产品创新和PLM的未来–抽象、数字主线和AI

PLM 解决方案传统上管理产品是什么（也称为设计数据），但不太了解产品的用途（也称为设计意图）。设计数据配置管理对于跟踪产品变型、发布、变更以及工程物料清单 (eBOM) 到制造物料清单 (mBOM) 的转换至关重要。然而，BOM 管理在确定产品用途方面并没有发挥重要作用。当然，在设计具有以下特征的复杂产品时，缺乏设计意图背景会成为一个重要问题：

• 远远超出产品核心功能和利益相关者规范的要求和法规海啸，例如特定国家/地区的法规合规性或绿色举措

• 越来越有必要将产品设计为更广泛的系统的一部分，即具有日益复杂的系统间行为的系统

• 由于普遍的连接性、通过在线服务提供产品功能的 SaaS 模型以及无线更新功能，加速了软件定义产品的发展

• 产品内部和周围无处不在的物理和虚拟传感器的普遍存在和智能

• 和更多…

抽象作为表达设计意图的一种方式

将产品复杂性抽象到更高表示级别的能力是基于模型的系统工程 (MBSE) 数据如此重要的原因。MBSE 还定义了对于理解设计数据的目的至关重要的设计意图。MBSE 抽象正是通过关注产品的功能分解来“降低”复杂性（我在这里进行了一些简化）。这使得产品的功能可以在分配到机械、软件、电子和电气领域实施之前进行定义和优化。我相信，这就是 MBSE 正在慢慢转变各个领域内的产品设计方法和工具的方式，最终导致由 PLM 管理的 BOM。这正是软件和半导体设计中当设计复杂性变得难以管理时所发生的情况。

考虑一下当今的软件工程师如何使用高级编程语言进行功能级别的设计，而几乎不需要了解如何将其编译为汇编语言或特定于 CPU 的指令集（实现域！）。这与芯片设计人员使用 Verilog 或 VHDL 等硬件描述语言 (HDL) 在功能/逻辑级别上进行设计相同，无需关心代码如何合成到寄存器传输逻辑 (RTL) 或集成电路 ( IC）代工厂从中生成光成像掩模（也是一个实施领域！）。软件和半导体设计人员可以通过将设计复杂性提升到功能级别来实现当今的设计效率。

显然，就 PLM 而言，对功能表示的关注并不会削弱实施域使用 PLM 协作优化总体结果的重要性，也不会削弱在 PLM 中管理 BOM 的价值。但我确实看到 MBSE 正在慢慢地将设计工程师的焦点转向系统思维，每个设计工程师都使用能够在每个领域创建功能抽象的工具。它类似于在布局印刷电路板 (PCB) 之前将电子原理图作为功能定义的作用。我预测 PLM 管理的所有产品领域都会发生同样的情况，从而使 PLM 能够理解产品为何如此设计。用《星际迷航》中博格人的不朽名言来说：“抵抗是徒劳的。”

数字主线支持未来的产品创新

让 MBSE 成为 PLM 管理的数字主线的一部分，从而在 PLM 中提供产品的设计意图，已经成为现实，也是数字化转型的结果之一。这要么作为内部战略的一部分有机制定，要么作为全行业计划的一部分强制执行，例如美国国防部指令 5000.97。数字主线跨越工程 V 模型的两侧，是未来产品创新和 PLM 的第二个要求。要了解更多信息，请查看我之前的文章，让我们谈谈基于模型的企业、数字线程和关系。

还有一点注意。PLM 管理的数字主线不需要包含所有内容，因为数据量巨大。它必须知道如何找到它。最近在云中实施 PLM 服务的趋势解决了这个问题，因为现在可以通过基于云的数据即服务 (DaaS) 访问许多数据源。

人工智能 (AI) 作为工程合作伙伴

PLM 能否帮助工程师设计未来的复杂产品，而不是“仅仅”跟踪设计的内容？我相信它可以，但前提是工程设计方法和工具的发展方式使 PLM 成为交互式工程“顾问”或“副驾驶”。上面讨论的功能抽象和数字线程以及不断发展的关系的提升对于使人工智能能够做到这一点至关重要。

在 PLM 中公开设计意图在整个产品生命周期中具有许多数字主线优势，其中许多优势涉及在上下文中生成数字孪生的能力，而不必亲自前往现场资产。例如，它可用于分析拟议产品更新的影响，或在预防性维护中利用物联网数据，或无线启用/禁用特定产品变体中的服务等。人工智能当然可以通过实现更智能的搜索或从非常复杂的数据生成特定于任务的报告或在不丢失上下文的情况下在语言之间翻译要求和法规来提供帮助。然而，就协助工程师创建下一个设计而言，这些都不是真正的变革。

相反，想象一个数字线程，它通过物理资产的数字孪生来保持对所有以前有效或无效的设计解决方案、所有以前的产品平台及其变体、所有模拟的历史以及所有物联网数据解释的可追溯性。想象一下，同一个数字主线维护所有这些解决方案、产品和变体的功能抽象的可追溯性。还想象一下，这些功能抽象是使用相同的系统工程方法、本体以及可以随时间演变的数据和关系的结构化模型来建模的。我所说的“相同”是指可以在不丢失上下文的情况下对它们进行比较。

现在想象一下副驾驶如何工作：

1. 系统工程师向 PLM 请求反馈，了解如何根据跟踪的历史记录来实现一组特定的需求和功能

2. PLM AI 服务返回过去成功或失败的解决方案列表，并能够深入了解工程或市场成功和失败的细节

3. 使用人工智能推理，工程师会比较一组成功的解决方案，看看它们之间有什么差异

4. 工程师使用选定的解决方案作为模板来进行新设计

5. 最后，工程师使用人工智能推理来了解新设计因技术或市场问题而成功或失败的可能性有多大

6. ...或者类似的东西，发挥你的想象力！

在考虑 PLM 管理的数字主线策略时，如果不考虑未来产品复杂性的不断增加，就会带来大麻烦。这是因为人们面临着数字线程实现的风险，该实现过度关注可追溯性，但并没有提高对其含义的理解。对于机械主导的产品来说，这可能不是问题，因为物理部件的视图足以理解其用途，但当产品变成软件和芯片驱动时（并且底层 3D 晶体管技术的物理视图），这可能是一个死胡同是很没用的）。当然，我夸大其词是为了表明一个观点。

这就是重新构想未来产品创新的切入点。如今用于连接代表产品的所有内容之间的点的同一个 PLM 平台在未来可以帮助工程师利用 AI 生成新的创新设计。毕竟，这是您的数据。