ニュートンワークス株式会社

データサイエンスソリューション

solution-datascience

価値ある設計のためシミュレーションモデルをいかに活用するのか。実測との答え合わせにばかり気を取られ、せっかくのヒントが眠っている——そんな場面も少なくありません。しかし、モデルや実測データはみなさまの蓄積されてきた経験を明文化できる道具です。ニュートンワークスはこれらを用いて設計の全体像を可視化し、効く因子を見極め、要件を満たす設計の意思決定へとつなげます。さらに、そうして得た知見を体系化していくことで、開発期間を1サイクルごとに短縮できるようにします。

  • 設計の全体像を、つかむ
  • モデルを、目的に効く形で使う
  • 目的に合う設計を、迷わず選ぶ

設計の全体像を、つかむ

- 単発の答えの先へ。手元のデータから、設計の地図を描く -
◎ 全体像をつかめる

一つの条件を計算しては結果を確かめる、というやり方で暗中模索された経験はおありでしょうか。自分がいま検討している設計が全体のどのあたりに位置していて、良くなる余地がどこまで残っているのかが見えると系統的に作業ができようになります。またそうすることで根拠を以て結論を説明できるようになります。設計の無数の候補を一望できる形に整理し、それらがとりうる範囲全体とその中での立ち位置とをあらためて見渡せるようにすることで次にどの条件を確かめるべきか根拠を以て見定める技術を提供します。

 

◎ 設計空間を歩き回れる

設計の全体像が見えてくるとその中を歩き回れるようになります。設計として避けた方がよい領域を把握したり、有望そうな領域を深堀したりすることができます。また進化計算などメタヒューリスティクス手法を用いて最適設計の探索を自動化するのも有用です。重いFEM計算など設計空間を歩き回るうえで多くのデータ点数を確保できない場合も、近直交表や応答曲面などの手法を用いて最適な設計領域を探せます。

 

◎ 危ういばらつきに気づける

平均的にはうまくいっているように見える設計でも、その陰に大きなばらつきや思わぬ例外が隠れていることがあります。また公差の過剰さがコストとなり、製造過程で公差の再設計を要求されることもあるでしょう。当社では網羅的な検証やロバスト最適化、トレランスコスト最適化を通じてばらつきを適切に評価できるようにします。そのことで量産後や後工程になってからの想定外を減らしすことに貢献します。

 

solution-datascience1-1

【さまざまな可視化手法を用いた設計空間の全体像の見定め】

シミュレーションモデルからデータを取得し、不具合事象(青色)に対してそれがいつどのように発生しているのか探索的に分析。

◎ 効く因子を選り分けられる

設計変数の数が多くなるほど、結果を本当に左右しているのがどれなのかは、感覚だけでは分かりにくくなっていきます。すべての変数を同じ重みで扱うのではなく、まずは何が効いていて何が効いていないのかを見極めるところから始めます。結果を本当に左右している設計変数を選び分け、注力すべき対象へ検討を集中できるようにします。効きの薄い変数にまで手を広げてしまう、無駄な検討時間も減らせます。限られた工数を、成果につながる検討へ振り向けやすくなります。

 

◎ 機能どうしの綱引きが見える

ある性能を上げようとすると、別の性能が下がってしまう——設計にはそうした綱引きがつきものです。何と何が競合しているのか関係者どうしで共有できていないまま検討を進めると、判断がぶれてしまいます。その綱引きの構造をあらかじめ図として描き出し、設計に関わる皆様が判断の前提を共通で認識できるようにします。どこまで譲れるかという線引きも、この図をもとに話し合えるようになります。部門をまたぐ調整の場でも、共通の土台として使えます。

 

◎ 見かけの相関に振り回されない

データの間に相関が見つかると、それが因果関係だと早合点してしまいがちです。しかし、因果関係があるかの判断には反実仮想が不可欠であり、そのために有用なのがシミュレーションモデルです。当社ではデータ分析と物理シミュレーションとを組み合わせた設計判断のノウハウを蓄積し、データの見せかけの相関関係に振り回されることなく、設計に有用な因果関係の確認と知見の明文化で貴社の開発力向上に貢献します。

