મોડલ-આધારિત ડિઝાઇન અને સિમ્યુલેશન

નફો:

• AI સાથે સિસ્ટમનું વિભેદક સમીકરણ મોડલ બનાવવાની અને પાયથોનમાં તેનું અનુકરણ કરવાની ક્ષમતા
• AI ની મદદથી સિમ્યુલેશન પરિણામો (સ્ટેપ રિસ્પોન્સ, સ્ટેબિલિટી) નું અર્થઘટન કરવાની ક્ષમતા
• મોડેલ ધારણાઓની મર્યાદા અને વાસ્તવિક સિસ્ટમ સાથે તેમની સુસંગતતાને ચકાસવાની શિસ્ત લાગુ કરવાની ક્ષમતા

શારીરિક રીતે મેકાટ્રોનિક સિસ્ટમ બનાવતા પહેલા, તમે તેને મોડેલ પર સમજી, ડિઝાઇન અને પરીક્ષણ કરી શકો છો. મોડલ-આધારિત ડિઝાઇન; તે વિભેદક સમીકરણો અથવા બ્લોક ડાયાગ્રામ સાથે સિસ્ટમની વર્તણૂકનું પ્રતિનિધિત્વ કરવાનો અભિગમ છે, તેને સિમ્યુલેશનમાં ચલાવો, ડિઝાઇન કરો અને નિયંત્રકની ચકાસણી કરો. આનું ખૂબ મૂલ્ય છે: તમે સેંકડો દૃશ્યો અજમાવી શકો છો, સ્થિરતાની આગાહી કરી શકો છો, હાર્ડવેરને જોખમમાં મૂક્યા વિના નિયંત્રક લાભોને સુરક્ષિત રીતે સમાયોજિત કરી શકો છો. કૃત્રિમ બુદ્ધિ આ પ્રક્રિયામાં એક શક્તિશાળી સહાયક છે: તે સિસ્ટમનું સમીકરણ બનાવે છે, તેનું અનુકરણ પાયથોનમાં લખે છે, પરિણામોનું અર્થઘટન કરે છે. પરંતુ મોડેલ એક નકશો છે, ભૂપ્રદેશ નથી; મોડેલ વાસ્તવિકતા (માન્યતા)ને કેટલી સારી રીતે રજૂ કરે છે તે નક્કી કરવાની જવાબદારી એન્જિનિયરની છે. આ એકમમાં, અમે મોડેલનું નિર્માણ, તેનું અનુકરણ અને AI વડે મોડલની મર્યાદા ચકાસવાનું આવરી લઈએ છીએ.

મોડેલ શું છે અને તે શું અવગણના કરે છે?

મૉડલ એ વાસ્તવિકતાનું ઉદ્દેશ્ય-નિર્મિત સરળ રજૂઆત છે. ઉદાહરણ તરીકે, ડીસી મોટરનું એક સરળ મોડલ વિદ્યુત અને યાંત્રિક સમીકરણો સાથે સ્થાપિત થયેલ છે, પરંતુ તે ઘર્ષણ, ગિયર બેકલેશ અને તાપમાનની અસરના બિનરેખીય ભાગને અવગણી શકે છે. આ અવગણના મોડેલને ઉપયોગી બનાવે છે પરંતુ તેની માન્યતાની મર્યાદા પણ સેટ કરે છે.

તે મોડેલમાં છે

ઘણી વખત ઉપેક્ષિત

સમૂહ, જડતા, પ્રતિકાર, ઇન્ડક્ટન્સ

બિનરેખીય ઘર્ષણ, પ્રતિક્રિયા

મૂળભૂત ગતિશીલ સમીકરણો

સંતૃપ્તિ, ડેડ ઝોન

આદર્શ સેન્સર/એક્ટ્યુએટર

માપન અવાજ, વિલંબ

સ્થિર પરિમાણો

પરિમાણો કે જે તાપમાન સાથે બદલાય છે

મુખ્ય સિદ્ધાંત: "બધા મોડેલ્સ ખોટા છે, કેટલાક ઉપયોગી છે." મોડેલ કામ કરે છે કે કેમ તેના પર આધાર રાખે છે કે તે જે વસ્તુઓને છોડી દે છે તે તમારી કાર્યકારી શ્રેણીમાં મહત્વપૂર્ણ છે.

