AI驅動的公差分析的案例
SYNOPSYS 光學設計軟件---元件時鐘楔角誤差的公差分析 案例和像質誤差的 AI 分析
概述
（更多精彩技術案例，請關注“武漢墨光”微信公眾號）
ASY查看傾斜數據
MC PLOT預估公差Monte-Carlo分析
設置工作目錄
選擇Dbook工作目錄
初始透鏡
點擊， 打開C28M1，點擊
此 MACro 將鏡頭輸出并將副本存儲在透鏡庫位置 5，然后創建一個 BTOL 公差分析
準備Monte-Carlo分析
在Command Window中輸入LM MCFILE
MCFILE是調整MACro，是Monte-Carlo分析的一部分
點擊點擊 運行MCFIlE
點擊 打開C28M2.MAC，點擊
所有透鏡都有楔角
在Command Window中輸入GET 5
在C28M2中注釋掉TEST，更改SAMPLES 1為SAMPLES 100
點擊 運行C28M2
元件現在都有楔角誤差，因此 PAD 顯示不能像以前那樣為透鏡著色。
圖像質量直方圖
本例探索 SYNOPSYS 的一個強大功能：它可以進行參數研究，顯示兩個變量對第三個變量的影響。 本例研究了第2個面和第3個面曲率變化對評價函數的影響。
MC PLOT
ASY查看傾斜數據
在C28M2中取消注釋TEST，并在TEST前加入命令WEDGES CLOCK，點擊 運行C28M2
在Command Window中輸入ASY
增加伽馬傾斜變量
更改MCFILE.MAC為
PANTVY 14 TH
Custom form:
--------------------------------------------------------------
PANTVY 14 TH
VY 5 GPG !
展開 DTAS3D-國產自主-公差分析與尺寸鏈計算軟件- 電控器AI自動建模案例
簡介：公差計算軟件、公差分析軟件、公差帶計算軟件、尺寸鏈計算、尺寸鏈公差分析、尺寸鏈分析與計算尺寸鏈分析軟件、尺寸公差軟件、尺寸公差分析軟件、公差軟件、蒙特卡洛模擬
掃碼瀏覽官網
網站www.dtas-china. com【支持免費案例解析、尺寸問題答疑、軟件試用】等服務
在公差仿真分析中，公差仿真模型的建立，是耗時、繁瑣，但又必需的一步：手動建立特征、手動建立裝配、手動建立公差、手動建立測量。往往需要幾天時至幾十天，才能將模型建立完成。
幸運的是，隨著AI（人工智能）技術的興起，棣拓公司創造性地將公差分析與AI技術結合起來，得以全自動創建公差仿真模型。與傳統手工創建公差仿真模型相比，可以更快、更標準化地生成公差仿真模型，大幅度提效率。
電子控制器作為火箭、飛機、高鐵等的“大腦”，需要隨時保持“冷靜”：在設備高負荷運行過程中，各電子元件器需要保持在合適的工作溫度以保障良好的工作性能。主板上的數百個電子元器件，要足夠靠近水冷板以獲取足夠的冷卻效果，但又不能離太緊，以免產生干涉。考慮到各零部件的制造偏差和裝配偏差，如何保證電子元件器和水冷板之間的恰當距離，是一道擺在工程師面前的難題。借助專業的公差仿真軟件DTAS 3D，在設計前期可以判斷是否會因制造和裝配偏差影響到該關鍵性能。但在公差分析過程中，又有一個難題擺在工程師面前：數百個電子元器件既要和主板建立裝配，又要和水冷板建立測量，建模工作量巨大，且繁瑣無比，要花費10-15天時間才能完成！怎么辦？請AI來助力！通過以下案例，我們將展示DTAS 3D軟件如何自動創建公差仿真模型，提升大家對AI自動建模的認識與了解。滿滿干貨精彩不容錯過，趕快學習吧！
展開 SYNOPSYS 光學設計軟件課程二十四：帶楔塊誤差的校驗和圖像誤差的 AI 分析的公差實例
課程二十四：帶楔塊誤差的校驗和圖像誤差的 AI 分析的公差實例
本課程將介紹前面討論的一些功能，并添加一些功能強大的新選項。在這里，我們將使用 BTOL 來計算八片式透鏡的公差，然后查看通過校驗單元格中的元件來補償楔形誤差的情況下的像質統計。最后，我們將在重新對焦鏡頭和校驗元件之后，檢查一組 100 個鏡頭的橫向色差的統計數據，這些鏡頭受公差限制。
這是一個 MACro，它將創建公差預算：
FETCH X33 ! 拿出開始的鏡頭
BTOL 90 ! 要求達到90%的置信度
TPR ALL ! 所有的表面都與試驗板相匹配。.