 

solution-datascience1-2

【相関マトリクスを用いて寄与度やトレードオフを見定める】

複数の設計変数を振り、傾向の明瞭な部分に注目することで効いている変数や複数の評価指標の間の相関を分析。

 

◎ 眠るデータから示唆を掘り出せる

日々の設計や試験の中で蓄積されたデータは、活用の機会がないまま眠ってしまいがちです。新たに測定や解析をやり直さなくても、いまあるデータから価値を引き出せる、こともあるかもしれません。とくに新たな物理シミュレーションモデルを作成する際にデータに眠っている現象のヒントが有用です。当社ではこれまで培った分析技術とエンジニアリングの知見に基づき手元にあるデータ読み解くところから始め、眠っていたデータから引き出せる価値を最大限まで高めます。

 

◎ 勘を根拠に変えられる

判断のよりどころが経験や勘に偏ってしまうと、その確からしさを他の人に説明しきれません。何を測ればその勘を裏づけられるのか、という観点で特徴量やKPIをデータの分析から提案し、「この値をこう動かすと、こうなる」といった経験を、データの上で定量的に確かめます。こうして勘の確からしさを数値の根拠とともに示せるようにすることで、経験の浅い担当者への引き継ぎも進めやすくなります。

 

◎ 判断を皆で共有できる

設計判断が個人の頭の中だけにとどまっていると、レビューや引き継ぎのたびに一から説明をやり直す必要が生まれます。判断に至った経緯そのものを分析の過程として残しておくことで、設計判断をデータの裏づけとともに示せるようにします。こうした論拠がレビューや引き継ぎの場面においても、説得力のある説明を可能にし、担当者が変わっても、判断の経緯そのものは失われずに残ります。似たような設計を検討する次の機会にも、そのまま参照できます。

 

solution-datascience1-3

【データに眠っているヒントをさまざまな分析手法で洗い出す】

不具合事象を含む複数条件下の解析結果に対し、主成分分析やクラスタリングを用いて両者を切り分ける指標を作成。

モデルを、目的に効く形で使う

- どこまで実機に寄せるかは、目的が決める -
◎ 必要なところに作り込みを絞れる

モデルづくりでは、実機にどこまで近づけられるかにばかり目が向きがちです。しかし本当に必要なのは、その先の設計判断に耐えられるだけの確からしさであり、実機との一致度そのものではありません。何を判断するためのモデルなのかという目的をまず定めたうえで、作り込みは最終的な判断に必要な範囲へ絞り、合わせ込み自体に労力を溶かすことなく、設計判断に役立つモデルを組み上げられるようノウハウを提供します。同じ精度を求めるにしても、根拠を伴った精度要求にすることができます。

 

◎ 立ち上がりをデータで速められる

原理原則だけでは、モデルに必要な初期値やパラメータのすべてを決めきれない場面があります。実測データがあれば分からない部分を推定するのに使えるかもしれません。機械学習等の手法を利用し原理原則だけでは決めきれない初期値やパラメータを実測データから見積もります。こうした工夫により、モデル構築の立ち上がりを速められるようにします。手探りで初期値を決め直す試行錯誤の時間もあわせて減らせます。検討の初動が早まる分、後工程にかけられる時間も増やせます。

 

◎ 高い再現が要る場合も工夫できる

シミュレーションモデルは試験そのものの置き換えとして使うなど、高い再現性が求められる場面もあります。そうした場面では原理原則だけに頼らない工夫が必要になります。そうした場合にサロゲート(機械学習)モデルや縮退技術といった手法を組み合わせ、必要なレベルまで無理なく引き上げられるよう検討します。設計のアイディア出しから実機運用までシミュレーションモデルの可能性を幅広く支援します。

 

solution-datascience2-1

【様々なモデル化手法を用いて適切に作り込まれたモデルを作成】

 

◎ 違いから学べる

CAEが設計に役立つかは、必ずしも精度に依存しません。条件を変えたときに結果がどう変わるか、すなわち相対評価も重要です。条件違いが及ぼす影響を比べ、仮説検証や反実仮想に基づく推論を行うことで、設計に役立つ洞察を引き出せるようにします。数値がぴたりと一致しなくても判断に使える情報が得られるようなノウハウを提供します。一致させることに費やしていた時間を、判断そのものに回せます。

