Design e Simulação Baseados em Modelo

Ganhos:

• Capacidade de construir um modelo de equação diferencial de um sistema com IA e simulá-lo em Python
• Capacidade de interpretar resultados de simulação (resposta ao degrau, estabilidade) com a ajuda de IA
• Capacidade de aplicar a disciplina de verificação dos limites das suposições do modelo e sua compatibilidade com o sistema real

Antes de construir fisicamente um sistema mecatrônico, você pode entendê-lo, projetá-lo e testá-lo em um modelo. Design Baseado em Modelo; É uma abordagem para representar o comportamento de um sistema com equações diferenciais ou diagramas de blocos, executá-lo em simulação, projetar e verificar um controlador. Isso tem um grande valor: você pode testar centenas de cenários, prever a estabilidade, ajustar com segurança os ganhos do controlador sem arriscar o hardware. A inteligência artificial é uma auxiliar poderosa nesse processo: ela constrói a equação de um sistema, escreve sua simulação em Python, interpreta os resultados. Mas o modelo é um mapa, não um terreno; É responsabilidade do engenheiro determinar quão bem o modelo representa a realidade (validação). Nesta unidade, abordamos a construção de um modelo, sua simulação e a verificação dos limites do modelo com IA.

O que é um modelo e o que ele negligencia?

Um modelo é uma representação simplificada da realidade construída especificamente para esse fim. Por exemplo, um modelo simples de um motor CC é estabelecido com equações elétricas e mecânicas, mas pode desprezar a parte não linear do atrito, folga da engrenagem e efeito da temperatura. Estas omissões tornam o modelo útil, mas também estabelecem o limite da sua validade.

Está no modelo

muitas vezes negligenciado

Massa, inércia, resistência, indutância

Atrito não linear, folga

Equações dinâmicas básicas

Saturação, zona morta

Sensor/atuador ideal

Ruído de medição, atraso

Parâmetros fixos

Parâmetros que mudam com a temperatura

Princípio-chave: "Todos os modelos estão errados, alguns são úteis." O funcionamento do modelo depende se as coisas que ele omite são importantes na sua faixa de trabalho.

Construindo e Simulando um Modelo de Motor DC

Um modelo simples de espaço de estados de um motor DC é escrito com os estados de velocidade angular ω e corrente i. A IA pode configurar essas equações e simulá-las em Python com scipy:

import numpy as npfrom scipy.integrate import solve_ivpimport matplotlib.pyplot as plt# Parâmetros do motor DC (valores de amostra - devem ser retirados da folha de dados real) J = 0,01 # inércia (kg * m ^ 2) b = 0,1 # atrito viscoso (N * m * s) K = 0,01 # constante do motor (Nm / A e V * s / rad) R = 1,0 # resistência (ohm)L = 0,5 # indutância (H)def motor_dynamigi(t, x, V): """x = [omega, i]. V = tensão aplicada.""" ômega, i = x domega = (K * i - b * omega) / J # equação mecânica di = (V - R * i - K * omega) / L # equação elétrica retorno [domega, di]# 12 Simulação com entrada V passo (verificação):omega_ss_theoretical = K * V / (R * b + K**2)print(f"Velocidade final da simulação: {omega[-1]:.2f} rad/s")print(f"Estado estacionário teórico: {omega_ss_theoretical:.2f} rad/s")

A linha de validação aqui é crítica: comparamos a velocidade em estado estacionário alcançada pela simulação com a fórmula teórica derivada manualmente (K·V/(R·b+K²)). Se os dois coincidirem, a nossa confiança na simulação aumenta; Se não corresponderem, há um erro na equação ou no código. Encontre um ponto de hash independente para cada simulação que a IA produz.

Dica: Quando você fizer a IA simular um sistema, sempre diga “dê-me também um ponto de verificação teórico/analítico onde eu possa verificar o resultado”. Uma verificação independente, como valor de estado estacionário, lei de conservação, balanço de energia, etc., é a maneira mais rápida de detectar erros de código.

Resposta ao degrau e estabilidade

Os comportamentos básicos que você lerá na simulação:

• Tempo de subida: O tempo que leva para a saída atingir uma determinada parte do alvo.
• Overshoot: Quanto excede a meta.
• Tempo de acomodação: O tempo que leva para se tornar permanente na banda alvo.
• Estabilidade: A resposta permanece limitada ou cresce até o infinito?