EXACT ALL INDEX ! 假設收到所有熔體數據。
EXACT ALL VNO ! 所以指數和色散的公差為零.
TOL WAF .18 .32 .18 ! 要求在三個視場點上的這個波前方差.
FOCUS REAL ! 聚焦軸上圖像點
ADJUST 14 TH 100 ! 厚度為14（最后一個空域）的情況下.
PREP MC ! 準備好蒙特卡洛評估的輸入數據.
GO ! 開始BTOL.
在 SYNOPSYS? 中打開名為 X33.RLE 的文件，我們使用 FETCH 命令將其取出。
運行此 MACro 時，BTO L公差已準備好并列在探測器上。現在我們需要使用 MC。
展開 使用 Java Spring AI 進行 AI 驅動的應用程序開發（2025 年）
本模塊強調動手開發，指導學習者完成創建、配置和部署 AI 增強型 API 的過程。通過將 Hugging Face 模型和 Gemini API 集成到 RESTful 服務中，應用程序能夠生成響應、分析文本和自動做出決策。通過實踐練習和實際場景，學生將了解如何在其應用程序中構建 API、管理數據流和優化 AI 性能。此部分確保學習者具備開發可擴展且生產就緒的 AI 驅動的后端服務所需的技能。本課程的最后一部分側重于通過構建 AI 驅動的自動電子郵件回復助手，將 AI 功能應用于實際用例。這個基于項目的模塊指導學生將 AI 驅動的文本處理和響應生成集成到自動化電子郵件管理系統中。通過利用 Spring AI，學生將開發一個智能助手，該助手可以理解電子郵件內容、對消息進行分類，并根據預定義的 AI 模型生成適當的回復。這個實踐項目鞏固了課程中涵蓋的概念，為學生提供構建可提高生產力和自動化的 AI 解決方案的實踐經驗。在課程結束時，學習者將具備使用 Spring AI 設計、開發和部署 AI 驅動的應用程序的知識和技能，使他們能夠為現代 AI 驅動的軟件開發做好準備。
這門課程適合
Java開發人員
AI和ML愛好者軟件
/應用程序開發人員
后端工程師
展開 
Moldex3D仿真分析之仿真驅動和AI加速的工作流程優化異型水路設計
從反復試誤到結構化搜尋
葡萄牙米尼奧大學（University of Minho）的聚合物與復合材料研究所（Institute of Polymers and Composites，IPC），運用仿真與人工智能（AI），解決射出成型中最棘手的其中一項瓶頸：在不犧牲質量的前提下，實現快速且均勻的冷卻。IPC團隊采用「仿真優先」的工作流程，并結合基于主成分分析（PCA）的目標篩選、類神經網絡（ANN）代理模型，以及多目標演化優化，該團隊成功將過去須耗時數周的傳統試誤法，轉為一套結構化、以數據為導向的搜尋流程，能有效找出最佳的模具與制程設計方案。
模擬與AI：優化設計決策的關鍵推手
冷卻通常占整個射出成型周期的70%-80%，也是造成殘余應力、翹曲和位移的主要原因。雖然異型水路（Conformal Cooling Channels，CCC）有助于緩解上述問題，但其水路配置便是一個涉及周期時間、溫度條件及可制造性的多目標難題。為了應對這項挑戰，IPC團隊利用Moldex3D來評估設計方案，并藉助AI有效權衡最佳方案，而這種方法也使該團隊能穩定獲得優于傳統水路配置的溫度分布、成型周期時間。
應用焦點：采異型水路的薄壁杯
為具體說明該方法，IPC團隊展示一個薄壁杯的案例。他們用Moldex3D來評估水路配置、直徑與間距，同時透過AI縮短搜索范圍并識別有效設計方案。藉由這套工作流程，所預測的成型周期較傳統配置明顯縮短，成功展現異型水路結合AI，便能以簡易的驗證方式來加速設計優化。
