Amesim+Al “双A”混合建模构建机电系统数字孪生

2025-08-24

一、引言

近日正式发布的《德勤 2020 技术趋势报告》（中文版）再次将数字孪生列为可能在短期内引发颠覆性变革的五个关键新兴趋势之一。事实上，无论是消费领域还是工业领域，无论是中小型制造企业还是大型OEM集成商，都已在或正在将数字孪生技术应用到各自业务和技术创新过程中。例如，汽车制造商特斯拉利用数字孪生技术开发和升级自动驾驶系统。

图片

图1 产品、生产与运维数字孪生

数据孪生涉及到大数据存储、建模仿真、传感器感知、人工智能、云计算、物联网等多种复杂的技术，工业制造领域尤其如此。以应用广泛的机电系统为例，其建模与仿真方面涉及到结构、流体、传热、控制、电气、电子、电磁、软件等多种学科的综合。数字孪生的构建需要综合多种方法和技术，本文将探讨Amesim与AI两种建模方法结合在机电系统数字孪生开发中的应用。

二、数据孪生建模技术难点

基于机理的建模仿真与基于数据的建模仿真是开发数字孪生体常见的两种建模方法。基于机理的建模仿真遵循严格的物理因果关系，可不受时空条件和成本因素的限制做出科学合理的预测。而基于数据的建模仿真，可以从多维度的海量数据中进行自我学习并几乎能够实时地对即将发生的事件进行推测和预演。然而，金无足赤，人无完人，每种建模方法都有其局限性。下图所示是工程人员在数字孪生模型开发过程中经常会遇到的技术难点：

图片

图2 机理与数据建模难点

三、Amesim+AI 混合建模解决方案介绍

多领域复杂系统建模分析软件Simcenter Amesim提供了基于机理的建模与仿真方法，内置大量面向不同领域应用的专业模型库，工程师可以便捷地建立机械、电气、液压、传热、控制、流动等单系统或多系统机电系统综合模型并进行预测分析，在汽车、重工、机械、武器、航空、航天等行业得到了广泛应用。为了解决上述章节中提到的数据孪生建模技术困难，Amesim在最新版本中开发了Neural Network Builde与Neural Network Import 两个App。借助于这两个App，工程师在工程中可以很便捷的将Amesim建模方法与AI建模方法有机结合起来，实现机电系统性能数字孪生模型的开发。进一步结合传感器、物联网、边缘计算、云计算等技术，可构建出具有完整生命周期的数字孪生。

图片

图3 机理与数据结合的数字孪生

Amesim+AI混合建模方法在机电系统数字孪生开发中的应用价值主要体现到以下几个方面：
1. 提升系统模型计算实时性
系统仿真求解相对3D物理场仿真虽然很快，但其仿真计算是采用迭代的方式数值求解矩阵，不同学科耦合越多、非线性程度越高、系统复杂度越高，仿真求解的花费的时间越多，仅靠增加计算资源也无法满足实时性及在线运行的工程需要。Amesim中的Neural Network Builde可将复杂、求解慢速的单个或多个子系统模型降阶为紧凑实时的神经网络：

图片

图4 利用Neural Network 模型降阶

如上图所示，Simcenter Amesim 可以无缝重用降阶完成包含静态和动态行为的AC子系统模型、集成后的整车级模型运行速度极大的提升了100倍。此外，Amesim还支持与 ONNX 社区共享神经网络，方便AI算法工程师使用。
2. 复杂机理模型的去专业化
开发好的数字孪生体模型更多是要给非专业人员使用（如业主运维人员、AI算法工程师、测试人员、投标工程师等），这就要求模型具有去“专业化”且易于普及使用的特点。基于机理的仿真模型通常是在专业的CAE软件体系里完成建模的，软件操作复杂、数理及计算知识要求高，只有经过专业训练的人员才能操作完成。如何将专业性、复杂性封装“黑箱化”是拓宽机理模型应用广度的关键。

