新闻详情

新闻详情

首页 / 资讯中心 / 详情

应用案例|航空航天 :M-Require与M-Cowork联合支持航空领域协同设计评审

发布时间:2026/11/12 4:42:09来源:尧图网络
应用案例|航空航天 :M-Require与M-Cowork联合支持航空领域协同设计评审
M-Require与M-Cowork联合支持航空领域协同设计评审一、项目背景鉴于飞行系统的复杂性及装备的高集成度产品设计项目的顺利推进依赖于众多领域专家和设计师的协同工作。此外由于飞机研发项目具有高成本和长周期的特点因而确保需求的准确性以及各部门在各阶段接收信息的实时性和一致性成为研发过程中至关重要的环节。然而传统的基于文档的设计评审流程存在诸多弊端尤其对于阶段建模后的集中评审环节。为支持某研究所在飞机研制任务的概念设计、初步设计和详细设计阶段采用数字化管理工具本项目提出了一套结合飞机研制业务特色的、基于模型的数字化管理流程。该流程将基于模型的系统工程MBSE与飞机研制业务的主要设计要素相结合通过自主开发的需求管理工具M-Require和协同建模平台M-Cowork进行协同作业以期实现基于模型的数字化管理从而提高设计评审过程的效率和质量。二、解决方案需求管理工具M-Require通过将需求条目进行层次化和模型化将概念设计、初步设计和详细设计阶段的需求进行项目化的组织和管理在需求阶段即可完成设计域的功能定义、逻辑分解进而建立有效链接。通过灵活而严谨的变更管理、可定制化的项目审批等过程完成对需求的管理从而指导设计师们设计出满足上游用户需求的飞机系统产品。协同建模平台M-Cowork具有“可重用、可监控、可分析、可考核、可开放”的特点支持多用户以分布方式执行在线协同建模任务从而构建具备系统管理、协同建模以及系统安全中心功能的复杂装备协同建模平台。主要功能包括基础数据管理、模型检入检出、授权管理、用户角色权限管理、更新合并机制、基线版本审核等。协同作业流程图三、案例成效针对该研究所现有的承载于国外软件工具Doors和Rhapsody中的需求及模型自主研发的需求管理工具M-Require和协同建模平台M-Cowork分别对此进行了数据转换功能和接口模块的开发。通过优化M-Require的需求导入功能以完成将承载于Doors和Rhapsody中的已有需求的导入借助M-Cowork的转换接口以完成将承载于Rhapsody中的已有模型的管理进而执行需求下放、需求验证和集成仿真等流程。该项目从最初完全依赖进口软件工具到设计阶段并行使用自主研发的软件工具逐步完成了需求管理和模型库管理使用软件的自主可控和国产化替代。-END-*本文为原创最终解释权归杭州华望系统科技所有。未经授权严禁复制或转载。*了解更多应用案例可浏览【华望应用案例】栏目欢迎点赞|评论|收藏*关注【杭州华望MBSE】将推送更多精彩有趣的文章期待与你同行
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/11 9:31:44

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/11 5:36:08

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/11 15:37:39

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