A estabilidade é o resultado mais crítico do design baseado em modelo. Se os pólos de um sistema (as raízes do denominador da função de transferência) estiverem no semiplano esquerdo, o sistema é estável; Um pólo que se move para o meio plano direito significa instabilidade. A IA pode calcular a polaridade de um sistema e interpretar sua estabilidade:

import numpy as np# Exemplo: coeficientes polinomiais característicos [1, a2, a1, a0]coeficientes = [1, 3, 3, 1]roots = np.roots(coefficients)print("Poles:",roots)stable = np.all(np.real(roots) < 0)print("O sistema é estável?", stable) # all As partes reais são negativas?

Verificação do modelo (validação)

Não basta construir um modelo e simulá-lo; Você precisa provar que o modelo representa a realidade. Etapas de verificação:

1. Forneça análises: compare com controles independentes, como leis de conservação em estado estacionário.
2. Fonte dos parâmetros: Os parâmetros do modelo (J, K, R...) são realmente medidos/folha de dados ou uma estimativa?
3. Comparação experimental: Se possível, meça a resposta ao degrau do sistema real e sobreponha-a à do modelo.
4. Sensibilidade: Quanto o resultado muda ao alterar os parâmetros em ±20% (quão sensível é o modelo)?
5. Faixa de validade: Em que faixa de velocidade/carga/temperatura o modelo é válido, onde ele falha?

Cuidado: Os parâmetros do modelo (inércia, atrito, constante do motor) fornecidos pela IA são quase sempre valores de amostra/espaço reservado. Não traga os resultados da simulação “para a realidade” sem substituí-los pela folha de dados ou medições do seu sistema real. A ponte entre “trabalhos em simulação” e “trabalhos em campo” é a precisão e validação dos parâmetros.

Alerta Fraco/Prompt Forte

FRACO: "Escreva uma simulação de motor." a simulação. Calcule o tempo de subida, ultrapassagem e tempo de acomodação a partir da resposta ao degrau."

Mini Estojo

O engenheiro de P&D Nil modela o sistema antes de projetar um controlador para um novo eixo de posicionamento. Ele faz a IA construir o modelo do motor DC e adicionar um controlador PID; A simulação fornece uma resposta agradável e sem excessos. Mas quando Nil compara a velocidade em estado estacionário com a fórmula teórica, ele encontra uma diferença de 15%: A constante K do motor de amostra usada pela IA é diferente daquela do motor real. Quando você coloca os valores da ficha técnica, a simulação se enquadra na teoria. Em seguida, ele mede a resposta ao degrau do motor real e a sobrepõe à saída do modelo; O modelo se ajusta bem na região rápida, mas desvia em baixa velocidade – porque o modelo negligencia o atrito estático. Nil observa esse limite: o modelo é confiável em alta velocidade, não em velocidade muito baixa. Ele projeta o controlador de acordo. Modelo e simulação de IA estabelecidos rapidamente; mas a validação dos parâmetros e a comparação experimental revelaram ao engenheiro o verdadeiro limite de validade do modelo.

Erros Comuns

• Simulando com parâmetros de amostra/espaço reservado da IA e trazendo o resultado para a realidade.
• Não validar a simulação com um ponto de verificação analítico independente.
• Esquecer os efeitos que o modelo negligencia (atrito, folga, atraso) e confiar nele em todas as condições.
• Considerar o modelo “validado” sem nunca compará-lo com a medição real.
• Ignorando a análise de estabilidade (pólos) e apenas dizendo "o gráfico parece bom".
• Utilizar o modelo em toda a área de estudo sem determinar a faixa de validade.

Em resumo

• O modelo é uma simplificação proposital da realidade e sempre deixa algo de fora.
• A simulação permite o ajuste do projeto e do controlador sem arriscar o hardware.
• Cada simulação deve ser validada em relação a um hash point analítico independente.
• Os parâmetros do modelo devem vir da medição/folha de dados real e não ficar com o valor da amostra da IA.
• A estabilidade é avaliada observando a localização dos pólos (meio plano esquerdo).
• A validação mostra ao engenheiro a faixa de validade e os limites do modelo.

Tarefa de aplicativo

Escolha um sistema dinâmico simples (motor DC, massa-mola-amortecedor, circuito RC). Faça com que a IA construa um modelo de espaço de estado ou de equação diferencial e simule a resposta ao degrau em Python, e certifique-se de solicitar um ponto de hash analítico/estado estacionário teórico. Então: (1) compare o resultado da simulação com o valor teórico para ver se está de acordo, (2) altere um parâmetro em ±20% e veja o quanto o resultado muda (sensibilidade), (3) anote pelo menos dois efeitos físicos que o modelo negligencia e em qual região de operação eles seriam importantes. Descreva o intervalo de validade do seu modelo em uma frase.