AI在MBSE的用武之地

大约在1990年之前，系统工程设计可能是一堆相关的论文和文件，其中包含图纸、图表、数学公式、要求以及系统如何工作的其他规范。但在那个时候，项目变得太大，无法依赖于断开连接的文档。包括的问题（除其他外）：

随着系统概念的发展，维护设计规范：如果工程师更改了一个文档的某一单个维度内容，他们必须检查整个文档堆，并确保包含该维度的所有其他文档都进行了相同的更改。如果存在其他副本，则无法确保所有副本中都记录了更改。鉴于人类书写系统和理解的模糊性，两名工程师完全有可能在阅读规范中的同一句话时得出不同的含义。

在将模型某一页上的计算用作流程中另一个计算的输入之前，如何确保计算没有错误？

基于模型的系统工程（MBSE）是一种方法论，它侧重于创建和利用数字系统和工程领域模型，作为信息、反馈和需求交换的主要手段，而不是以文档为中心的系统工程。它涉及捕获、通信和确保我们用于表示系统的所有数字模型在系统的整个生命周期中得到协调和维护的整个过程。

开发MBSE是为了用“智能”数字模型取代静态文档，这些模型包含关于系统的所有重要信息——需求、架构和系统各部分之间的接口。这些数字模型通过一条“数字线”连接起来，以理解整个设计，而不是最好将纸面文档组织到文件夹中。MBSE是一个不断发展的研究领域，它有助于人们更好地掌握和解决现代技术系统的复杂性问题。在过去几年，人们开发了许多MBSE工具、方法和基于MBSE的应用领域。与此同时，人工智能（AI）正被确立为技术系统及其开发过程创新的关键技术。

总体系统架构师模型是项目中每个人的“权威真相来源”。这个数字模型有一个中心位置，所有参与项目的工程师都可以访问，但不能独立于其他人进行修改，从而保留了唯一的真相来源。所做的任何更改都会自动传播到整个模型中，并由软件检查内部一致性和准确性。

本文概述了MBSE中基于AI的助理的现有和可能应用领域，以支持其在实践中的应用。

应用领域	具体描述
文本结构化处理	将文本需求列表作为输入，并根据一组预定义的结构化标准(例如，功能依赖性)来构建它们。输出是结构化的需求以及已识别的冲突或不一致。为此，该系统主要利用文本挖掘过程。首先，根据结构化标准对需求进行符号化和分析。接下来，使用信息检索方法(例如聚类)来识别结果类别。
基于知识的系统设计验证	自动分析和预选文本测试和检查报告与当前系统设计的相关性。系统工程师可以为架构的每个元素显示相关的测试和检查报告。为此，可以首先使用NLP方法(如相似性学习或命名实体识别)来分析测试报告和系统模型/系统设计。系统元素与匹配测试报告的比较和匹配可以通过相似性学习来完成。
需求质量保证	基于定义和学习规则，对给定的需求规范进行质量评估。此外，对低于设定的质量水平的需求，会指出其中违反规则的地方。潜在的AI方法因质量标准而异，但都来自NLP和机器学习领域。就唯一性而言，可以通过自然语言模式进行“弱词”搜索。可以通过词性标注检查完整性。可以使用ML技术来检查需求的可测试性和可理解性，比如文本分类。
与需求相关的元素可视化	支持需求影响分析。通过模型中的跟踪链接识别相关元素，并借助知识库和根据用户偏好选择需要可视化的元素。此外，需求元素可视化体现了用户友好性，并可以实现可视化中的导航。
需求文档的智能比较	仅显示（需求）文档的“相关”差异，可以隐藏时间戳等。首先，必须使用文本挖掘方法标记化将需求文档分解为各个部分。然后，可以使用信息检索或句子分析进行比较，即来自文本挖掘或NLP的程序。
数据模型的自动创建	分析公司可用数据，并生成抽象数据模型。该数据模型随着公司数据的更改而更新。它作为工程It管理的基线。在创建数据模型的过程中，要确定数据类型(例如，产品ID、结构图)和数据类型之间的关系。在数据治理或数据管理概念的上下文中，可以使用数据挖掘来收集数据概述所需的信息。通过依赖分析和预测等方法，可以识别、描述数据类型之间的关系，并给出一个概率。然后应用分类或聚类方法来形成数据概述(通常以模型的形式)，并将其划分为多个区域。
需求优先级排序和权重设置	根据优先级和权重，对需求进行优先排序和加权。主要AI方法是基于新需求和现有需求（即优先需求）之间的相似性识别。
模型需求的重用	在基于库存数据创建需求模型的过程中自动完成帮助。该系统利用NLP和聚类方法从库存数据中提取相似的需求，并在用户创建新需求时建议这些需求。
文本需求的重用	在基于库存数据的文本需求规范创建过程中自动完成帮助。该系统利用自然语言处理和聚类方法从库存数据中提取相似的需求，并在用户创建新需求时提出这些需求。
测试场景的创建	基于给定的需求规范创建测试场景。为此识别先前系统设计中的类似需求，提取连接的测试场景并将它们集成到系统模型中。
为系统设计创建基准/决策基础	描述系统模型变化的含义，作为系统设计期间决策的基础。在先前的系统模型中搜索计划变更的实例，并总结分析与当前系统模型的差异。
对变更请求的影响分析	当提出更改请求时，系统工程师必须进行跨域影响分析，并为必要的设计更改创建特定于域的子更改请求。自动映射变更请求的可能影响，并根据历史数据提出适当的设计更新和关联的子变更请求。
确定设计更新	每当系统设计发生变更时，AI会确定可能需要的后续变更，并通知正在处理可能需要变更的系统部件的工程师。
提出设计更新	在测试或模拟失败的情况下，助理执行自动故障根本原因分析，并提出设计更改以解决问题。通过搜索类似情况（类似系统类型、类似故障等）的历史数据进行分析
确定用户组和首选项	为了(进一步)开发特定于客户的市场服务(与个人用户相关)，需要有关用户偏好和各自用户行为的信息。特别是，市场服务用户(客户)的个人使用数据可以根据用户行为进行评估，例如，根据点击率或使用时长进行评估。还可以对个别用户或个别客户测试进行调查。在评估的客户数据的帮助下，可以对用户偏好和行为做出有效的陈述。在此基础上，可以向现有客户提供特定的更新，也可以为个人用户派生高度个性化的新市场服务
检查MBSE系统架构的一致性	公司越来越多地在系统工程中应用基于模型的规范技术，以解决日益增长的系统复杂性。这涉及到使用(半)形式化建模语言描述系统。在此过程中产生的模型可用于在早期阶段识别系统规范中的不一致之处，并启动纠正措施。然而，手工分析这些规范是一个耗时且重复的过程。因此，自动化一致性检查为PE领域的人工智能提供了巨大的潜力。系统工程师建立一套设计指导方针。使用这些设计指南，可以自动识别现有模型中的不一致，并显示出更改的机会。
系统需求的结构化处理	在系统规范期间，对系统的需求出现在不同的点上。例如，这些是从项目描述中获得的，或者是从系统用例中获得的。通常，这些都是直接在工具中建模的，例如在SysML的需求图中。因此，用模型元素描述需求，模型元素又包含文本和属性。可以根据不同的标准来构建需求。例如，关于系统级别、组件或功能或其来源。由于复杂系统开发过程中需求的多样性，一方面构建需求需要花费大量时间，另一方面构建需要几个人来完成，因此构建过程中可能会出现不一致。可用需求是根据模型中结构标准的指示来构建的。层次结构级别是自动创建的。流程中标记了冲突。
在开发过程中跟踪不相关的需求	追踪需求到开发过程中的任何工件是系统确认的一个相关部分。特别是对于安全关键系统，这是各种标准所要求的。为了确保这种可追溯性，有必要将需求与其他工件联系起来。由于大量的需求和需求的不断细化，这种联系往往是不完整的或不存在的。事后建立这些联系不仅复杂，而且需要对大系统的理解，这是个人无法在当今复杂的系统中完成的。通过建议需求到涉众、用例、功能、逻辑元素和真实元素之间缺失的链接来支持需求的链接。
设计空间的探索	设计空间的探索直接从CAD开始。由于设计必须实现多种功能，最终设计是在迭代步骤中创建的，直到设计需求得到充分映射。当今产品的复杂性使得手工进行最终设计非常耗时。然而，市场上可用的创作工具还没有任何功能来支持用户生成替代设计。
需求评估	使用AI，工程团队可以更快地识别出编写糟糕、不完整和模糊的需求。NLP技术有助于在质量指标的基础上对需求进行评分，并为更清晰、一致和完整的需求提出建议。

