生成式AI驱动的工程开发数字孪生与预测功能 FEV GENAI HUB 支持的生成式AI工程开发

FCVFCV生成式AI驱动的工程开发数字孪生与预测功能2FCV数据驱动与预测性功能人工智能并不是FEV研发的新领域，我们使用该技术已有20多年Fev人工智能定义与FEV案例>人工智能是机器模仿人类逻辑思维、学习、>人工智能是机器模仿人类逻辑思维、学习、超过20年超过20年的开发经验具备深厚领域专业知识>机器学习是构建AI应用的主流方法，通过统计/数值方>机器学习是构建AI应用的主流方法，通过统计/数值方>FEV案例：预测性维护、控制单元中>>深度学习是机器学习的一个分支，采用多层>FEV案例：ADAS、传感器融合、FEV致力于开发生成式AI解决方案以优化工程服务>FEV案例：支持系统工程、需求工程、3来源：欧盟AI法案，IBM34从传统工程服务转型为智能体AI驱动服务，以提升服务与产品质量Fev>工程师聚焦价值创造与问题解决>带人工监督的自动化工作流>系统工程实现可追溯性>重复性工程任务（优化循环）>系统工程方法可能带来额外工作量>工程师聚焦价值创造与问题解决>带人工监督的自动化工作流>系统工程实现可追溯性>重复性工程任务（优化循环）>系统工程方法可能带来额外工作量☆更高质量的最终产品更好的产品匹配度优化覆盖更多设计变体更短时间交付结果FEVAI来源：FEV必须以整体视角考虑AI，才能充分发挥其潜力FevvehicIeRequirementsvehicIeReIeaseVEHICLEvehicIeIntegration&TestvehicIeDeveIopmentsystemTestRequirementssystemSYSTEM&systemIntegration&caIibrationsystemDeveIopmentMechanicsE/EE/EMechanicsSwSwRp.TestReq.Rp.comp.TestTestCOMPONENTvehicIeRequirementsvehicIeReIeaseVEHICLEvehicIeIntegration&TestvehicIeDeveIopmentsystemTestRequirementssystemSYSTEM&systemIntegration&caIibrationsystemDeveIopmentMechanicsE/EE/EMechanicsSwSwRp.TestReq.Rp.comp.TestTestCOMPONENTcomTest生成、优化和分析ImpIe-mentationImpIementationImpIementationImpIe-mentationImpIementationImpIementation5覆盖完整产品开发流程56GenAIHub部署在FEV云中，满足最高安全要求，同时服务不同用户群体与客户Fev核心架构群组…>用户交互、信息、可视化>客户端逻辑>中央网络安全>数据管理>用户与访问管理>核心架构群组…>用户交互、信息、可视化>客户端逻辑>中央网络安全>数据管理>用户与访问管理>成本管理大语言模型Web搜索引擎向量数据库搜索引擎仿真软件API文档智能OCR/图像识别方法与流程工具测试与验证GenAHub-方法与流程工具-支持聊天的知识库-自动化培训生成与交付-功能开发-自动化软件文档-AI辅助代码生成与评审-需求工程-基于AI的需求提取-智能评审与验证支持-测试与验证-以对话方式访问测量数据-智能测试用例生成与分析-项目工具-面向项目定制的AI工具-与现有项目管理系统集成需求评审只是可使用基于大模型的AI智能体自动化的多个步从不同来源生成需求。分析需求库并提取信息从不同来源生成需求。分析需求库并提取信息评审并自动修正需求库。支持变更管理及其对需求工程的影响。从法规和标准生成需求从法规和标准生成需求从已有系统生成需求AI实体识别/术语表创建与相关人需求进行AI对话AI驱动系统模型创建与需求进行AI对话AI多层级影响分析AI可追溯性检查AI需求集评审AI需求评审AI需求对比AI自动修正AI视角FCV7AI支持的7AI支持的8FCVFCV简化示意流程章节段落段落段落上下文表格描述需求集合法规文档图示描述简化示意流程章节段落段落段落上下文表格描述需求集合法规文档图示描述我们规划并利用人工智能的应用，实现企业整体战略Fev系统工程系统工程中人工智能应用摘要系统工程系统工程中人工智能应用摘要需求评审测试用例生成>第3个V模型右侧用例>节省时间与成本约80%（概念验证对比>摘要：基于规范化需求可自动生成测试用例规格！>需求评审测试用例生成>第3个V模型右侧用例>节省时间与成本约80%（概念验证对比>摘要：基于规范化需求可自动生成测试用例规格！>价值在于释放工程时间，以寻找测试协同并降低整体>投资回报：约30个工作日完成实现；约850份测试规格后达到盈亏>第1个V模型左侧用例>节省时间约77%>摘要：可自动检查遗留需求的一致性，并提出改进建议，显著提>价值在于进一步提升下游流程质>投资回报：约30个工作日完成实现；首个约10万条需求规格即可生成式AI新的基于AI的软件服务/产品基于AI的产品/服务增强价值流AI赋能业务流程与应用AI赋能FCVAI数字孪生与FEVGENAISYS数据驱动与预测性功能FEV正通过AI驱动的数字孪生，加速广泛能源与出行系统的创新Fev数字孪生能力虚拟系统物理系统总成、发动机、燃料电池、电池和电机虚拟系统物理系统我们的方法融合两类优势。我们擅长开发详单个部件的数字副本数字孪生是动态资产。我们提供稳健的,云单个部件的数字副本扩展为完整资产的全尺度表示建模完整运营或制造流程整合多个资产与流程，形成整个运营生态视图扩展为完整资产的全尺度表示一个创新的人工智能集成平台，支持工程开发中的GenGenSysAI驱动的硬件和控制同步优化。