首頁 > 新聞資訊 本文原刊登于Ansys Blog：《Hybrid Analytics: A Tool Set for Building Hybrid Digital Twins》
作者：Matt Adams | Ansys 首席產品專家
混合數字孿生是將物理和數據結合在一起的數字孿生體。換句話說，混合數字孿生不單獨依靠仿真或者機器學習（ML），而是同時發揮兩種方法的優勢，充分利用有關系統的所有可用知識。工程為創建物理模型提供信息，而數據則向該模型提供新洞察。將物理與數據相結合的方法和工具，構成了被稱為“混合分析”的工具集。
通過使用Ansys Twin Builder和混合分析工具集，您可以將數字孿生準確度提高到98%或更高水平。
混合分析是一套以不同方式將物理與數據相結合的機器學習工具。通過更明智地選擇訓練數據和機器學習方法，您可以為混合數字孿生開辟新的可能性。一個備受矚目的領域是融合建模，即綜合運用至少兩種不同類型的數據來訓練機器學習模型。
融合建模：融合物理與數據
為了構建機器學習模型，用戶需要提供輸入/輸出（I/O）數據以及在I/O數據之間建立關系的機器學習算法。重復使用該算法，可以預測不同輸入產生的新輸出。當然，訓練數據的選擇和算法的選擇都會影響結果質量。例如，降階模型（ROM）通常使用仿真數據來構建，并且通常使用依賴物理方程或仿真模型底層結構的方法；其他統計方法更適用于存在噪聲的傳感器數據。在融合建模中，至少要使用兩種不同的數據源來訓練模型，這可能需要結合不同類型的仿真數據或結合仿真數據與傳感器數據。在任何情況下，結合多個數據源有利于為更多應用創建更豐富的機器學習模型。
融合：殘差建模
如果我們希望通過物理建模保存已知的系統相關信息，并從任何可用數據中學習，可以同時使用仿真數據和傳感器數據。只要充分理解組件或系統的基本物理特性并且能用已知方程建模，就可以基于物理的仿真模型創建高質量數字孿生體。然而在實際情況中，由于各種原因，難以實現完整的物理模型，包括：
- 不能充分理解摩擦或損耗
- 不能完全捕獲幾何結構
- 不能為環境影響建模
- 隨時間發生退化
例如，這可能包括電機常數的不確定性、各種組件的慣性或管道內壁上的摩擦量。在這些情況下，首選解決方法是嘗試從可用數據中學習物理模型的參數。機器學習方法能夠幫助您從數據中學習到更準確的參數值，并為這些參數提供估計值。
這種方法的主要優勢在于，模型中完全保留了物理行為知識，從數據學習到的信息包含在模型參數的值中。因此，即使模型不能完全表達物理特性，也可通過調整參數盡量予以補償，習得的行為至少在該模型的情景下具有可解釋性，并且與其他參數值存在關聯。因此，設計人員和工程師可以深入地了解問題根源和系統行為。
即便構思最佳的物理模型有時也無法完全捕獲系統的實際行為。具體而言，當系統中存在未建模的物理時，學習更好的參數值仍不足以實現應用所需的精度水平。此時融合模型通過提供高度準確的預測，能夠起到幫助作用。
當經過校準的孿生預測與預期行為之間仍存在差異時，您可以構建融合模型來仿真孿生的預測和表達目標行為的數據之間的差異。這種類型的融合建模通常被稱為殘差建模。在融合殘差模型中有兩種不同的數據源，分別是物理模型預測和實驗數據。因此，殘差建模最常用于在假設場景下實現更準確的預測。
該圖展示了融合殘差建模的過程，即：使用物理模型預測和實驗數據作為兩個主要數據源
這種方法的最大優勢在于，無論系統中存在哪些仍被保留的已知物理信息，數據都能幫助您建模因系統中存在未知或誤解而出現的剩余部分，即殘留數據。值得注意的是，模型的融合部分一般不會解釋缺失的內容，但與孿生輸出結合，確實能提高預測準確度。通過這種方法，不確定性被限制在未知的行為部分，而添加機器學習部分不會損失任何東西。
以這種方法應用融合模型，能夠在保留已知物理信息的情況下運行機器學習。本質上，可以構建融合殘差模型來補償質量極差的物理模型。在這些情況下，融合模型更像是數據模型，并且與其他數據模型一樣，基本物理特性可能會被掩蓋或丟失。然而，即便在這種狀況下，低質量物理模型至少依然能對機器學習部分產生一定的約束。