工程师AI助理	通过减少原型或迭代测试的次数，助力工程师加速产品开发工作流程 。通过利用整个产品工程过程中的数据并使用AI技术，有助于理解设计更改产生的影响。
知识管理者	借助NLP（自然语言处理）和ML（机器学习）技术，自动系统地从专利文件、教科书、在线资源中提取信息并生成摘要。
故障分析自动化	对质量数据、检验区域和错误报告使用NLP和推理规则进行分析，并将处理分析结果反馈到规范模型中，以识别产品设计存在的弱点并制定实施对策。
产品规范模型的专利分析	对照专利相关数据检查产品规范型，以检测潜在的专利侵权，从而识别规格模型的弱点，也可以是识别出存在的专利点，创建和生成提供相应的专利申报内容。
面向X的设计评估	在知识库中将设计规则进加以形式化处理，借助于模式识别和监督学习等AI技术，结合设计规则检查设计，例如评估是否适合生产或装配。
测试程序建议	对选定测试机构（如Stiftung Warentest）中不断变化的测试程序作出反应。这些新的或修改的测试程序由系统记录并提交给公司的测试部门。最后，对测试规范的符合性进行评估，并提出改进建议。
数字化助理	运用NLP和CV（Computer Vision：计算机视觉技术）为设计中的活动创建准确和可重复使用的文件。
缺陷检测	借助计算机对数码图像进行分析、评估和评价，采用自动光学检测手段，可以模仿人眼检测来区分零件、异常和字符。
AI支持的产品创新	收集来自外部的想法到组织中，并把那些从社会人群中适应、转化和丰富的想法带到产品创新中。
语法一致性	程序的自动化布局，公司的专有技术，在系统架构中保持一致的语法
系统架构的优化	收集产品现场数据，并根据收集到的数据进一步开发产品细分市场。它有助于识别有效的产品模块或功能并将其转移到下一代产品。
基于历史数据的测试设计	使用现有的产品体系结构知识来设计、重用和评估产品开发，并根据一组质量属性和约束条件自动搜索符合产品特征、性能、功能等的最佳体系结构设计。此外，对产品体系结构的建模与仿真能够发现存在弱点并加以消除。
需求生成	通过分析历史产品或类似产品的使用数据，得出新产品的测试规范。
智能化的系统设计	使用NLP理解和生成技术，从表述不准确的产品“应该”描述中创建形式化的需求，以支持需求分析过程。
基于文档的可追溯性分析	通过考虑项目目标和评估不同技术的发展趋势，提出不同框架、方法和工具的设计方案。