ડીસી મોટર મોડલનું નિર્માણ અને અનુકરણ

ડીસી મોટરનું સાદું સ્ટેટ-સ્પેસ મોડેલ સ્ટેટ્સ કોણીય વેગ ω અને વર્તમાન i સાથે લખાયેલું છે. AI આ સમીકરણો સેટ કરી શકે છે અને તેને પાયથોનમાં સ્કીપી સાથે અનુકરણ કરી શકે છે:

npfrom તરીકે numpy આયાત કરો (Nm/A અને V*s/rad)R = 1.0 # રેઝિસ્ટન્સ (ઓહ્મ)L = 0.5 # ઇન્ડક્ટન્સ (H)def motor_dynamigi(t, x, V): """x = [omega, i]. V = લાગુ વોલ્ટેજ.""" omega, i = x ડોમેગા = (K * iga - b = (K* iga - b equation) = (K * iga - b equation) * - K * omega) / L # વિદ્યુત સમીકરણ રીટર્ન [domega, di # 12 V સ્ટેપ ઇનપુટ સાથે સિમ્યુલેશન (ચકાસણી): omega_ss_theoretical = K * V / (R * b + K**2)print(f"સિમ્યુલેશન અંતિમ ઝડપ: {omega[-1]:.2f} rad/s")print(f"Theoretical state:Theoretical) {omega_ss_theoretical:.2f} rad/s")

અહીં માન્યતા રેખા મહત્વપૂર્ણ છે: અમે સિમ્યુલેશન દ્વારા પ્રાપ્ત કરેલ સ્થિર-સ્થિતિ વેગની તુલના હાથથી મેળવેલા સૈદ્ધાંતિક સૂત્ર (K·V/(R·b+K²)) સાથે કરીએ છીએ. જો બે મેચ થાય, તો સિમ્યુલેશનમાં આપણો આત્મવિશ્વાસ વધે છે; જો તેઓ મેળ ખાતા નથી, તો સમીકરણ અથવા કોડમાં ભૂલ છે. AI દ્વારા ઉત્પાદિત દરેક સિમ્યુલેશન માટે આવા સ્વતંત્ર હેશ પોઇન્ટ શોધો.

ટીપ: જ્યારે તમારી પાસે AI સિમ્યુલેટ સિસ્ટમ હોય, ત્યારે હંમેશા કહો કે "મને એક સૈદ્ધાંતિક/વિશ્લેષણાત્મક ચેકપોઇન્ટ પણ આપો જ્યાં હું પરિણામ ચકાસી શકું." એક સ્વતંત્ર તપાસ, જેમ કે સ્થિર-સ્થિતિ મૂલ્ય, સંરક્ષણ કાયદો, ઉર્જા સંતુલન, વગેરે, કોડની ભૂલોને પકડવાની સૌથી ઝડપી રીત છે.

પગલું પ્રતિભાવ અને સ્થિરતા

મૂળભૂત વર્તણૂકો તમે સિમ્યુલેશનમાંથી વાંચશો:

• ઉદયનો સમય: આઉટપુટને લક્ષ્યના ચોક્કસ ભાગ સુધી પહોંચવામાં જે સમય લાગે છે.
• ઓવરશૂટ: તે લક્ષ્યને કેટલું ઓળંગે છે.
• સ્થાયી થવાનો સમય: લક્ષ્ય બેન્ડમાં કાયમી બનવા માટે જે સમય લાગે છે.
• સ્થિરતા: શું પ્રતિભાવ મર્યાદિત રહે છે અથવા તે અનંત સુધી વધે છે?

સ્થિરતા એ મોડેલ-આધારિત ડિઝાઇનનું સૌથી નિર્ણાયક પરિણામ છે. જો સિસ્ટમના ધ્રુવો (ટ્રાન્સફર ફંક્શનના છેદના મૂળ) ડાબા અડધા પ્લેનમાં હોય, તો સિસ્ટમ સ્થિર છે; એક ધ્રુવ કે જે જમણા અડધા પ્લેનમાં ખસે છે તેનો અર્થ અસ્થિરતા છે. AI સિસ્ટમની ધ્રુવીયતાની ગણતરી કરી શકે છે અને તેની સ્થિરતાનું અર્થઘટન કરી શકે છે:

np# તરીકે numpy આયાત કરો ઉદાહરણ: લાક્ષણિકતા બહુપદી સહગુણાંકો [1, a2, a1, a0]ગુણાંકો = [1, 3, 3, 1]મૂળ = np.roots(ગુણાંક) પ્રિન્ટ("પોલ્સ:", રૂટ્સ)સ્થિર = np.all(np.<real)"(spriable st)"? # બધા વાસ્તવિક ભાગો નકારાત્મક છે?

