与微软合作，使用数字双胞胎教授人工智能“大脑”

工程师们越来越多地使用人工智能(AI)来实现流程自动化，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并不是数据科学家。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，通过图形连接已经被编程为执行某些人工智能功能的软件模块。能够完成一项任务的一整套相互关联的功能被称为“大脑”。大脑是一个独立的、便携的软件模块，它可以作为开环的一部分，为人类操作员提供最佳决策建议，或者在配置为闭环模式时，它可以取代人类，自己做出决策并执行。

微软正在与Ansys Twin Builder利用人工智能创建设备或流程的数字孪生体。与使用物理机器生成数据相比，数字孪生可以更快、更低成本地生成训练人工智能大脑所需的大量数据。

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，向人工智能大脑注入大量标记数据，这样它就能很好地挑选出模式。这是机器学习(ML)的基础。

但当人工智能被用来控制工业规模的复杂、多步骤过程时，机器学习就不那么有效了。来自无数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的大脑在学会旋转之前就能理解电动涡轮机的工作原理。

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着手，找到解决方案的可能性几乎为零。”“人工智能的大脑永远不会找到这样做的方法。但它可以通过开发和探索的结合，利用它已经学到的东西，并在整个数据环境中寻找，以确保找到问题的最佳解决方案，慢慢地达到目标。”

在实践中，人类专家首先把这个过程分解成更小的任务。然后他们给人工智能的大脑一些简单的问题，这样它就可以开始学习如何使用它的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更大的任务，直到它能够自动控制大型复杂系统。

格洛克纳说:“通过将人工智能大脑限制在某些参数和范围内，我们基本上减少了它必须考虑的数学空间。”“然后我们随着时间的推移增加范围。大脑只需要处理新的delta，它已经有了一些在早期、较小范围内发现的方法，也可以应用于更大的范围。”

数字双胞胎的作用

正如上面所解释的，当最初使用机器翻译训练大脑时，从小任务和有限的数据量开始是很重要的，一旦大脑得到良好的训练，它就需要大量的数据来充分优化其操作。

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，这些数据可以被输入大脑，以微调其在整个机器或过程中的操作，它被设计为自动化。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出现一次，即“极端情况”，并且在训练过程中没有遇到，那么大脑之前就不会看到这种情况，如果这种情况在以后发生，就不知道该如何反应。

通过与Ansys Twin Builder合作，微软项目盆景克服了这些限制，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以优化它。使用大量的虚拟模型而不是较少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造成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。

从数字孪生到机器学习:它是如何工作的

工程师首先使用Twin Builder通过结合不同的建模技术(如0D/1D建模和基于高保真度仿真结果的降阶模型(ROM))来创建多物理场系统级模型。这些更高保真度的模型提供了最大的仿真精度，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、计算强度更低的模型，但它运行得更快，同时在模拟中涉及的物理精度方面几乎没有牺牲。Twin Builder使用组件库(泵、阀门、执行器、传感器等)和rom对整个系统进行建模，这些组件需要精确的预测，通常无法通过0D/1D建模(例如物理变量的完整现场预测)来实现，从而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整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，这将导致一个更大的改进混合数字孪生。

最终的模型可以以Twin Runtime模块的形式导出和部署。

Ansys公司数字孪生产品经理Christophe Petre表示:“我们可以直接将Twin Runtimes集成到微软盆景中。”“Twin runtime带有一个非常简单的API，可以在不同的编程语言(如Python应用程序)中使用，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纵数字双胞胎。”

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。他们还可以获取新的信息，比如虚拟传感器数据(你无法实际测量但可以用模型预测的东西);探索“如果”的场景;或者运行模拟以查看资产的老化情况，从而预测何时需要进行维护。

飞机座舱压力控制系统示例

座舱压力控制系统(CPCS)是展示数字孪生技术及其与Bonsai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变化率。其目的是确保机体和乘客的安全，同时最大限度地提高机组人员和乘客在飞行各个阶段的舒适度。它消耗了飞机总能耗的一部分，因此需要复杂的控制。

在Bonsai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人工智能大脑，这些代码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，空调子系统可以使用Modelica中的0D/1D组件进行建模，飞机客舱的高保真表示可以使用Modelica中的3D计算流体动力学(CFD)模型进行建模Ansys流利。从这个3D模型创建一个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机舱的空间，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，它可以移植到数字双胞胎工作流中，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，并以此为基础，人工智能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:“我们可以使用数字孪生体的模拟作为数据生成器，而不是使用训练数据集，其中有标记或未标记的数据用于监督和无监督学习。”“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，在我们这边进行整理，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 Digital Twin集成的现场演示吗?在汉诺威工业博览会的微软展位上访问我们004馆，E34展位。

想了解更多关于Ansys数字双胞胎?免费试用Twin Builder！