第 3 章

将人工智能用于复杂系统的降阶建模

如今的系统日趋复杂。自主系统让车辆能够在不可预测的环境中自主行驶。风力发电机可通过数字孪生进行自我监控来满足维护需求。个人智能设备可以衡量睡眠活动，给照片加标签，甚至制定锻炼计划。医疗设备可以监测患者身体状况，诊断疾病，并预测个性化结果。

在这些应用中，基于人工智能的算法通常是一个大型复杂系统的一部分。

有时，人工智能模型将部署为该系统的一部分，但是也可以用于降阶建模 (ROM)。ROM 有助于降低系统虚拟模型的复杂度或存储要求，同时将预期保真度保持在可控误差范围内。

工程师通常依据第一性原理开始对系统组件进行建模。第一性原理模型的真正价值在于，其结果通常具有明确、可解释的物理意义。此外，行为通常可以参数化。

然而，在许多情况下，高保真模型的计算量太大，无法将其用于系统级设计，特别是使用需要模型实时运行的 HIL 或 PIL 测试时更是如此。获得高保真模型可能还非常耗时。

在这些情况下，不妨考虑创建一个基于人工智能的降阶模型。

开发基于人工智能的降阶模型

创建 ROM 的方法有很多，包括人工智能：

• 基于物理的降阶模型
• 基于模型的方法
• 在某些工况点处线性化的非线性 Simulink 模型
• 数据驱动的方法，包括：
  • 静态方法，例如曲线拟合和查找表
  • 动态方法，例如基于人工智能的模型

ROM 是一款有价值的工具。它具有以下用途：

• 加速受第三方高保真模型影响的 Simulink 桌面仿真。
• 通过降低高保真模型的复杂度实现硬件在环 (HIL) 测试。
• 使用 Simulink 将其他工具中的二维和三维模型引入系统级仿真模型中。
• 开发基于人工智能的虚拟传感器模型，以用于控制软件、故障检测或预测性维护。
• 执行控制设计。
• 加速有限元分析 (FEA) 或计算流体力学 (CFD) 软件计算或优化。

基于人工智能的 ROM 有诸多设计考量。创建准确的人工智能模型需要大量高质量的数据。人工智能模型即使准确，也往往被比作“黑盒”，或在某些情况下被比作“灰盒”。换而言之，模型的输出可能不一定可解释或可参数化。人工智能模型也无法让工程师将机器的物理信息轻松整合到模型中。

用基于人工智能的 ROM 替代第三方第一性原理发动机模型

假设您是新车设计团队的一员。您需要根据多项输入和条件来仿真车辆的速度。您想要创建一个模型，其中包括表示驾驶员、路况、控制器和汽车发动机的组件。

一位同事提供了一个使用第三方工具建模的车辆发动机子系统。由此产生的仿真将以高保真度契合真实系统。但其运行速度比预期的要慢。

为了在开发和完善其他系统组件的同时加快仿真速度，您可以用替代模型或降阶模型替换高成本的第三方发动机模型。该模型可以使用各种方法来开发，包括基于物理的方法（例如使用 Simulink 和 Simscape）或基于人工智能的方法。对于人工智能模型，输入将包括发动机转速、点火正时、节气门位置和废气旁通阀值，而输出将表示发动机扭矩。

您可以使用变体在通过不同方法构建的组件之间轻松切换。使用变体，您可以比较设计选项，以在准确度与性能之间取得平衡，而不必注释掉模型的某些部分。这有助于您了解差异，并获得参考信息，以便于在选择组件时做出明智的决策。

生成数据并训练人工智能模型

要创建人工智能模型，您需要使用一个数据集来训练它，该数据集可以改变相关输入并生成所需的输出。您可以使用公共数据集，也可以使用来自您自己的物理系统环境的试验数据。

此外，您还可以使用高保真仿真来生成数据。为此，请先通过选择模型参数并改变其范围来设计一组试验。例如，速度、点火正时和节气门位置将拥有各自不同的范围。使用试验设计 (DoE) 创建一个列出可能的参数组合的表，然后运行仿真并收集数据。

您可以使用各种方法来创建人工智能模型。例如，您可以在 MATLAB 中应用机器学习或深度学习方法，如 LSTM（长短期记忆网络，能够在序列预测问题中学习顺序依赖关系的循环神经网络）、神经 ODE（由常微分方程的解定义的深度学习操作）或非线性 ARX 模型（使用小波和 S 型网络等灵活的非线性函数对复杂的非线性行为建模）。

此外，还可以与用于训练人工智能模型的其他开源框架进行互操作。

部署人工智能 ROM 进行系统级测试

在创建了基于人工智能的 ROM 后，便可部署它以进行系统级测试。

如果您的目标是测试系统中其他组件的设计和性能，则您可能需要在目标硬件上运行正在设计的组件，并在桌面端运行人工智能模型。潜在的硬件在环 (HIL) 设置包括：

• 将组件部署到目标硬件平台
• 在实时计算机系统上运行人工智能模型
• 将系统关联到一起，运行仿真，监控信号，并调整参数

在开发完成后，人工智能模型将以模块化呈现，且可重复使用。此外，无论您的同事是在本地还是其他地方，都可以在他们的仿真和组件测试中使用您的人工智能模型，这可能会加速系统的并行设计和开发。

选择人工智能方法

如果时间允许的话，您可以使用不同方法创建多个人工智能模型，并使用 Simulink 来完善这些模型。例如，您可以使用 Simulink 探查器查看每个模型在台式计算机上的运行速度。您还可以将高保真模型的输出与人工智能模型进行比较，以衡量准确度。

为了确定最适合您的应用的模型，您需要部署这些模型并收集所有指标。

选择模型时，可能不只要考虑准确度，还需要考虑训练速度、可解释性、推断速度或模型大小。不同的方法会带来不同的结果。也就是说，每个特定的 ROM 将各有利弊。