[Paper] 数据驱动方法与 AI 在工程设计中的系统文献综述：聚焦挑战与机遇

发布: 1周前 (2025年11月25日 GMT+8 19:16)

7 min read

原文: arXiv

Source: arXiv - 2511.20730v1

概述

一项新的系统文献综述绘制了数据驱动方法（DDMs）和 AI 在工程设计生命周期中的使用情况。通过分析过去十年中 114 篇经同行评审的研究，作者揭示了机器学习（ML）技术的活跃领域、仍然稀缺的场景，以及工程师在将 AI 融入真实产品开发时面临的障碍。

作者遵循了 PRISMA 系统综述协议：

范围定义 – 采用简化的 V‑模型（设计 → 实现 → 集成 → 验证）作为参考框架。
数据库检索 – 在 Scopus、Web of Science 和 IEEE Xplore 中检索 2014‑2024 年间的论文，关键词围绕 “data‑driven”、 “AI” 与 “engineering design”。
筛选 – 从最初的 1,689 条记录中剔除重复和不在范围内的论文，留下 114 篇用于全文分析。
分类 – 对每篇研究进行编码，内容包括：
- DDM 类型（如监督学习、聚类、深度学习、代理建模）
- 应用的生命周期阶段
- 报告的挑战与验证方法
综合 – 汇总计数、趋势线和主题分析，形成最终洞见。

该过程刻意保持透明，以便其他研究者复现或扩展本综述。

生命周期阶段	主导 DDM	新兴技术	主要缺口
系统设计	监督学习（回归、分类）、聚类、代理模型	深度学习（如生成式设计）——仍 <10%	强化学习在概念探索中的使用有限
系统实现	回归、统计 DOE、代理建模	用于组件级预测的 DL	很少有研究涉及实时模型更新
系统集成	多目标优化、聚类、代理模型	用于系统级性能预测的 DL	跨学科数据融合的覆盖稀疏
验证	主要是统计验证（交叉验证、误差指标）	几乎没有基于 DL 的验证	缺乏现场测试或硬件在环实验

趋势：深度学习引用率从 2014 年的 <2 % 增长至 2023 年的 >15 %，表明信心提升但仍处于早期采用阶段。
挑战：
- 可解释性：工程师难以信任用于安全关键决策的黑箱模型。
- 可追溯性：将模型输出与各阶段设计需求关联繁琐。
- 真实世界验证：大多数论文止步于仿真验证，少有在实体原型上部署模型。

对产品开发团队 – 成熟的现成 ML 工具（回归、聚类）已足够用于早期设计和集成任务。团队可以从小处着手，利用这些方法加速权衡研究，而无需重型基础设施。
对工具供应商 – 在 PLM/ALM 系统中直接嵌入可解释性（如 SHAP、LIME）和版本控制的模型溯源功能，有望填补可追溯性缺口，形成市场机会。
对 AI 工程师 – 深度学习的上升趋势意味着需要开发面向领域的架构（例如用于 CAD 几何的图神经网络），并确保其能够安全迁移至后续阶段。
质量与安全保证 – 验证阶段 AI 的稀缺呼唤新的测试框架，结合仿真、数字孪生和硬件在环实验，使监管机构和认证机构能够评估 AI 增强的设计。
教育与培训 – 课程设计应强调混合建模（物理模型 + 数据驱动组件），培养既能构建又能批判性评估 AI 模型的工程师。

未来研究应 (1) 构建直接将具体 AI 算法与工程设计任务关联的分类体系，(2) 制定构建可解释混合模型的指南，(3) 设计稳健的验证流水线，将 AI 从仿真推向实体原型。