AI落地Best Practice · 企业与业务成品 · 2025-08-07

AI技术在汽车合规导向数模设计中的应用

AI技术助力汽车设计合规,智能解析法规并提升设计效率,让复杂标准不再成为研发瓶颈。

核心内容:

  1. AI技术在汽车法规智能化解读中的应用
  2. 大数据与UG NX二次开发技术的深度融合
  3. 实现合规导向数模智能化设计的具体方法与成效

导读:企业依托人工智能AI技术,深度融合大数据与UG NX二次开发技术,精准识别法规符合性检查项、智能提取设计/校验参数、将设计/校验过程转化为操作便利的工程开发软件工具,实现合规导向的数模智能化设计,全方位提升汽车产品研发质量与效率。

前言

汽车合规指产品满足销售地政府部门在汽车产品认证中已采用或将采用的市场准入相关标准和相关技术要求,旨在确保汽车的安全性、环保性能以及符合特定的技术要求。根据全国汽车标准化技术委员会发布的《汽车标准法规目录(2024)》,这些强制性标准分类和数量如图1所示。

图1 汽车强制性标准分类与数量

汽车合规体系是确保车辆安全、环保和公共利益的综合性框架,其分类覆盖了车辆全生命周期的技术要求与合规性标准,这些强制性标准涵盖主动安全、被动安全,一般安全和环保与节能四个方面。

除了对汽车产品材料、性能、工艺等提出要求,很多法规对汽车数字化建模、系统布局、结构形状及尺寸公差控制等提出了明确的技术标准和规范。如果产品数模设计不符合法规要求,将会影响产品的生产或销售。

如果采用传统方法,由于法规条目繁琐、零件众多、零件形状复杂,导致人工识别难度大,耗时长,容易出现错漏或者操作失败。同时,手动操作严重依赖工程师经验,缺乏统一标准,千人千面,且知识复用率低,难以形成有效的知识积累与传递。

企业依托人工智能AI技术,深度融合大数据与UG NX二次开发技术,精准识别法规符合性检查项、智能提取设计/校验参数、将设计/校验过程转化为操作便利的工程开发软件工具,实现合规导向的数模智能化设计,全方位提升汽车产品研发质量与效率。

1.法规智能化解读

汽车法规解析的难点主要体现在法规体系的复杂性、技术标准的动态性及准确适配相应的产品设计指标等方面。采用传统方法需要人工逐条阅读法规中的关键条款、限制条件、测试标准等,合规成本高。特别是随着新技术发展,法规频繁修订,合规团队面临更大的挑战。本研究利用AI技术实现法规条款的智能化解读,同时实现数模检查项的智能化提取。

1.1 数据源整合

为了实现法规条款智能化解读,首先需要对企业法规库、数模平台、工具库进行整合,为合规导向的数模设计提供一体化协同资源平台,将碎片化的法规要求、数模设计检查项及参数规则进行系统化集成,从而支持整车及零部件在设计之初能实时获取各项法规参数要求。

法规库:依托企业标准法规信息网,及时发布各类法规标准信息,并进行结构化解析和存储,支持法规动态跟踪与合规任务管理。

数模平台:在UG NX系统中对汽车零部件进行数据化,即形成三维CAD BOM结构,以及附加更多的几何信息(如零件在空间中的位置、表面特性)、管理信息(如零件号、结构清单、版本、变体和选项等)及功能特性(如材料信息、强度、颜色等),进行设计过程管理。

工具库:自主开发数模智能化设计和校验智能化工具,集成人工智能AI算法,使用知识库+推理机的原理,提供三维模型自动化设计、自动化检查、自动化发布的最优工程解决方案。

该法规-数模一体化资源协同平台以数据层为桥梁,基于Teamcenter和UG NX软件二次开发,在功能层集成了模型识别、模糊检索等大量自主智能算法,实现了自动化设计、检查、发布和可视化管理四大功能,如图2所示。

图2 法规-数模一体化资源协同平台

1.2 数模检查项智能化提取

作为人工智能AI的核心技术之一,知识图谱通过结构化的方式描述知识之间相互关系,从而提升计算机理解和处理复杂信息的能力。通过将法规条款、行业标准、历史案例与数模设计检查项及关键参数等关联为图谱,直观展示法规与数模设计检查项间的依赖关系,如图3所示。

图3 基于知识图谱的法规-数模检查项提取

采用知识图谱的优势在于:

(1)设计合规性追溯:快速定位法规条款对应的设计参数,避免遗漏;

(2)参数优化迭代:通过图谱回溯仿真数据,优化关键参数;

(3)多法规协同:识别不同法规冲突点(如轻量化与碰撞安全的平衡)。

利用知识图谱、自然语言处理(NLP)、大数据分析等技术自动提取法规中的关键条款,并自动识别法规中的关键实体,生成结构化数据,同时对其中关键术语进行解析。然后自动提取法规要求核心指标,将法规要求映射到数模设计检查项,并生成参数规则列表,从而将法规指标转化为具体的数模设计过程输入数据。

法规解读是一项集项目经验、法规知识和抽象逻辑判断于一体的活动,再加上法规文本的模糊性,可能导致规则模型的误判,故初始的法规-数模知识库与实际生产环境通常在知识完整性、一致性、准确性等方面存在一定偏差,需结合专家例证,不断调试、修正与扩充,从而不断优化该模型,这个过程称为知识求精。

本研究将神经网络技术用于知识求精。如图4所示。其核心过程由三部分构成:

(1)将初始的法规-数模知识库转化为初始神经网络;

(2)利用训练样本对初始神经网络进行知识求精;

(3)从经过求精的神经网络中提取规则,获得优化后的法规-数模知识库。

图4 法规-数模知识求精示意图

2.数模智能化设计

以汽车合规为导向,综合运用AI技术,本研究在多个数模设计相关领域成功运用,如:创建类(A面创建、断面创建、数模创建)、检查类(符合性检查、性能分析)、文件发布类等。特别是涉及特征识别、包络创建及断面设计等领域,本研究展示了其优势。

2.1 特征识别

特征识别是计算机辅助设计与制造(CAD/CAM)领域的核心技术之一,其核心目标是从三维实体模型中提取具有工程意义的形状特征(如孔、槽、凸台等),以满足BP、法规要求,如零件性能要求:刚度、模态、耐久性;零件装配要求:开孔位置、公差;零件可制造性要求:如冲压角度、翻边位置、大小等,并支持自动化加工、检测或分析。

(1)法规识别难点

特征识别在数模设计过程中通常存在以下难点:

法规条款内容多:法规中对数模尺寸要求条目多,要求严格,并且校验方式复杂,多涉及投影、相切、轨迹切线等复杂校验方式。

零部件特征复杂:涉及的零部件特征种类多、类型多、数量多,导致人工识别难度大,如图5。

图5 不同的特征种类

(2)智能化解决方案

常见的特征识别有如下几个技术分类:

基于规则:利用不同的规则对特征边界模式进行定义和描述,搭建专家系统结合特征规则进行匹配,识别特征。具有简单高效的优点,但相交特征亦存在边界,识别规则多样导致使用困难,大量匹配导致识别效率下降,干涉的特征无法识别出来。

基于图:采用FAG(F…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AIqiche/2025080736827.html