Conception et simulation basées sur un modèle — Intelligence artificielle en génie mécatronique

Gains :

Capacité à construire un modèle d'équation différentielle d'un système avec l'IA et à le simuler en Python
Capacité à interpréter les résultats de simulation (réponse échelonnée, stabilité) à l'aide de l'IA
Capacité à appliquer la discipline de vérification des limites des hypothèses du modèle et de leur compatibilité avec le système réel

Avant de construire physiquement un système mécatronique, vous pouvez le comprendre, le concevoir et le tester sur une maquette. Conception basée sur un modèle ; C'est une approche pour représenter le comportement d'un système avec des équations différentielles ou des schémas fonctionnels, l'exécuter en simulation, concevoir et vérifier un contrôleur. Cela a une grande valeur : vous pouvez essayer des centaines de scénarios, prédire la stabilité, ajuster en toute sécurité les gains du contrôleur sans risquer le matériel. L'intelligence artificielle est un assistant puissant dans ce processus : elle construit l'équation d'un système, écrit sa simulation en Python, interprète les résultats. Mais le modèle est une carte, pas un terrain ; Il est de la responsabilité de l'ingénieur de déterminer dans quelle mesure le modèle représente la réalité (validation). Dans cette unité, nous couvrons la construction d'un modèle, sa simulation et la vérification des limites du modèle avec l'IA.

Qu’est-ce qu’un modèle et que néglige-t-il ?

Un modèle est une représentation simplifiée de la réalité, spécialement conçue à cet effet. Par exemple, un modèle simple d'un moteur à courant continu est établi avec des équations électriques et mécaniques, mais il peut négliger la partie non linéaire du frottement, du jeu des engrenages et de l'effet de la température. Ces omissions rendent le modèle utile mais fixent également la limite de sa validité.

C'est dans le modèle

souvent négligé

Masse, inertie, résistance, inductance

Frottement non linéaire, jeu

Équations dynamiques de base

Saturation, zone morte

Capteur/actionneur idéal

Bruit de mesure, retard

Paramètres fixes

Paramètres qui changent avec la température

Principe clé : « Tous les modèles sont faux, certains sont utiles. » Le fonctionnement du modèle dépend de l'importance des éléments omis dans votre plage de travail.

Construire et simuler un modèle de moteur à courant continu

Un modèle simple dans l'espace d'états d'un moteur à courant continu est écrit avec les états vitesse angulaire ω et courant i. L'IA peut configurer ces équations et les simuler en Python avec scipy :

importer numpy as npfrom scipy.integrate import solve_ivpimport matplotlib.pyplot as plt# Paramètres du moteur à courant continu (des exemples de valeurs - doivent être extraits de la fiche technique réelle)J = 0,01 # inertie (kg*m^2)b = 0,1 # friction visqueuse (N*m*s)K = 0,01 # constante du moteur (Nm/A et V*s/rad)R = 1,0 # résistance (ohm)L = 0,5 # inductance (H)def motor_dynamigi(t, x, V): """x = [omega, i]. V = tension appliquée.""" omega, i = x domega = (K * i - b * omega) / J # équation mécanique di = (V - R * i - K * omega) / L # retour d'équation électrique [domega, di]# 12 Simulation avec entrée pas V (vérification):omega_ss_theoretical = K * V / (R * b + K**2)print(f"Vitesse finale de simulation : {omega[-1]:.2f} rad/s")print(f"État stable théorique : {omega_ss_theoretical:.2f} rad/s")

La ligne de validation ici est critique : nous comparons la vitesse en régime permanent obtenue par la simulation avec la formule théorique dérivée manuellement (K·V/(R·b+K²)). Si les deux correspondent, notre confiance dans la simulation augmente ; S'ils ne correspondent pas, il y a une erreur soit dans l'équation, soit dans le code. Trouvez un tel point de hachage indépendant pour chaque simulation produite par l'IA.

Astuce : lorsque vous demandez à l'IA de simuler un système, dites toujours « donnez-moi également un point de contrôle théorique/analytique où je peux vérifier le résultat ». Une vérification indépendante, telle qu'une valeur en régime permanent, une loi de conservation, un bilan énergétique, etc., est le moyen le plus rapide de détecter les erreurs de code.

Réponse progressive et stabilité

Les comportements de base que vous lirez dans la simulation :

Temps de montée : temps nécessaire à la sortie pour atteindre une certaine partie de la cible.
Dépassement : de combien il dépasse l'objectif.
Temps de stabilisation : temps nécessaire pour devenir permanent dans la bande cible.
Stabilité : la réponse reste-t-elle limitée ou croît-elle jusqu'à l'infini ?

La stabilité est le résultat le plus critique de la conception basée sur un modèle. Si les pôles d'un système (les racines du dénominateur de la fonction de transfert) sont dans le demi-plan gauche, le système est stable ; Un pôle qui se déplace vers le demi-plan droit signifie une instabilité. L'IA peut calculer la polarité d'un système et interpréter sa stabilité :

import numpy as np# Exemple : coefficients polynomiaux caractéristiques [1, a2, a1, a0]coefficients = [1, 3, 3, 1]roots = np.roots(coefficients)print("Poles:", Roots)stable = np.all(np.real(roots) < 0)print("Le système est-il stable ?", stable) # all Les parties réelles sont-elles négatives ?

