前言
作者：振鋒企業股份有限公司｜王勉力 博士
高空作業環境中的安全防護至關重要，特別是在防墜落裝置（SRL，自動收回式救生索）以及衝擊能量吸收結構的設計上。傳統工程設計常依賴經驗或耗時的試誤法，難以應對非線性結構分析帶來的複雜性及多解設計的探索需求。
透過 CAE 技術、生成式拓樸優化與資料驅動的AI分析軟體 RapidMiner，評估防墜落裝置的參數，並實現能量吸收裝置的分類分群最佳化。藉由這種智慧化、資料導向的新模式，工程師能夠在無需重複做網格和模擬的情況下，快速導出具備輕量化、高強度與最佳能量吸收效益的設計方案。（圖1）
|
|
|
圖1：防墜落裝置描述（來源：振鋒企業股份有限公司）
|
【 高空防墜技術背景與挑戰 】
振鋒企業股份有限公司是全球主要的五金零配件供應商，在高空作業使用的安全生命線（Self-Retracting Lifeline, SRL）與相關防墜配件領域，約占有全球七成的市場，是國際上極具影響力的製造商。在高空作業環境中，SRL扮演著預防墜落事故的關鍵角色，其性能與可靠度直接關係到使用者的生命安全。然而，當前高空防墜技術正面臨兩項核心挑戰：
裝備輕量化
在高空作業領域中，無論是施工、維修，或登山娛樂等情境，使用者往往需要攜帶多項安全裝備，其總重量有時甚至超過 10 公斤。因此，近年安全防護設備在設計上愈發重視「輕量化」；在確保強度與安全係數不下降的前提下，減少零組件的質量，以降低作業者長時間負重所造成的疲勞與不便。輕量化已成為近年設備研發的重要趨勢，也促使結構設計逐漸朝向以幾何最佳化與能量吸收能力提升等技術方向發展。
能量吸收裝置的設計（Energy Absorber）
在高空墜落防護中，能量吸收多半依賴拉伸型織帶的延展變形來達到減速效果。然而，織帶在墜落過程中可能與鋼構或尖銳邊緣發生摩擦、切割，進而造成失效，帶來高度風險。因此，若能以金屬結構取代織帶進行能量吸收，將可顯著提升整體可靠度。而在受限的安裝空間內，要設計出既能提供足夠變形行程、又能有效吸收墜落衝擊（例如 128 公斤負載）的金屬結構，是一項相當具有挑戰性的問題。
金屬能量吸收元件涉及大變形、塑性流動與應變率等複雜行為，傳統的拓樸最佳化方法往往難以直接應用於此類以「拉伸模式」為主的變形機制（如圖 2 所示）。
 |
 |
|
圖2：金屬能量吸收裝置實驗結果與模擬（來源：振鋒企業股份有限公司）
|
【 CAE 智慧化與 RapidMiner 應用策略 】
面對上述挑戰，振鋒積極推動結構分析技術發展，從高度非線性模擬、DOE（實驗設計方法）與最佳化等，進一步導入 AI 快速響應模型，來將這些技術整合，其中包含：
- Morphing 型變與 PhysicsAI：結合幾何造型與拓樸設計，透過 DOE 擴展 AI 訓練數據量，並使用幾何深度學習（GDL）實現無需劃分網格和設定邊界條件下的強度預測，使得分析時間可在30秒內完成。
- 非線性結構分析與輕量化：成功透過逐步移除低貢獻元素的方法，將原始產品重量從約86 g 減輕至70-72 g，並通過非線性結構分析驗證其在極端負載下仍保有足夠安全餘度。
- 資料驅動的設計：未來的 CAE 趨勢將從「模擬導向」進化至「資料導向」。工程師可以利用 RapidMiner 等 AI 工具，在不完全理解背後物理或力學原理的情況下，可透過數據歸納獲得設計的依據。
【 AI 應用案例（I）: Physics AI-D 環應變預測 】
D環（D-ring）是一種金屬或塑膠製的環狀扣件，通常用於固定、連接或承載負重。D 環在各種應用中扮演著重要角色，以下是一些常見的用途和特點，
- 形狀與結構: D環的形狀有一個平直的底部和一個圓弧狀的頂部。這樣的形狀有助於更好地分散載荷，並避免在固定繩索或帶子的時候出現滑動。
- 常見用途: 安全設備：如安全帶、登山用具、攀岩裝備等，D環用於連接繩索、掛鉤或其他安全工具，承受重量並確保安全性。
在實際工程應用中，D環在承載過程中會受到複雜的受力組合，包括彎曲、拉伸以及接觸等，因此結構強度與變形行為需要透過完整的CAE非線性分析加以驗證。為了建立能快速預測 D 環應變分佈的 AI 模型，必須先蒐集足夠的分析案例作為訓練資料。
- 以過往分析的案例，準備各不同模型之分析結果作為訓練資料(圖3)。
 |
 |
| 圖3：模型訓練流程（來源：振鋒企業股份有限公司） |
- 完成 AI Training 後，AI 模型即可作為新設計的參考指標(圖4)。
圖4 Physics AI 快速預測應變 （來源：振鋒企業股份有限公司）
