A través de diferentes fuentes de datos (es decir, pruebas físicas) y modelos de ML y, por lo general, en combinación con nuestras soluciones de gemelos digitales, nuestra solución de mejora de datos puede aprender, predecir y simular resultados para proporcionar configuraciones automáticas de productos que resulten en una mejora de productos y componentes durante el proceso de desarrollo.
Reduce el número de pruebas en las diferentes fases del ciclo de vida del producto (diseño, desarrollo, validación), reduciendo tanto los costes como el time to market.
Beneficios
-
- Reducir el tiempo de comercialización del producto
- Minimizar los costes de hardware
- Reducción del consumo de energía
- Mejoras específicas de la industria. Por ejemplo, en proyectos de automoción podemos alcanzar:
- Resiliencia del vehículo (seguridad, ciberseguridad)
- Mejorar la experiencia del conductor: mayor comodidad de los pasajeros a través de la mejora de los sistemas (como el aire acondicionado), que también pueden mejorar la eficiencia energética del vehículo.
Casos de uso
Tendemos a aplicar esta solución para las industrias de Automoción y Transporte para mejorar la eficiencia de los vehículos o de un componente específico. Sin embargo, esto podría resultar adecuado para transformar y proporcionar productos mejorados e innovadores a otras industrias también.
Ejemplos de productos en los que hemos aplicado soluciones de mejora de datos:
-
- Sistema de baterías o sistema de gestión térmica para vehículos eléctricos (VE).
- Sistemas avanzados de asistencia al conductor (ADAS) para vehículos autónomos (AV) y vehículos conectados y autónomos (CAV).
- Calibración automatizada del motor de los vehículos.
- Datos de los sistemas EV, AV y CAV que combinamos con un modelo preciso de ML y basado en la física. Por ejemplo, modelos físicos de un componente como las baterías (con sistemas físico-químicos internos).
- Simulación de tests.
- Aumentar la ocurrencia de eventos específicos que son particularmente significativos para fines de testeo para mostrar escenarios específicos con datos artificiales para facilitar y optimizar el desarrollo de productos.
- Extraer las características de un evento que ocurre en un área diferente y recrear un evento similar, cuando sea necesario.
¿Cómo lo hacemos?
A través de un conjunto de herramientas digitales que denominamos Open Framework, ejecutamos un gemelo digital que reproduce el comportamiento de ciertos componentes del producto.
Combinamos datos del producto (es decir, en automoción: datos del vehículo, sus componentes y de otros vehículos -datos de flota- cuando están disponibles) y junto con modelos de ML, simulamos diferentes escenarios de forma automática para generar una configuración mejorada del producto.