圖一、異型水路設計范例
IPC團隊的工作流程
射出成型的項目往往需要追蹤數十項數據。IPC團隊首先透過主成分分析（PCA），在確保不遺漏問題本質的情況下，縮減優化目標。接著運用Moldex3D模擬分析結果來訓練類神經網絡（ANN）代理模型，以快速預測溫度與冷卻時間。
展開 AI+仿真：驅動工業智能變革新引擎（內含100個AI應用案例下載）
△Altair 正式發布全球100個AI應用案例電子書，內容覆蓋10+行業的100個AI應用場景。點擊圖片立即獲取，了解全球AI驅動工程設計應用成功案例，以及AI技術如何為工業制造業的產品全生命周期帶來賦能與革新。
在人工智能與仿真的交匯領域，新的應用方式正在不斷涌現。與常見的流行術語如機器學習、生成式AI和合成數據相比，我們更應關注AI如何在實際工程中賦能仿真，加速研發流程、提升決策質量。
關鍵技術實現方式
在傳統制造行業，企業正積極探索如何借助AI脫穎而出。然而，許多企業仍對起步路徑和所需技能存有疑慮。需要明確的是，AI并非“即插即用”的解決方案，它依賴高質量的數據和有效的監督模型。
本文以大規模鑄造為例，闡釋AI與仿真的深度融合。通過機器學習聚類技術，Altair幫助用戶從海量仿真數據中快速識別最優設計方案，展現了“AI驅動的仿真”在實際工程中的巨大潛力。
? 高效的模型創建
基于幾何圖形（網格或 CAD 格式），算法可以將這些轉換為值，以便可以比較、編輯、聚類幾何圖形并將其劃分為組和類。這使得模型組織更容易，并使建模過程更高效。
? 多學科設計探索
利用參數化設計的現有結果，回歸分析可用于識別相關性并預測單個值或行為曲線。這樣可以填補測試數據中的空白。
? 快速預測物理行為
基于仿真結果和幾何結構，對神經網絡進行訓練，無需運行新的仿真即可進行行為預測。
? 使用神經網絡有效捕獲復雜系統行為，而不是協同仿真
使用計算密集型仿真（例如離散元法 （DEM）、計算流體動力學 （CFD） 和有限元分析 （FEA））映射的復雜過程訓練神經網絡，將其作為降階模型（ROM）再現系統行為。
展開 數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
</p><p class="ql-align-justify"><strong>4.Altair AI Studio and Altair AI Hub</strong></p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDb6UvoerQZPtjOhFjvgBOgE3Kvh0EYChI6qcUImqoszbTxowvufYL1Q/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">如果企業希望構建知識圖譜，該平臺也可用于本地部署，保障企業數據的安全性。構建完成的數據可繼續通過 AI Studio 和 AI Hub 進行機器學習建模，整個過程強調“無代碼”和“自動化”特性。平臺內置多種機器學習算法，如分類、聚類、回歸、離群點檢測、購物籃分析等，用戶只需將數據導入，拖拽相應操作符進行連接，設定輸出格式后點擊運行即可，極大簡化了建模流程，滿足非程序員用戶的需求。</p><p class="ql-align-justify">完成建模后，模型可上傳至 AI Hub 進行版本管理和部署，操作便捷。</p><p class="ql-align-justify"><strong>5.