મોડલ ચકાસણી (માન્યતા)

મોડેલ બનાવવા અને તેનું અનુકરણ કરવું તે પૂરતું નથી; તમારે સાબિત કરવાની જરૂર છે કે મોડેલ વાસ્તવિકતાને રજૂ કરે છે. ચકાસણી પગલાં:

1. એનાલિટિક્સ પ્રદાન કરો: સ્થિર-સ્થિતિ, સંરક્ષણ કાયદા જેવા સ્વતંત્ર નિયંત્રણો સાથે સરખામણી કરો.
2. પરિમાણ સ્ત્રોત: શું મોડેલ પેરામીટર્સ (J, K, R...) ખરેખર માપવામાં આવે છે/ડેટાશીટ અથવા અંદાજ છે?
3. પ્રાયોગિક સરખામણી: જો શક્ય હોય તો, વાસ્તવિક સિસ્ટમના સ્ટેપ રિસ્પોન્સને માપો અને તેને મોડલ સાથે ઓવરલે કરો.
4. સંવેદનશીલતા: ±20% (મોડલ કેટલું સંવેદનશીલ છે) દ્વારા પરિમાણોને બદલતી વખતે પરિણામ કેટલું બદલાય છે?
5. માન્યતા શ્રેણી: મોડેલ કઈ ઝડપ/લોડ/તાપમાન શ્રેણીમાં માન્ય છે, તે ક્યાં તૂટી જાય છે?

સાવધાન: AI દ્વારા આપવામાં આવેલા મોડલ પેરામીટર્સ (જડતા, ઘર્ષણ, મોટર કોન્સ્ટન્ટ) લગભગ હંમેશા નમૂના/પ્લેસહોલ્ડર મૂલ્યો હોય છે. સિમ્યુલેશન પરિણામોને તમારી વાસ્તવિક સિસ્ટમની ડેટાશીટ અથવા માપ સાથે બદલ્યા વિના "વાસ્તવિકતામાં" લાવશો નહીં. "સિમ્યુલેશનમાં કામ કરે છે" અને "ક્ષેત્રમાં કામ કરે છે" વચ્ચેનો સેતુ એ પરિમાણની ચોકસાઈ અને માન્યતા છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

WEAK:"મોટર સિમ્યુલેશન લખો."(કયું મોડેલ? પરિમાણો? ચકાસણી? અર્થહીન ગ્રાફિક દેખાય છે.)STRONG:"DC મોટરનું સ્ટેટ-સ્પેસ મોડલ (રાજ્યો: કોણીય વેગ અને વર્તમાન) બનાવો. vescipy solve_ivp સાથે 12 V સ્ટેપ રિસ્પોન્સનું અનુકરણ કરો. આરજે, આરજે, આરજે, વેરીએમીટરની શરૂઆતમાં, K તરીકે વ્યાખ્યાયિત કરો. L) જેથી હું મારા વાસ્તવિક મૂલ્યો પણ સ્થિર-સ્થિતિ ગતિ માટે સૈદ્ધાંતિક સૂત્ર લખી શકું "જેથી હું સિમ્યુલેશન ચકાસી શકું. સ્ટેપ રિસ્પોન્સમાંથી ઉદય સમય, ઓવરશૂટ અને સેટલિંગ સમયની ગણતરી કરો."

મીની કેસ

નવી પોઝિશનિંગ અક્ષ માટે કંટ્રોલર ડિઝાઇન કરતા પહેલા આર એન્ડ ડી એન્જિનિયર નીલ સિસ્ટમનું મોડેલ બનાવે છે. તેની પાસે એઆઈ બિલ્ડ ડીસી મોટર મોડલ છે અને પીઆઈડી કંટ્રોલર ઉમેરે છે; સિમ્યુલેશન એક સરસ, બિન-ઓવરશૂટિંગ પ્રતિસાદ આપે છે. પરંતુ જ્યારે નિલ સૈદ્ધાંતિક સૂત્ર સાથે સ્થિર-સ્થિતિની ગતિની તુલના કરે છે, ત્યારે તેને 15% તફાવત જોવા મળે છે: AI દ્વારા ઉપયોગમાં લેવાતું સેમ્પલ એન્જિન કોન્સ્ટન્ટ K વાસ્તવિક એન્જિન કરતા અલગ છે. જ્યારે તમે ડેટાશીટ મૂલ્યો મૂકો છો, ત્યારે સિમ્યુલેશન સિદ્ધાંત સાથે બંધબેસે છે. તે પછી વાસ્તવિક એન્જિનના સ્ટેપ રિસ્પોન્સને માપે છે અને તેને મોડલ આઉટપુટ સાથે ઓવરલે કરે છે; મોડેલ ઝડપી પ્રદેશમાં સારી રીતે બંધબેસે છે, પરંતુ નીચી ઝડપે વિચલિત થાય છે-કારણ કે મોડેલ સ્થિર ઘર્ષણની અવગણના કરે છે. શૂન્ય આ મર્યાદાને નોંધે છે: મોડેલ ખૂબ જ ઓછી ઝડપે નહીં પણ ઉચ્ચ ઝડપે વિશ્વસનીય છે. તે તે મુજબ કંટ્રોલર ડિઝાઇન કરે છે. AI મોડેલ અને સિમ્યુલેશન ઝડપથી સ્થાપિત; પરંતુ પરિમાણ માન્યતા અને પ્રાયોગિક સરખામણીએ એન્જિનિયરને મોડેલની માન્યતાની સાચી મર્યાદા જાહેર કરી.