當融合殘差建模被用于改進已經提供高保真度結果，但仍存在大約10%差異的模型時，可產生極佳的效果。在這種情況下，融合模型可能無法完全解釋少量殘留的物理效應，但系統的主要物理效應完全保留在物理孿生中，并且可以輕松訪問。
融合：多保真度回歸
融合建模的另一個應用是多保真度回歸。在這種情況下，一個數據源被視為地面實況，另一個數據源與這個地面實況近似。當地面實況數據稀缺而近似數據豐富時，可以使用融合功能。這方面的一個例子是工作臺測試。收集測試數據成本高昂且非常耗時，為了節省成本，需要盡可能多地在虛擬環境下開展測試。仿真模型可用于替代工作臺測試，但它們必須能準確再現系統的實際行為。我們至少需要一些來自工作臺測試的數據點，以檢查仿真模型的行為。如果仿真模型不能提供與測試數據足夠高的保真度匹配，可以構建融合模型，為測試數據與仿真模型之間的差異建模。
該圖顯示了Ansys Maxwell模型生成的結果準確度遠高于Ansys Motor-CAD模型。然而，如果Motor-CAD模型與融合殘差模型結合，性能可媲美完整的Maxwell模型
隨后可將具有融合校正功能的模型，用于準確仿真未開展測試的其他設計點或場景。
該方法同樣適用于兩個仿真數據源。
例如，電機的有限元（FEA）模型包含完整的幾何結構和物理效應，能提供極為準確的預測，但代價是有限元模型可能需要較長時間來運行，這就很難在眾多場景上開展重復測試。使用1D或2D假設條件，也可以更快地對電機進行建模以獲得良好的近似度。
融合模型同時使用兩種類型的電機仿真，以更快實現最佳預測。對于一些設計點，有限元仿真數據可用作正確行為的錨點。1D模型可仿真所有設計點，融合模型體現了兩個仿真模型在這些設計點上的差異。隨后將1D模型與融合校正相結合，為其他設計點提供準確預測。有限元模型中所需的設計點數量取決于兩個模型結果之間的相關性，例如，如果具有較高的相關性，您可以使用有限元設計點并主要依靠1D模型。
探索混合分析
數字孿生通常存在于邊緣或云端，而這兩種環境下的相關知識可能較稀缺。混合數字孿生利用所有可用數據，并為預測性維護和性能優化提供最佳解決方案，幫助克服這一挑戰。分析通常是指從數據中學習，而混合分析是一套從實驗數據和基于物理的仿真中學習的方法。基于多個數據源和多種物理，融合模型是混合數字孿生的重要組成部分，有利于提高仿真精度，尤其是在物理信息不確定的領域。
（文章來源公眾號：Ansys）
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
關于億道電子
億道電子技術有限公司（英文名稱：Emdoor Electronics Technology Co.,Ltd）是國內資深的研發工具軟件提供商，公司成立于 2002 年，面向中國廣大的制造業客戶提供研發、設計、管理過程中使用的各種軟件開發工具，致力于幫助客戶提高研發管理效率、縮短產品設計周期，提升產品可靠性。
20 年來，先后與 Altium、ARM、Ansys、Minitab、Green Hills、EPLAN、QT、QA Systems、MicroFocus、Visu-IT、HighTec、PLS、Ashling、MSC Software 、Autodesk、Source Insight、TeamEDA、IncrediBuild、Adobe等多家全球知名公司建立戰略合作伙伴關系，并作為他們在中國區的主要分銷合作伙伴服務了數千家中國本土客戶，為客戶提供從芯片級開發工具、EDA 設計工具、軟件編譯以及測試工具、結構設計工具、仿真工具、電氣設計工具、以及嵌入式 GUI 工具等等。億道電子憑借多年的經驗積累，真正的幫助客戶實現了讓研發更簡單、更可靠、更高效的目標。
歡迎關注“億道電子”公眾號
了解更多研發工具軟件知識