展開 當AI融入公差設計，3DCC正在悄悄改變行業底層邏輯
在高質量制造體系中，公差設計與分析正從輔助環節轉變為影響產品競爭力的關鍵能力。然而，在大多數企業里，公差設計仍然依賴Excel、人工經驗和事后修正，導致裝配干涉、返工試調、外觀不一致等問題難以長期改善。
作為國內專注精度控制與復雜結構公差分析的專業軟件，3DCC經過23年行業深耕，沉淀4000+實際工程場景，并在航空航天、航海、汽車、電子、高端裝備等 400余家企業成熟應用，實現了對國外同類軟件的全面替代。
在此基礎上，3DCC正將AI技術引入公差設計與虛擬裝配全流程，構建新一代智能化精度解決方案
01.AI自動虛擬裝配：基于性能目標的智能化模型構建
傳統虛擬裝配依賴工程師手工建立約束、選面、初始化基準，操作復雜且容易產生語義偏差。
3DCC的AI輔助自動虛擬裝配基于深度學習與性能目標驅動模型，可識別結構特征、功能面與裝配次序，自動生成具有工程完整性的裝配關系，為尺寸鏈、公差分配和性能校核提供穩定的語義基礎。
這使得復雜結構的仿真建模不再依賴個人經驗，顯著降低了虛擬裝配的專業門檻，并提高模型一致性與構建效率。
02.PMI智能生成：實現MBD全語義提升
眾所周知，MBD推廣過程的核心難點在于PMI標注量大、語義復雜且容易出現差異。
3DCC通過基于KAG（知識增強圖）的PMI智能生成技術，可對關鍵幾何特征、裝配關聯面、結構功能點進行語義推理，生成初步PMI建議方案，并確保標注邏輯與裝配語義一致。
這使企業的MBD建模從“人工判斷”轉變為“模型理解”，提升PMI完整性與規范性。
03.PMI自動設計標注：數據與規則驅動的自動化建模
除智能生成外，3DCC還構建了數據與規則驅動的PMI自動設計標注能力。
展開 邀請函｜相約新鄉——“AI 賦能，智造躍遷” AI 驅動數字化創新設計促進新質生產力發展交流會
近年來，新鄉通過數字化轉型和創新驅動，推動裝備制造、新材料等產業向高端化、智能化、綠色化發展。依托政策支持、數字基礎設施建設和產學研合作，打造了多個數字化轉型標桿，顯著提升了制造業的競爭力，為區域經濟高質量發展提供了有力支撐。</p><p><br></p><p><img src="https://mmbiz.qpic.cn/mmbiz_jpg/x0yLiaf5fF6yAgVgOYzEDsQ6xypiaJ5ggcdF10ibapQ3RYVNoiaLYYUZsHCiaLTGgywnPYsOOguaLLQMpM7ibEQ8abPA/640?wx_fmt=jpeg&from=appmsg"></p><p><br></p><p>為了助力河南新鄉地區制造業數字化再升級，<strong>3月20日</strong>，Altair 將攜手河南省機械工程學會、新鄉市科學技術協會共同舉辦<strong>AI 驅動數字化創新設計促進新質生產力發展交流會</strong>。本次會議聚焦 CAE 軟件工具與 AI 驅動的數字化設計方法，旨在通過技術賦能，助力企業實現從“<strong>經驗驅動</strong>”向“<strong>數據驅動</strong>”的躍遷。</p><p><br></p><p>誠摯邀請河南地區用戶參會交流，共同推動產業蓬勃發展！</p><p><br></p><p><strong>參會席位有限，請提前報名鎖定席位。</strong></p><p><br></p><p><strong>期待與您共同探 AI 賦能創新，仿真驅動智造的新篇章！
展開 公差分析配合等級與公差分析帶如何選擇