透過 HyperMesh 的型變功能（Morphing）調整、快速建模，以及 AI 的即時預測功能，設計變化對性能的影響，如今只需 20-30 秒即可呈現（Quick response），並能在極短時間內探索更多設計空間、達成輕量化的最佳化方向。
這次的成果首次實現不依賴機構工程師的傳統繪製流程、無需額外網格與邊界條件設定，並以 CAE × AI 的整合式自主開發流程完成產品設計與性能驗證。目前此版本已正式開模量產，並完成型錄上架於官網（圖5）。此成果不僅象徵技術流程上的全面升級，也標誌著團隊在邁向新一代數位化產品開發模式上跨出的關鍵里程碑。
圖5 拓樸D環官網型錄
型錄網站
https://www.yoke.net/products-detail/N-528L/
https://www.yoke.net/products-detail/N-529L/
【 RapidMiner：金屬能量吸收結構的最佳化 】
金屬能量吸收裝置的設計目標是透過金屬變形來吸收墜落能量，這需要從無到有地探索最佳化幾何拓樸。
1. 生成式拓樸與幾何建模（Generative Topology Optimization, GTO）
設計採用生成式拓樸的概念，透過引入多重拘束生成多種結構設計。（圖6）
- 拓樸構成：幾何形狀由弧形段與一般線段構成，依據段數（例如3, 5, 7段）可彈性排列出多樣化的形狀組合。
- 模型數據：通過電腦生成了48組模型，每個模型包含26個變數。
圖6：GTO引入生成式模型（來源：振鋒企業股份有限公司）
2. 維度詛咒與降維技術（Principal Components Analysis, PCA）
由於高達26個變數，會產生「維度詛咒」（Curse of Dimensionality）問題，可能導致最佳化找不到穩定的解。
- 主成分分析(PCA)：透過尋找一組正交的主成分（Principal Components），使得資料投影至這些方向上的變異量（Variance）最大，從而保留原始資料中最具代表性的特徵。
- 結果：PCA分析指出，26個變數中，只需提取出3個主控變數（Principal Components）就具有代表性。（圖7）
圖7：PCA結果（來源：振鋒企業股份有限公司）
3. 分類分群最佳化（Clustering）
降維後，利用AI分群模型（Clustering）將設計族群進行分類。
- DBI指數：採用Davies–Bouldin Index（DBI）評估分群效果，DBI越低越好，表示群間差異大、群內緊密。DBI數值（例如-2.385）推薦將48組模型分成三群。
- 最佳化流程：劃分成三群（Cluster_0, Cluster_1, Cluster_2）後，針對每一群進行能量吸收效果的評估，找出平均表現最好的群體。最後，只針對該最佳群組的邊界子集進行最終的最佳化（FEA Topology Optimization），而非對所有模型進行耗時的FEM分析。（圖8）
圖8：分群模型 Clustering（來源：振鋒企業股份有限公司）
【 實驗結果與結論 】
左圖是實驗與設計過程中模擬結果的反作用力－位移曲線，由圖可以發現，實驗與模擬的結果高度一致，所有資料的平均誤差僅為4.06%。透過結果，可以驗證本研究的設計可以精確地反映材料真實的變形行為，具高度的可性度。
圖10：拉伸實驗結果（來源：振鋒企業股份有限公司）
【 結論與展望 】
RapidMiner 整合主成分分析、分群技術與決策樹模型，振鋒企業成功地將複雜的工程問題簡化並提供了設計依據。未來，CAE 將從「模擬導向」進化至「資料導向」，工程師可以透過AI即時回饋預測結果，在無需重複網格化與模擬的情況下，快速導出最佳化結果。
【 表1 技術方法與效益整理 】
|
應用領域
|
技術方法
|
目的與效益
|
|
拓樸D環
|
Physics AI 快速預測響應
|
透過 CAE × AI 的整合式開發流程，可在無需建網格與設定邊界條件的情況下完成快速設計與強度預測，大幅縮短開發時程。
|
|
回收減速裝置
|
決策樹（Decision Tree）
隨機森林（Random Forest）
|
取代傳統人工試誤法，為工程師提供直觀的設計依據，判斷參數（如楔角/彈簧常數）與鎖死狀態的關聯; 非線性預測模型，能更準確反映實際行為，提升設計可靠性。
|
|
能量吸收結構
|
PCA+Clustering（DBI/CH）
|
有效降低幾何參數的維度，並自動分類設計族群，從而針對最佳族群進行最佳化，大幅提高多解設計探索效率。
|