FCVFCV整车集成系统充电系统等集成系统充电系统等控制集成数字孪生识别生成式AI架构建议嵌套协同优化系统与部件尺寸设计和参数化系统设计控制架构与功能参数化控制集成数字孪生识别生成式AI架构建议嵌套协同优化系统与部件尺寸设计和参数化系统设计控制架构与功能参数化用例与优化目标定义结果分析FCVFCV多智能体核心创新：嵌套协同优化DCAC基于高斯过程的贝叶斯优化Simulink与Simscape统计与机器学习工具箱并行计算工具箱优化控制动作闭环系统行为基于神经网络的非线性MPC非线性MPCSimulink与Simscape深度学习工具箱FCV测试场景FCV优化设置以嵌套协同优化方式，覆盖设计空间与控制空间的世界领先AI优DCAC基于高斯过程的贝叶斯优化Simulink与Simscape统计与机器学习工具箱并行计算工具箱优化控制动作闭环系统行为基于神经网络的非线性MPC非线性MPCSimulink与Simscape深度学习工具箱FCV测试场景FCV优化设置FCV外循环外循环系统硬件设计设计参数候选嵌套协同优化闭环系统目标值[1]ChristophWellmannetal.,Electricmachineco-optimizationforEVdrivetechnologydevelopment:IntegratingBayesianoptimizationandnonlinearmodelpredictivecontrol,eTransportation,2025,/10.1016/j.etran.2024.100392[2]ChristophWellmannetal,Machine-learningintegratedmulti-domainco-optimizationforelectrifiedheavydutyfleets,eTransportation，/10.1016/j.etran.2025.100511优势收益：在早期设计与控制参数化中利用前置能力和降低成>GenAI支持从干系人需求及定义优势收益：在早期设计与控制参数化中利用前置能力和降低成>GenAI支持从干系人需求及定义©byFEV-allrightsreserved.Confidential-nopassingontothirdparties可扩展生成式AI与贝叶斯优化，用于全面解决多目标设计与控制挑战可扩展生成式AI与贝叶斯优化，用于全面解决多目标设计与控制挑战FCVFCV基于AI的优化方法选择的关键考量基于AI的优化实验设计序列二次规划遗传算法贝叶斯优化穷举测试所有因素-水平组合处理非线性约束的基于梯度求解器基于种群的进化搜索替代模型（例如高斯过程）+获取函数组合面向汽车定制的AI穷举测试所有因素-水平组合处理非线性约束的基于梯度求解器基于种群的进化搜索替代模型（例如高斯过程）+获取函数modeFRONTIER高效的算法编排高效的系统知识集成为客户提供量身定制的目标处理为客户量身定制的用户界面，易于使用FEV基于AI的优化器作为先进的通用系统开发框架，结合前沿算法©©byFEV-allrightsreserved.Confidential-nopassingontothirdpartiesAI支持的虚拟系统开发与优化客户：亚洲一级供应商背景：客户正在构建结合生成式AI、数字孪生和多目标优化的AI工具链，以加速硬件拓扑和控制策略设计。>使用FEV基准数据进行车辆模型适配与数字孪生标定>利用FEV知识库实现生成式AI架构建议，并自动生成用于设计和控制优化的仿真>配置通用贝叶斯多目标优化器，用于硬件设计和选定控制参数>定制友好用户界面以支持：-目标定义-架构建议-参数定义-优化设置与执行工程成本最高降低25%-生成优化结果，并推荐车辆系统设计与控制策略的最佳参数集工程成本最高降低25%概念阶段周期缩短40%基于GenAI的系统架构与模型生成基于AI的系统设计与控制同步优化基于GenAI的系统架构与模型生成基于AI的系统设计与控制同步优化客户：欧洲OEM背景：长途重型纯电商用车（12.5-40吨）面临相互冲突的需求：起步扭矩、持续爬坡能力和高速效率。在项目中，FEV开发并验证了双电机两挡电驱桥概念，以解决任务工况中的这些权衡。>用例与目标:区域及长途重型车辆最高40吨，并设定轮端KPI目标（如55kNm峰值>可扩展多挡解决方案:双电机+两挡电驱桥，8种驱动/回收状态（+滑行并配有>KPI匹配:56,150Nm峰值轮端扭矩（+2%）及381kW持续功率（+）；>控制增益:预测巡航控制：进一步降低约2.6-3.4%（40吨）。），最高提升9%©byFEV-allrightsreserved.Confidential-nopassingontothirdpartiesFCV数据驱动与预测性功能从网联车辆到智能运营—大数据如何重塑出行Fev大数据与AI路线图—将客户当前状态扩展为量产级智能95%+45pp50%25%50%约2020年（当前）203095%+45pp50%25%50%约2020年（当前）2030年（预测）1-2TB到2030年$250-400B到2030年潜在空间来源：麦肯锡公司—《Unlockingthefulllife-cyclevaluefromconnected-cardata》，2021预测性维护预测性维护机器学习运维与OTA在云端和车辆端部署、监控并异常检测ADAS与自动驾驶ADAS与自动驾驶传感器融合数据用于训练和验证自动驾驶续航与负载谱预测预测未来负载谱并支持长期预测驾驶。FEV将客户云端数据转化为电池使用分类与预测，以支持电池采购预测Fev分类和预测云端数据分类与预测循环1循环2循环3循环4>范围：使用统一云数据交付车辆使用分类与预测，并集成>客户收益：预测规划与运营：预测电池更换情况，并分类和预测将云端遥测映射为使用循环，用于电池采异常检测续航与负载谱预测预测未来负载谱