公差分析配合等級與公差分析帶如何選擇？機械制造中有很多的專業術語，其中公差分析配合等級與公差分析帶，那么公差分析配合等級與公差分析帶如何選擇呢？棣拓軟件來告訴你。
1 公差分析等級的選擇
與軸承配合的軸或軸承座孔的公差分析等級與軸承精度有關。與P0級精度軸承配合的軸，其公差分析等級一般為IT6，軸承座孔一般為IT7。對旋轉精度和運轉的平穩性有較高要求的場合(如電動機等)，應選擇軸為IT5，軸承座孔為IT6。
2 公差分析帶的選擇
當量徑向載荷P分成“輕”、“正常”和“重”載荷等幾種情況，其與軸承的額定動載荷C之關系為：
輕載荷P≤0.06C 正常載荷 0.06C ＜P≤ 0.12C 重載荷 0.12C＜P
1) 軸公差分析帶
安裝向心軸承和角接觸軸承的軸的公差分析帶參照相應公差分析帶表。就大多數場合而言，軸旋轉且徑向載荷方向不變，即軸承內圈相對于載荷方向旋轉的場合，一般應選擇過渡或過盈配合。靜止軸且徑向載荷方向不變，即軸承內圈相對于載荷方向是靜止的場合，可選擇過渡或小間隙配合(太大的間隙是不允許的)。
2)外殼孔公差分析帶
安裝向心軸承和角接觸軸承的外殼孔公差分析帶參照相應公差分析帶表。選擇時注意對于載荷方向擺動或旋轉的外圈，應避免間隙配合。當量徑向載荷的大小也影響外圈的配合選擇。
3) 軸承座結構形式的選擇
滾動軸承的軸承座除非有特別需要，一般多采用整體式結構，剖分式軸承座只是在裝配上有困難，或在裝配上方便的優點成為主要考慮點時才采用，但它不能應用于緊配合或較精密的配合，例如K7和比K7更緊的配合，又如公差分析等級為IT6或更精密的座孔，都不得采用剖分式軸承座。
展開 滾動軸承公差分析術語及公差分析尺寸術語
棣拓軟件秉承先進的服務理念和深厚的技術背景，DTAS不斷發展壯大，公司具備國內經驗豐富的公差分析技術支持和咨詢服務技術團隊，以及專業化水準的技術力量獲得了眾多客戶的一致認可。公司客戶目前遍布汽車、新能源電池、發動機、變速箱、軍工、家電、電機、航空航天等眾多行業和知名高校、研究所。
設計仿真 | AI+仿真雙驅動！海克斯康領跑人形機器人研發
通過建立人形機器人的多體動力學模型，研發人員可以詳細分析各關節的運動軌跡、速度和加速度，優化機器人的行走步態和動作流程，確保其運動的平穩性和靈活性。
Adams軟件還提供了強大的動力學分析功能，能夠對人形機器人的各關節部件及連接進行受力分析。例如，可以精確計算大腿骨架載荷和髖側輔助支撐載荷，幫助研發人員了解機器人在運動過程中各部件的受力情況，為結構設計和材料選擇提供重要依據，確保機器人在復雜工況下的可靠性和安全性。
02
控制策略仿真與驗證
海克斯康的解決方案支持控制策略的仿真與驗證，包括關節驅動控制策略和人形機器人穩定性控制策略開發。通過將Easy5控制算法與Adams的運動仿真模型進行協同驗證，研發人員可以快速測試和優化控制策略，確保機器人在各種運動狀態下的穩定性和響應性能。這種協同驗證方式能夠有效縮短研發周期，降低研發成本。
03
部件結構強度、輕量化及耐久性分析
海克斯康的MSC Apex、MSC Nastran、Digimat及CAEfatigue等工具能夠對人形機器人的部件進行結構強度、輕量化及耐久性分析。通過這些分析，研發人員可以在保證部件強度和性能的前提下，優化部件的結構設計，減輕機器人整體重量，提高其能效比。同時，耐久性分析能夠預測部件在長期使用中的疲勞壽命，為機器人的可靠性和維護策略提供數據支持。
04
驅動與傳動系統設計仿真
