TRIZ Destekli Mühendislik Tasarım Süreci

Abstract

Karmaşık mühendislik sistemlerinde yenilikçiliği artırmak, ileri yöntemlerin entegrasyonunu gerektirir. Bu çalışma, ürün gerçekleştirilmeden önce temel problemlerin belirlenmesini sağlamak amacıyla, Yaratıcı Problem Çözme Teorisi'nin (TRIZ) problem tanımlama aşamasını Model Tabanlı Sistem Mühendisliği (MBSE) ile bütünleştiren ve ontoloji ile Python kodu gibi Sembolik Yapay Zekâ (AI) teknikleriyle desteklenen yeni bir yaklaşım olan TAEDP'yi (TRIZ Destekli Mühendislik Tasarım Süreci) tanıtmaktadır. TRIZ temel problemleri ortaya çıkarmada etkili olurken MBSE yapılandırılmış bir modelleme ortamı sunmaktadır; ancak her iki yaklaşım da genellikle ileri düzey uzmanlık gerektirir. TAEDP, sistem modellerinin Sembolik AI destekli analiziyle özellikle işlev dezavantajları ve kırpma (trimming) problemleri olmak üzere temel problemlerin tespitini otomatikleştirerek bu zorluğu azaltmaktadır. Ontolojinin bu modellere entegrasyonu, derin TRIZ bilgisine olan bağımlılığı azaltmakta ve erken aşama yenilikçiliği teşvik etmektedir. Süreç, CECA ve özellik transferi analizi gibi gelişmiş TRIZ araçları için hâlen bir miktar insan eliyle girdi gerektirse de TAEDP, TRIZ ve MBSE'nin daha akıllı ve erişilebilir bir şekilde bütünleşmesi için sağlam bir temel sunmaktadır. Gelecek çalışmalar, daha kapsamlı temel problem tespiti için CECA ve özellik transferi analizinin Sembolik AI destekli TAEDP çerçevesine dâhil edilmesine odaklanacaktır.Driving innovation in complex engineering systems requires the integration of advanced methodologies. This study introduces TAEDP (TRIZ Aided Engineering Design Process), a novel approach that integrates the problem identification stage of the Theory of Inventive Problem Solving (TRIZ) with Model-Based Systems Engineering (MBSE), supported by Symbolic Artificial Intelligence (AI) techniques such as ontology and Python scripting in order to identify key problems before product is realized. TRIZ is effective in uncovering key problems, while MBSE offers a structured modeling environment; however, both approaches typically require significant expertise. TAEDP mitigates this limitation by automating the identification of key problems—particularly function disadvantages and trimming problems—through Symbolic AI-enhanced analysis of system models. The integration of ontology into these models reduces the reliance on deep TRIZ knowledge and encourages early-stage innovation. Although the process still requires some manual input for advanced TRIZ tools like CECA and feature transfer analysis, TAEDP lays a solid foundation for a more intelligent and accessible fusion of TRIZ and MBSE. Future work will focus on incorporating CECA and feature transfer analysis into the Symbolic AI-supported TAEDP framework for more comprehensive key problem identification.