 

◎ 重い解析を身軽に見通せる

開発の迅速化が求められる昨今、重い解析を何度も回すのは得策ではありません。まずは軽いモデルで見通しを立ててから、必要な場面でだけ重いモデルへ進む、というプロセスも可能です。現象の本質を分析し、これを捉えた軽いモデルを用意します。精度を追求した重いモデルは、その見通しのうえでピンポイントに絞って用いるようにします。必要に応じて両者を組み合わせたマルチフィデリティ解析も有用です。

 

◎ 少ない計測でも傾向をつかめる

実験や試験の回数に制約があり、大量のデータが望めない場面もあります。データだけに頼らず、物理の知見も最大限組み合わせて補えるよう、物理情報と機械学習、AIを組み合わせ、少ない計測からでも設計に有効な傾向を引き出せるようにします。また予測の不確実性を考慮することで、最大限これを低減する実験条件を提案し、限られた実験機会を、最も効果的に活用できるようにします。

 

solution-datascience2-2

【物理とデータから傾向を読み解き違いを判断する】

物理情報機械学習を用いて限られたデータ(赤点)から特性を再現して考察。

◎ 一致だけで正しさを決めない

実測とよく一致したからといって、そのモデルが正しいとは言い切れません。モデルの妥当性判断にはパラメタスタディが不可欠です。あるべき傾向を仮説として立て、検証を積み重ねることで、モデルの真の妥当性を確かめられるようにし、特定条件下における結果の一致だけを頼りにした早すぎる判断を避けられるようにします。こうしたプロセスを経て設計値を変更した際の傾向判断に使えるモデルを作成していきます。

 

◎ 隠れた前提に気づける

検討を重ねるうちに、確かめられた事実といつの間にか置いている仮説とが、区別のつかないまま混ざってしまうことがあります。よい問いを立てて両者を切り分け、想定の外にある暗黙の前提を洗い出しながら事象を解明し、よりよい設計を実現するためには事実や仮説の整理が不可欠です。コンサルティングの過程でこうした整理をお手伝いします。またこうした整理のノウハウは関係者どうしの認識を揃え、議論を深いものにするうえでも役立ちます。

 

◎ 現象の芯をとらえ、根拠を積み上げられる

複雑に見える挙動も、その背後にある支配的な物理現象を押さえることでコントロールしていくことが可能になります。根拠を積み上げ、当社の培った「知のネットワーク」を活かして現象の本質をとらえるお手伝いをします。1DCAEで考慮すべき物理現象を見極め、複雑な挙動の背後にある支配的な動きを理解することで、開発期間を1サイクルごとに短縮し、次の設計に取り組む際にも、そのまま活かせる資産として残ります。

 

solution-datascience2-3

【複雑な事象を分析しいつどのように失敗したのか読み解く】

複数の指標から失敗事象をクラスタリングし、考察を進める材料としている。

目的に合う設計を、迷わず選ぶ

- 効く筋を掴み、狙いどおりの設計を選び取る -
◎ 効き目を測れる

改善したい性能はあるのに、何をどう変えれば効くのかが見えないままだと、条件を振っては確かめるという試行錯誤が続いてしまいます。まずは何が効いているのかを定量的に把握する手法をご提供し、どの要因が目的の性能を動かすのかを明らかにすることで、効果の大きい順に、無駄なく手を打てるようにします。また仮説検証を踏まえたプロセスで寄与度をより妥当に評価できるようにします。とくに意外な設計変数が寄与度を持っていたとき、仮説と照らし合わせることで新しい知見を得るきっかけになります。

 

◎ 次の一手を具体化できる

解析だけではその先の設計判断にはつながりません。解析の結果を吟味し、具体的な設計案へ落とし込む必要があります。解析データをさまざまな角度で分析し「何をどう変えるべきか」という設計の指針へ落とし込むプロセスを通じて、解析と設計判断の距離を縮められるようにし、解析や分析を真に価値のあるものにしていきます。そのための可視化手法やKPIを提案します。KPIを通じて設計の全体像から目的に合う設計を選び出すまでのプロセスをサポートします。

