随着数字转型压力加剧、软件定义系统复杂性攀升、工程人才短缺等难题不断交织，制造业的竞争逻辑正从硬件性能转向软件生态的迭代速度。如何以数字化手段提升研发效率、加速产品创新成为企业的必然选择。“数字工程是应对工业转型挑战，强化市场竞争力的核心抓手。模块化产品架构、数字工程平台、工业元宇宙与数字孪生、AI 增强与辅助设计等构建了数字工程的框架。”MathWorks全球行业经理Philipp Wallner表示。
MathWorks全球行业经理Philipp Wallner
作为全球领先的数学计算软件开发商，MathWorks通过技术革新与生态构建，破解跨学科协作壁垒。其MATLAB® 与 Simulink® 两大核心平台，不仅为航空航天、汽车、医疗、工业、教育等领域提供通用的“工程语言”，在日益紧迫的转型需求面前，MathWorks更以基于模型的设计(Model-Based Design)与人工智能等新技术的深度融合，从不同能力维度破解行业研发痛点，推动产业创新和效率跃升。
模块化产品架构是知识沉淀的基石
模块化设计与基于模型的系统工程 (MBSE)的核心价值在于有效管理系统复杂性，并赋能大型工程团队进行高效协同。以西门子能源为例，面对新能源并网带来的不确定性，西门子能源通过构建基于模块的标准开发平台，将分散的团队工作流整合为统一环境，从而实现设计知识与资产在不同团队间的无缝共享与复用。该方式不仅促进了跨领域的“碰撞式”创新，更重要的是，模型可作为唯一的权威来源，通过自动化工具链直接映射到不同硬件的特定约束上，并生成实现代码，从根本上提升了设计效率与团队协作效能。
此外，模块化助力全球风机巨头金风科技快速响应定制化需求，通过将风机控制系统模型从系控、主控到厂控全面模块化，缩短了新机型研发周期。
Philipp Wallner表示，模块化产品架构遵循3个主要核心。首先，确立模型为产品开发生命周期的单一可信源，所有知识沉淀、设计决策与变更管理均围绕模型展开。其次，将IT领域成熟的敏捷开发实践引入工业嵌入式系统，并通过迭代开发、持续集成等方法，实现设备端软件功能的快速迭代与交付，响应市场变化。第三，基于模型的系统工程采用层次化建模方法分解系统复杂性，使团队能够在各层级聚焦于相对简单的问题，从而系统性地攻克整体挑战。
数字工程平台：端到端的模型贯通
模块化架构的实现依赖于能将设计知识沉淀并复用的数字工程平台，通过模型驱动端到端的数字化流程，确保从设计、实现、测试到部署的连续性与一致性。Philipp Wallner认为，数字工程平台的重要价值在于通过验证左移(Shift Left)与向右延伸(Stretch Right)帮助客户实现高效、可靠的开发与迭代。
其中，Shift Left在系统设计阶段，利用仿真提前暴露潜在问题，减少后期返工成本，缩短上市时间。Stretch Right则在产品交付后，建立可靠流程支撑持续更新与迭代。通过数字主线连接需求，架构、设计、集成、交付、运营在内的全生命周期，从而实现系统工程、软件开发和结构设计的整合。这意味着“交付不是产品研发的结束，而是全生命周期价值释放的新起点。”Philipp Wallner坦言。
数字工程平台为虚拟交付、数字孪生等新技术、新场景落地提供支撑。三一集团在工程机械场景中的定制化保养恰是数字孪生和机器学习技术的重要应用实践。在建模过程中，MATLAB 基础信号处理为客户带来更多挖掘数据价值的机会，提高工作效率，开发数据科学相关产品。MATLAB 机器学习和统计工具箱加快了模型选择处理的速度。与此同时，Simulink帮助客户将原理模型和机器学习耦合，可实现调优数据集建立，并支持在线实时运行。模型基于多个指标
进行计算，可使平均机油寿命可延长80%，同时识别少数设备寿命低于固定保养周期的风险。
AI赋能开发新范式
AI正以史无前例的深度与广度，掀起一场全方位的变革。Philipp Wallner 认为AI对工程软件行业的赋能可以体现在3个关键维度：让AI嵌入设备本身，实现产品智能化;用AI增强建模流程，解决复杂系统仿真难题;通过生成式AI提升工程师效率，缓解工程人才短缺压力。
对于MathWorks来讲，AI并不是全新的概念。MathWorks一直在积极构建 AI增强的工程开发体验，无论从辅助编写 MATLAB脚本、辅助设计，还是引导Simulink自动生成模块模板，AI已成为模型设计平台的得力助手，并随着项目落地，AI技术持续转化为可衡量的客户价值。
在可口可乐Freestyle饮料机中，作为关键设备的压力传感器存在成本高、维护难的问题。MATLAB训练AI算法利用处理器已有数据推算压力值，生成代码部署至ARM Cortex-M内核后，可由AI虚拟传感器成功替代物理传感器，在节约硬件成本的同时还能实现设备预测性维护，让消费者轻松实现定制饮料自由。
灌装生产设备供应商克朗斯(Krones)在瓶装设备开发中，借助强化学习AI让设备自主适应回收瓶材质差异，并基于这些实时数据，自动调整后续的工艺参数，更高效地处理原料的不确定性，大幅提升产线适应性和质量稳定性。
高质量数据是AI应用开发的基础，现实中缺乏充足的高质量数据往往会成为限制AI技术落地的瓶颈。Philipp Wallner认为可以从3个维度解决数据难题：通过数据清洗提升数据质量;通过物理仿真或生成式AI生成高质量数据集，提升数据的多样性与规模;推动产业上下游企业的深度协作，促进数据流通和分享。
“软件定义”正深度不断重塑着行业产品形态和产业格局，而工业世界里，软件交互的边界、交互环境及行为动作远比IT领域更为复杂。MathWorks正以强大的软件技术和创新的解决方案为产业变革提供底层支撑，在点亮创新灵感的同时，为企业价值增长助力。
（来源：IIANews）