સામાન્ય ભૂલો

• AI ના નમૂના/પ્લેસહોલ્ડર પરિમાણો સાથે અનુકરણ કરવું અને પરિણામને વાસ્તવિકતામાં લાવવું.
• સ્વતંત્ર વિશ્લેષણાત્મક ચેકપોઇન્ટ સાથે સિમ્યુલેશનને માન્ય ન કરવું.
• મોડેલ અવગણના કરે છે તે અસરોને ભૂલી જવું (ઘર્ષણ, પ્રતિક્રિયા, વિલંબ) અને તમામ પરિસ્થિતિઓમાં તેના પર વિશ્વાસ કરવો.
• વાસ્તવિક માપ સાથે ક્યારેય સરખામણી કર્યા વિના મોડેલને "માન્યતા" ધ્યાનમાં લેવું.
• સ્થિરતા પૃથ્થકરણ (ધ્રુવો) ને છોડીને અને ફક્ત "ગ્રાફ સરસ લાગે છે" એમ કહેવું.
• માન્યતા શ્રેણી નક્કી કર્યા વિના સમગ્ર અભ્યાસ ક્ષેત્રમાં મોડેલનો ઉપયોગ કરવો.

સારાંશમાં

• મોડેલ વાસ્તવિકતાનું હેતુપૂર્ણ સરળીકરણ છે અને હંમેશા કંઈક છોડે છે.
• સિમ્યુલેશન હાર્ડવેરને જોખમમાં મૂક્યા વિના ડિઝાઇન અને કંટ્રોલર ટ્યુનિંગને સક્ષમ કરે છે.
• દરેક સિમ્યુલેશન સ્વતંત્ર વિશ્લેષણાત્મક હેશ પોઇન્ટ સામે માન્ય હોવું આવશ્યક છે.
• મોડેલ પેરામીટર્સ વાસ્તવિક માપન/ડેટાશીટમાંથી આવવું જોઈએ, AI ના નમૂના મૂલ્ય સાથે છોડવું જોઈએ નહીં.
• સ્થિરતાનું મૂલ્યાંકન ધ્રુવ સ્થાનો (ડાબે અડધા પ્લેન) ને જોઈને કરવામાં આવે છે.
• માન્યતા એન્જિનિયરને મોડેલની માન્યતા શ્રેણી અને મર્યાદા બતાવે છે.

એપ્લિકેશન કાર્ય

એક સરળ ડાયનેમિક સિસ્ટમ (DC મોટર, માસ-સ્પ્રિંગ-ડેમ્પર, આરસી સર્કિટ) પસંદ કરો. AI પાસે સ્ટેટ-સ્પેસ અથવા ડિફરન્સિયલ ઇક્વેશન મૉડલ બનાવવા અને પાયથોનમાં સ્ટેપ રિસ્પોન્સનું અનુકરણ કરવા માટે કહો અને સૈદ્ધાંતિક સ્થિર-સ્થિતિ/વિશ્લેષણાત્મક હેશ પૉઇન્ટ માટે પૂછવાની ખાતરી કરો. પછી: (1) સિમ્યુલેશન પરિણામની તુલના સૈદ્ધાંતિક મૂલ્ય સાથે કરો કે તે સંમત થાય છે કે કેમ તે જોવા માટે, (2) પરિમાણને ±20% દ્વારા બદલો અને જુઓ કે પરિણામમાં કેટલો ફેરફાર થાય છે (સંવેદનશીલતા), (3) ઓછામાં ઓછી બે ભૌતિક અસરો લખો કે જે મોડેલ અવગણે છે અને કયા ઓપરેટિંગ ક્ષેત્રમાં તે મહત્વપૂર્ણ હશે. તમારા મોડેલની માન્યતા શ્રેણીનું એક વાક્યમાં વર્ણન કરો.