图片

图5 Amesim模型的去专业化

Amesim提供的解决方案如上图案例所示，训练完成的神经网络模型可只保留使用者关注的输入\输出变量，对于其内部的工作原理、系统结构等信息进行了黑盒化。这样去专业化后的模型不仅更易普及应用，而且保护了模型开发者的IP敏感信息。
3. AI控制算法的优化
AI建模方法存在的问题主要来自于两个方面：训练数据与算法验证。

    训练数据问题：

  • AI算法模型在有限场景内可以达到很高的预测准确率，但在更广泛的使用场景中准确率下降很多，最根本原因是数据采集系统和历史运行数据有限，已有数据难以支持AI算法训练和持续改进。尤其是对于新购或开发的产品设备。

  • 即使积累的工业数据量足够多，但这些数据包含有大量的噪声干扰。如错误的传感器读数、大量的指标变量、故障设备/零件的异常数据、异常的环境条件参数等等，对于数据工程师来说，如何识别有效数据进行标注是保证AI模型训练合理性和提高模型训练精度的前提。

  • 基于大数据的AI采用黑箱方式进行训练，是从纯数学或计算的角度建立输入与输出之间的关系，数据工程师和算法工程师缺乏对物理因果关系的认知与解释。由此，经数据训练产生的AI模型可能输出与物理常识完全违背的结果。

算法验证问题：

缺乏快速迭代的测试验证环境。如考虑到安全性及生产的连续性，处于工作运行状态的机电系统通常不被允许随时或经常性的停机来在线联调验证AI算法，AI算法得不到充分的验证与纠错，难以实现快速迭代与升级。
图片
图6 自动泊车算法的验证
利用Amesim开发的机电系统模型，一方面可用来构造大量的、可靠的训练用数据集，校对已有数据合理性和有效弥补实测数据不足。另一方面，系统在在线联调不可用或缺乏验证的环境下，提供了算法验证的高可靠性工厂模型。在扩充数据集方面，利用Amesim生成的数据集可覆盖全场景，拓宽AI算法的适用边界。在算法验证方面，利用Amesim可降低AI算法验证的试错成本，促进算法的快速迭代与优化。如上图所示，国外车企利用Amesim整车动力学模型验证自动泊车控制算法。
4. 利用AI提高仿真模型精度
仿真所需数据不准、不全、物理模型不成熟或工程简化、数值计算误差积累等，会内在的导致工程模型计算精度有限，难以继续提升，有时候无法满足高精度的工业级应用需要（如99%以上的精度）。
图片
图7 机理模型动态误差补偿
Amesim建立的模型精度在不能进一步提升的情况下，可考虑结合AI建模的方法来改善模型精度。如上图案例所示，基于采集的实测数据，利用AI技术对机理模型进行误差补偿修正，提升模型精度。
5. 提升系统级模型的保真度
工程中遇到的问题往往是复杂的多学科问题，尽管现有的仿真软件具备了处理多学科复杂问题的能力，但是受限于工程条件、精度要求，环境条件等，还是难以建立高保真的物理模型，不得不进行等效简化。另一方面，并不是所有的物理问题都能有完善成熟的理论知识解释，如涉及蒸发相变、室外风速风向多变的冷塔。图片
图8 数据模型的集成导入
利用AI建模作为一种补充手段，解决机理模型不可建或难以建立的情形。如上图所示，国外某车企将整车实测所得数据训练生成AI模型，AI模型在进一步导入到Amesim模型中，提高了系统级模型的保真度。
四、总结与展望
Simcenter Amesim作为开放的多学科、多尺度、多领域、多系统综合集成建模仿真平台，可集成多种方法，用户可以在单一平台上建立涉及机、电、热、液、控的复杂机电系统性能数字孪生模型。图片
图9 开放的平台架构
新版的Simcenter Amesim提供了AI自动化集成接口，允许工程师将Amesim模型与AI模型高效结合适用，不管是系统仿真工程师，还是AI算法工程师，都可以低门槛的做到两种模型的直接互用。双A混合建模极大地降低了机电系统数字孪生体的开发难度，数据模型与机理模型的综合运用，如同中西医结合一样，是构建系统级产品数字孪生模型的有效手段。


分享技术科普，源文章链接：https://mp.weixin.qq.com/s/G25e8s5WL8sQi4lNJx_IBQ

分享
写评论...