海克斯康的Romax、Cradle及Actran等軟件能夠對人形機器人的驅動與傳動系統進行設計仿真，包括熱與聲學問題的分析。通過這些仿真，研發人員可以優化電機、齒輪等驅動部件的設計，提高系統的傳動效率和可靠性。同時，熱與聲學問題的分析能夠幫助研發人員解決機器人在運行過程中可能出現的散熱和噪聲問題，提升機器人的整體性能和用戶體驗。
展開 數字孿生 | Innomotics借助仿真技術推進支持AI的工業電機驅動器
本文原刊登于Ansys.com：《Innomotics Advances AI-capable Industrial Motor Drives With Multiphysics Simulation and Digital Twins》
作者：Jennifer Procario | Ansys市場傳播經理
編輯整理：張旭 | Ansys主任應用工程師
Ansys仿真軟件提供的能力發揮了重要作用，幫助我們避免代價高昂的設計錯誤。值得一提的是，我們的所有仿真結果都通過廣泛的實驗室測試進行了驗證，因此現已獲得管理層的高度信任。”
——Bogdan C. Ionescu博士，Innomotics電力電子部門高級首席專家
電機通過將線路頻率下的交流（AC）電源轉換為可變頻率和可變振幅的AC電源來控制速度。由于工業應用對自動化、更高工藝效率和更高可靠性的需求，電機驅動器已成為該領域的關鍵因素。另一方面，在電機驅動器的電力電子組件設計過程中，這些要求反過來又給開發帶來了挑戰。不過，仿真現在可以幫助企業開發這些組件，釋放工業電機驅動器的新一代潛力。
根據電機的電壓等級，電機驅動器可分為中壓（MV）和低壓（LV）兩種類型。其中，MV驅動器用于電壓高于1千伏（kV）的應用。這兩種類型的驅動器均可用于工業設備中，來驅動泵、壓縮機、風扇和輸送機，其應用范圍涵蓋發電、采礦、化學和金屬加工等領域。
Innomotics是一家領先的電機和大型驅動系統供應商，總部位于德國，并在世界各地設有分支機構。該公司正在利用Ansys多物理場仿真和數字孿生技術，為其MV驅動器升級人工智能（AI）功能。該公司表示，AI功能將通過增強對真實環境的感知能力來提高驅動器性能，從而突破設計限制。
展開 Python在公差仿真中的應用-DTAS 3D尺寸公差分析&尺寸鏈分析軟件
DTAS3D 的 Python 二次開發能力，使裝配公差分析工作從以操作為中心，轉變為以規則和邏輯為中心。這種轉變不僅顯著提升了建模效率，也提高了結果的一致性和長期維護價值，讓我能夠把更多精力投入到真正需要工程判斷的分析工作中。
熱門直播 | Ansys HFSS + SynMatrix：AI 驅動的低損耗平面濾波器設計與優化
直播即將開始
Ansys HFSS + SynMatrix：AI 驅動的低損耗平面濾波器設計與優化
時間：11 月 20 日，晚上 12 點（11 AM EST）
地點：線上直播
適合人群：
射頻工程師、射頻濾波器設計工程師
天線與射頻功率放大器工程師
工程總監、副總裁及技術決策者
講師：
Dan Fallon | Ansys主任應用工程師
Diamond Liu | SynMatrix產品經理
費用：免費
參與本次活動您將收獲：
探究如何通過交叉耦合與傳輸零點設計降低插入損耗的濾波器綜合方法
學習在 HFSS 中自動生成微帶幾何結構的高效方法
應用 AI/ML 優化工作流程加速標準與開環微帶濾波器設計
了解蒙特卡羅分析如何評估制造公差帶來的影響
回顧多種微帶濾波器實際應用案例（低通、帶通與開環類型）
點擊立即報名
或掃碼提交報名信息
展開 