使用微软的数字双胞胎教授AI“大脑”

工程师们越来越多地使用人工智能(AI)来自动化流程，并比人类更快、更有效地做出决策。但是，虽然工程师是他们专业领域的专家，但他们中的大多数人都不是数据科学家。他们没有时间学习数据科学，也没有时间编写人工智能模块所需的复杂代码。

微软项目盆景通过图形化连接已经被编程来执行某些AI功能的软件模块，帮助工程师在不使用数据科学的情况下创建人工智能驱动的自动化。能够完成一项任务的一组完整的相互连接的功能被称为“大脑”。大脑是一个独立的、可移植的软件模块，可以作为开环的一部分，建议人类操作员做出最佳决策，或者它可以取代人类，在闭环模式下自行做出决策并执行。

微软正在与万博Ansys Twin Builder软件来创建将使用人工智能自动化的设备或流程的数字双胞胎。与使用物理机器生成数据相比，数字双胞胎可以更快地生成训练人工智能大脑所需的大量数据，而且成本更低。

机器教学与机器学习

随着自动化过程变得越来越复杂，训练人工智能大脑的方法也在发生变化。当目标仅仅是图像或文本识别时，用大量标记数据淹没人工智能大脑，使其能够挑选出模式，效果很好。这是机器学习(ML)的基础。

但是，当人工智能在工业规模上被依赖于控制一个复杂的、多步骤的过程时，ML就不那么有效了。来自不同类型的传感器的各种输入简直让大脑不堪重负。

因此，微软工程师开发了机器教学(MT)的概念，它更多地依赖于人类的学习方法。就像数学老师不会在年轻学生掌握算术概念之前就开始教他们微积分一样，工程师也不能指望人工智能大脑在学会旋转之前就能理解涡轮机的工作原理。

微软首席项目经理西里尔•格洛克纳(Cyrill Glockner)说:“想象一下，你从最难的问题开始，找到解决方案的可能性几乎为零。”“人工智能大脑永远不会找到这样做的方法。但它可以通过利用和探索相结合，利用它已经学习到的知识，并查看整个数据环境，以确保它找到问题的最佳解决方案，从而慢慢地达到这个目标。”

在实践中，人类专家首先将这个过程分解成更小的任务。然后他们给人工智能大脑一些简单的问题，这样它就可以开始学习如何使用算法来解决这些简单的挑战。然后，他们将大脑已经看到的小任务组合成大任务，直到它能够自动控制大型复杂系统。

格洛克纳说:“通过将其限制在某些参数和范围内，我们基本上减少了人工智能大脑必须考虑的数学空间。”“然后随着时间的推移，我们会增加射程。大脑只需要处理新的δ，它已经有了一些在更早、更小范围内发现的方法，也可以应用到更大的范围。”

数字双胞胎的角色

虽然如上所述，在最初使用MT训练大脑时，从小任务和有限的数据开始训练是很重要的，但一旦大脑得到了良好的训练，它就需要大量的数据来完全优化其操作。

通常，这涉及到通过反复运行物理进程来生成大量数据。然后，这些数据可以输入到大脑中，以微调其在整个机器上的操作或被设计为自动化的过程。但是从物理过程中生成如此多的数据既耗时又昂贵。此外，如果一种情况每万亿次才发生一次——“极端情况”——并且在训练过程中没有遇到，大脑之前不会看到它，如果这种情况后来发生，也不知道如何反应。

与Ansys Twin B万博uilder合作，Microsoft Project Bonsai通过同时运行数百个机器或应用程序的虚拟模型，并将这些数字双胞胎产生的数据直接输入大脑进行优化，从而克服了这些限制。使用大量的虚拟模型而不是少量的物理模型可以减少训练大脑的时间和成本。它还使工程师能够在虚拟环境中引入可能对物理机器有潜在危险或损害的极端情况，因此大脑在投入运行之前已经看到了所有可能的情况。

从数字双胞胎到机器学习:如何工作

工程师首先使用Twin Builder通过结合不同的建模技术(如0D/1D建模和来自高保真仿真结果的降阶模型(ROM))来创建一个多物理系统级模型。这些高保真模型提供了最大的模拟精度，但也需要很长时间和大量的计算资源来运行。ROM是一种比原始模型更小，计算量更少的模型，但它运行得更快，同时在模拟中涉及的物理精度方面牺牲得很少。Twin Builder使用组件库(泵、阀门、执行器、传感器等)和需要精确预测的组件的rom对整个系统进行建模，这些组件通常无法用0D/1D建模实现(例如物理变量的完整现场预测)，这可以根据系统响应优化和验证组件选择。

基于物理的数字孪生模型可以通过结合来自资产数据的知识来进一步改进，例如用于模型校准或增强，这将导致一个混合数字双胞胎．

最终的模型可以以Twin Runtime模块的形式导出和部署。

“我们可以直接将Twin运行时集成到Microsoft盆景中，”Ansys数字双胞胎管理产品专家克里斯托弗·皮特(Christophe Petre)说。万博“双胞胎运行时附带一个非常简单的API，可以在不同的编程语言中使用，比如Python应用程序，它告诉用户如何通过传输输入、模拟模型和无缝检索输出来操作数字双胞胎。”

一旦API与Bonsai集成，工程师就可以确定对任何操作条件的虚拟更改是否会改善他们想要控制的设备或过程的行为。他们还可以访问新的信息，比如虚拟传感器数据(一些你无法物理测量但可以用模型预测的数据);探索“如果”场景;或者运行模拟来查看资产是如何老化的，从而预测何时需要进行维护。

一个飞机座舱压力控制系统的例子

座舱压力控制系统(CPCS)是展示数字双胞胎技术及其与盆景集成的一种方式。CPCS是一种航空电子系统，设计用于最小化客舱压力的变化率。其目的是确保机身和乘客的安全，同时在飞行的各个阶段最大限度地提高机组人员和乘客的舒适度。它消耗了飞机总能耗的一部分，因此需要复杂的控制。

在“盆景”中，工程师可以通过图形化选择和连接控制代码的功能块来构建AI大脑，这些控制代码块将机舱内各个点的温度和压力作为输入，并发出主动命令(例如“关闭空调”)作为输出。

在Twin Builder中，可以使用Modelica中的0D/1D组件对空调子系统进行建模，并且可以使用3D计算流体动力学(CFD)模型对机舱的高保真表示进行建模万博Ansys流利．从这个3D模型创建ROM，并连接到Twin Builder中的系统模型。这提供了精确的虚拟传感器，分布在舱内的空间，以监测压力和温度。

一旦模型在Twin Builder中组装和验证，工程师就可以生成一个可移植的、即插即用的Twin Runtime应用程序。通过简单的Python API，可以将其移植到数字孪生工作流，并用于训练盆景大脑来创建控制器。在这种情况下，数字双胞胎将对虚拟传感器进行预测，并在此基础上，AI控制器将对空调系统采取行动，以保持目标压力和温度。

格洛克纳说:“我们可以使用数字双胞胎的模拟作为数据生成器，而不是使用有监督和无监督学习的标记或无标记数据的训练数据集。”“这对我们来说真的很令人兴奋，因为我们可以同时模拟许多数字双胞胎，收集数据，在我们这边进行分类，并确保生成正确的数据以实现最佳学习。”

渴望看到微软盆景和Ansys数字孪生集成的现场演示?万博在汉诺威工业博览会微软展台参观我们004厅，E34号展位。

想了解更多关于Ansys数字双胞胎的信息吗?万博试试免费的Twin Builder！