進而減少輸出的不確定性?

  • 哪些參數是無意義的而且會在最終模型被消除?

  • 哪些參數會與每個參數相互作用?

機率模擬(Probabilistic Simulation)

   現今嶄新的科技產品越來越多,每一個產品的設計皆有其實質上和可靠度方面的許多考量;例如變化性、不確定性、公差、設計錯誤等等。這些變因可透過機率分佈 描繪出其現象且其所產生的原因有製造上的不精確、製造過程的不確定性、環境影響、磨耗以及人為因素等等。傳統的分析方法大多分析範圍性的參數做一整合性分 析,但是這也僅僅只能分析一個論點而已且無法描繪真實行為。機率模擬則是使用以模擬分析真實系統設計的行為;從輸入的函數分佈,並透過不同的模擬工具計算 可得最後的輸出分佈結果檔案。此過程也可稱為設計過程中的公差分析。對於不同條件的真實系統行為可以透過輸出機率分佈估算。在OptiY®不只蒙地卡羅採 樣法(Monte-Carlo sampling)和響應曲面方法,也有較新的分析方法(叫做動差法、moment method);此方法可快速且精準地計算輸出分佈函數。

可靠度分析(Reliability Analysis)  

  參數的變異往往造成系統的失效。可靠度分析調查出輸出的邊界衝突是由於輸入的變異。在產品開發的過程中已預先知道元件失效機制。而這些失效機制可經由測量、真實數據收集、材質數據以及客戶的詳述等鑑定。在模擬裡定義模擬結果的限制為滿足所有產品闡述的條件。

   如果所有限制條件散佈於已知的邊界內側,則可獲得系統的可靠度。雖然名為參數模擬顯示所有限制的數值落在可靠的邊界裡,但是由於輸入變異所以不能保證系統 的可靠性。部分限制變異被稱為失敗機率的解決方案是因為其違反預先定義的邊界。可靠性分析可推斷出在一已知時間點上單一組件和整個系統的故障機率

 

代理模組(Meta-Modeling)

  代 理模組是一個摸索參數設計和產品特性之間數學關係的過程。就參數空間裡的每一個點來說,都有一個設計空間的對應點。所以為了要顯示系統輸入和輸出之間的關 係,執行了許多模擬計算。但是實際上是不可能達成產品模型的高度估計。為了解決這個問題可以用合適的反應曲面法(RSM)。首先,用原始的模型計算位在變 數空間裡預定的支持點。然後在這些支持點之間用內插的方式建立一個反應面。根據這個反應面,我們就會用原始的模型激發並計算在參數空間裡新的支持點。接 著,一個新的反應面因存在著支持點而建立起來。

這 個配適的過程會一直進行著,直到取得反應面被定義的準確性或模型計算的被定義的次數為止。參數設計和產品特性之間的數學關係代表著模擬結果的新定義域,因 而被稱為後設模型。有了後設模型,我們可以很快地執行虛擬的最佳化或虛擬設計的測試進而評估和改善現實情況的設計。C程式,Modelica程式或 Matlab程式都可以輸出至代理模組後設模型,方便更進一步在系統模擬裡當作代理模型般運用。

 

單一和多重目標的最佳化(Single and Multi-Objective Optimization)   

  在 科技產品的發展過程,許多估算的目標或準則如低成本、高品質.低噪音等設計問題持續地存在著。參數的設計(連續的、分散的或二元的)必須達成使所有準則縮 到最小。總體的目標函數依據正統地加權準則總計。與單一最佳化相比之下,多重目標最佳化另外在參數和限制空間之間還有一個有序結構。準則之間彼此互相牴 觸。試著縮小限制的同時,其他限制可能會被放大。因此不但存在著一個解,而且也是柏拉圖最佳解集合的前身。多重目標的最佳化不自覺地用單次運轉發現全部柏 拉圖解。支援決定多種決策的工具也是可用來挑選一個最適合的解決方法。

 

穩健的最佳化設計(Robust Design Optimization)  

變 化性、不確定性和公差影響是最常在科技系統設計過程中考慮到的問題點,以確保產品的高品質與可靠度。而這些變化及不確定性造成原因非常多,例如環境影響 (溫度、溼度、以及陽光等等)、又或是不明的外力影響(例如結構設計不良所衍生的應力過度集中),以及人為疏忽等問題。很多變數造成產品的良率降低損壞大 都是不能控制的因素或是沒有預期到的因素所影響。設計的最終目的則是不論任何的不確定性,又或是不知名的變因影響;都要確保所要生產之產品功能正常使用。 於產品設計前期即可運用穩健最佳化設計,因為其是一創新且考量成本效益的方法。在本軟體中有建構很多DOE(Design of Experiment)方法可供使用者使用。穩健的最佳化設計過程具有不同的最佳化目標:

  • 基於可靠度的最佳化:目標是計算產品特性的失效機率分佈之最小化

  • 基於變異性的最佳化:目標是機率分佈的變異量最小化

  • 基於平均值的最佳化:目標是機率分佈的平均值最小化

 

對於穩健的最佳化設計,隨著產品設計上的複雜性越多,考量參數也越多因此在計算上勢必也會產生長時間的計算。

在Optiy內具有全新的最佳化設計方法可以讓最佳化過程變得更為快速且容易。

諮詢價格