Vérification du modèle (Validation)

Il ne suffit pas de construire un modèle et de le simuler ; Vous devez prouver que le modèle représente la réalité. Étapes de vérification :

Fournissez des analyses : comparez avec des contrôles indépendants tels que les lois de conservation en régime permanent.
Source des paramètres : les paramètres du modèle (J, K, R...) sont-ils réellement mesurés/fiche technique ou une estimation ?
Comparaison expérimentale : si possible, mesurez la réponse échelonnée du système réel et superposez-la à celle du modèle.
Sensibilité : dans quelle mesure le résultat change-t-il lors d'une modification des paramètres de ±20 % (quelle est la sensibilité du modèle) ?
Plage de validité : Dans quelle plage vitesse/charge/température le modèle est-il valable, où se décompose-t-il ?

Attention : les paramètres du modèle (inertie, frottement, constante du moteur) fournis par l'IA sont presque toujours des valeurs d'échantillon/espace réservé. Ne concrétisez pas les résultats de simulation « à la réalité » sans les remplacer par la fiche technique ou les mesures de votre système réel. Le pont entre les « travaux en simulation » et les « travaux sur le terrain » est la précision et la validation des paramètres.

Invite faible/Invite forte

FAIBLE : "Écrivez une simulation de moteur." (Quel modèle ? Paramètres ? vérification ? Un graphique dénué de sens apparaît.) FORT : "Construisez un modèle d'espace d'états (états : vitesse angulaire et courant) d'un moteur à courant continu. Simulez une réponse échelonnée de 12 V avec vescipy solve_ivp. Définissez les paramètres comme variables au début (J, b, K, R, L) afin que je puisse mettre mes valeurs réelles. Écrivez également la formule théorique pour la vitesse en régime permanent "afin que je puisse vérifier la simulation. Calculez le temps de montée, le dépassement et le temps de stabilisation à partir de la réponse échelonnée."

Mini-étui

L'ingénieur R&D Nil modélise le système avant de concevoir un contrôleur pour un nouvel axe de positionnement. Il demande à l'IA de construire le modèle de moteur à courant continu et d'ajouter un contrôleur PID ; La simulation donne une réponse agréable et sans dépassement. Mais lorsque Nil compare la vitesse en régime permanent avec la formule théorique, il constate une différence de 15 % : l'exemple de constante du moteur K utilisé par l'IA est différent de celui du moteur réel. Lorsque vous mettez les valeurs de la fiche technique, la simulation correspond à la théorie. Il mesure ensuite la réponse échelonnée du moteur réel et la superpose à la sortie du modèle ; Le modèle s'adapte bien à la région rapide, mais dévie à faible vitesse, car il néglige le frottement statique. Nil constate cette limite : le modèle est fiable à haute vitesse, pas à très basse vitesse. Il conçoit le contrôleur en conséquence. Modèle d'IA et simulation rapidement établis ; mais la validation des paramètres et la comparaison expérimentale ont révélé à l'ingénieur la véritable limite de validité du modèle.

Erreurs courantes

Simulation avec les paramètres d'échantillon/espace réservé de l'IA et concrétisation du résultat.
Ne pas valider la simulation avec un point de contrôle analytique indépendant.
Oublier les effets que le modèle néglige (friction, jeu, retard) et lui faire confiance dans toutes les conditions.
Considérer le modèle « validé » sans jamais le comparer à la mesure réelle.
Sauter l'analyse de stabilité (pôles) et dire simplement "le graphique a l'air sympa".
Utiliser le modèle dans toute la zone d’étude sans déterminer la plage de validité.

En résumé

Le modèle est une simplification délibérée de la réalité et laisse toujours quelque chose de côté.
La simulation permet la conception et le réglage du contrôleur sans risquer le matériel.
Chaque simulation doit être validée par rapport à un point de hachage analytique indépendant.
Les paramètres du modèle doivent provenir de la mesure/fiche technique réelle et ne pas être laissés avec la valeur d'échantillon de l'IA.
La stabilité est évaluée en regardant l'emplacement des pôles (demi-plan gauche).
La validation montre à l'ingénieur la plage de validité et les limites du modèle.

Tâche de candidature

Choisissez un système dynamique simple (moteur DC, masse-ressort-amortisseur, circuit RC). Demandez à l'IA de construire un modèle d'espace d'état ou d'équation différentielle et de simuler la réponse échelonnée en Python, et assurez-vous de demander un point de hachage théorique en régime permanent/analytique. Ensuite : (1) comparez le résultat de la simulation avec la valeur théorique pour voir s'il concorde, (2) modifiez un paramètre de ± 20 % et voyez à quel point le résultat change (sensibilité), (3) notez au moins deux effets physiques que le modèle néglige et dans quelle région de fonctionnement ils seraient importants. Décrivez la plage de validité de votre modèle en une phrase.