 

◎ 狙いどころを絞り込める

相反する性能どうしの折り合いをどこでつけるかが分からないまま検討を進めると、設計をなかなか絞り込めません。複数の性能指標はもちろんのこと、性能のロバスト性やコストも検討が必要です。こうした様々な種類の指標を応答曲面や多目的最適化によって考慮し、限られた設計余地の中で狙うべき方向を定められるようにします。

 

solution-datascience3-1

【調整するべきパラメタを寄与度から判断】

応答曲面から作成した寄与度(ソボル指数)を確認し、交互作用がないことや効いている変数がどれであるかを確認。

◎ 複数の性能指標を考慮する

性能・コスト・重量など、複数の目的をうまく考慮するためには、それぞれのトレードオフを考慮する必要があります。すなわち、トレードオフを求める多目的最適化が必要です。それに加え、トレードオフをなす設計案の集まりを分析し、しかるべきバランスを持った設計値を選ぶ必要があります。これら最適化から分析までの手法を提供しサポートします。

 

◎ 性能のロバスト性やコストを考慮する

性能のばらつきまで考え合わせると、判断はいっそう難しくなります。最悪の値をむやみに積み上げてしまうと、必要以上に過剰な品質を狙うことになりかねません。応答曲面の技術を用いると公差も設計変数とし、ロバスト性を最適化できるようにします。こうした技術によって要求ぎりぎりを攻めた設計にも、自信を持って踏み出せるようになります。とくに公差を最大化することは製造のコスト低減に有用です。こうしたロバスト性とコストの最適化技術を提供します。

 

◎ 要求の達未達を考慮する

設計値の組み合わせによって良し悪しが分かれる場面では、稀にしか起きない複合的な要因が思わぬ結果を招くことがあります。網羅的な計算を効率的に計画する技術によって、要求を外す稀な複合要因まで見据えて、狙う範囲を選び取れるようにします。その過程でどの設計因子が要求の達未達に影響しているかを分析することで、品質保証の観点からも、設計意図を根拠を持って説明できるようになります。

 

solution-datascience3-2

【網羅的計算の結果から達未達を読み解き適切な設計範囲を判断】

要求の達未達を網羅的計算から分類し、未達発生確率が少なくなるよう設計変数の組み合わせを探索。

◎ 繰り返しの手作業を減らせる

条件設定から結果整理までを毎回手作業で行っていては、本質的な設計判断に使えるはずの時間が削られてしまいます。繰り返し発生する作業は設定から結果整理までを自動化し、こうして生まれた時間を本質的な設計判断そのものに使えるようにします。単純な作業のやり忘れやミスも、あわせて防ぎやすくなります。定型的なKPIの算出、すなわちポスト処理の作成もサポートします。

 

◎ 手法をひとつの流れに束ねられる

見える化・分析・モデル化・最適化は、それぞれが単発の道具として個別に使われがちですが、これらは単発の道具ではなく、ひとつの設計手法として束ねられるべきです。当社ではCAEツールを中心としたアドイン等の開発で検討プロセスを一連の流れとしてシステム化します。またモデルを作成する前の仕様書やモデルの解説書も重要です。こうした文書の作成や文書に基づくモデルの生成はAIでサポートします。

 

◎ 再現性のある開発を続けられる

検討の流れはシステム化することで個人の勘や経験を誰でも再現できるノウハウに変えられます。ノウハウはツールとして残すことができますし、昨今ではAIが参照できる知識にまとめるという方法もあります。データに眠っている知見や属人化しがちなノウハウを洗い出し、シミュレーションモデルや分析ツール、AI支援の仕組みを通じて再生産できるように支援します。

 

solution-datascience3-3

【自動化のフローを作成し繰り返しの手間を削減】

自動化ツールによる設計変数の変更と、評価指標の取得までの処理を自動化する簡易なワークフロー。

solution-assyvibration

アセンブリ振動

solution-powertrain

パワートレイン設計

solution-emsoptimization

エネマネ

solution-evsystem

電動化システム

solution-mbsmxeval

車両運動と感性評価