Модельно-ориентированное проектирование и моделирование — Искусственный интеллект в мехатронике

Прибыль:

Возможность построить модель дифференциального уравнения системы с помощью ИИ и смоделировать ее на Python.
Способность интерпретировать результаты моделирования (переход, стабильность) с помощью ИИ.
Способность применять дисциплину проверки пределов модельных предположений и их совместимости с реальной системой.

Прежде чем физически построить мехатронную систему, вы можете понять, спроектировать и протестировать ее на модели. Модельно-ориентированное проектирование; Это подход, позволяющий представить поведение системы с помощью дифференциальных уравнений или блок-схем, запустить ее в моделировании, спроектировать и проверить контроллер. Это имеет большое значение: вы можете опробовать сотни сценариев, прогнозировать стабильность, безопасно регулировать коэффициенты усиления контроллера, не рискуя оборудованием. Искусственный интеллект — мощный помощник в этом процессе: он строит уравнение системы, пишет ее симуляцию на Python, интерпретирует результаты. Но модель — это карта, а не местность; В обязанности инженера входит определение того, насколько хорошо модель отражает реальность (проверка). В этом модуле мы рассмотрим построение модели, ее моделирование и проверку ограничений модели с помощью ИИ.

Что такое модель и чем она пренебрегает?

Модель — это специально созданное упрощенное представление реальности. Например, простая модель двигателя постоянного тока строится с помощью электрических и механических уравнений, но в ней можно пренебречь нелинейной частью трения, люфтом шестерни и температурным эффектом. Эти упущения делают модель полезной, но также устанавливают предел ее достоверности.

Это в модели

часто пренебрегают

Масса, инерция, сопротивление, индуктивность

Нелинейное трение, люфт

Основные динамические уравнения

Насыщенность, мертвая зона

Идеальный датчик/исполнительный механизм

Шум измерения, задержка

Фиксированные параметры

Параметры, которые изменяются с температурой

Ключевой принцип: «Все модели неверны, некоторые полезны». Работает ли модель, зависит от того, важны ли в вашем рабочем диапазоне вещи, которые она опускает.

Построение и моделирование модели двигателя постоянного тока

Простая модель двигателя постоянного тока в пространстве состояний записана с угловой скоростью состояний ω и током i. ИИ может составить эти уравнения и смоделировать их на Python с помощью scipy:

import numpy as npfrom scipy.integrate importsolve_ivpimport matplotlib.pyplot as plt# Параметры двигателя постоянного тока (примерные значения — следует брать из фактического описания)J = 0,01 # инерция (кг*м^2)b = 0,1 # вязкое трение (Н*м*с)K = 0,01 # константа двигателя (Нм/А и В*с/рад)R = 1,0 # сопротивление (Ом)L = 0,5 # индуктивность (H)def Motor_dynamigi(t, x, V): """x = [omega, i]. V = приложенное напряжение.""" omega, i = x domega = (K * i - b * omega) / J # механическое уравнение di = (V - R * i - K * omega) / L # возврат электрического уравнения [domega, di]# 12 Моделирование с пошаговым входом V (проверка):omega_ss_theoretical = K * V / (R * b + K**2)print(f"Конечная скорость моделирования: {omega[-1]:.2f} рад/с")print(f"Теоретическое устойчивое состояние: {omega_ss_theoretical:.2f} рад/с")

Линия проверки здесь имеет решающее значение: мы сравниваем установившуюся скорость, достигнутую в результате моделирования, с полученной вручную теоретической формулой (K·V/(R·b+K²)). Если они совпадают, наша уверенность в моделировании возрастает; Если они не совпадают, значит, ошибка либо в уравнении, либо в коде. Найдите такую независимую хеш-точку для каждой симуляции, которую производит ИИ.

Совет: когда ИИ моделирует систему, всегда говорите: «Также дайте мне теоретическую/аналитическую контрольную точку, где я смогу проверить результат». Независимая проверка, такая как установившееся значение, закон сохранения, баланс энергии и т. д., является самым быстрым способом обнаружить ошибки кода.

Переходный процесс и стабильность

Основные модели поведения, которые вы узнаете из симуляции:

Время нарастания: время, необходимое выходному сигналу для достижения определенной части цели.
Превышение: Насколько оно превышает цель.
Время стабилизации: время, необходимое для постоянного нахождения в целевом диапазоне.
Стабильность: остается ли реакция ограниченной или она возрастает до бесконечности?

Стабильность — наиболее важный результат проектирования на основе моделей. Если полюса системы (корни знаменателя передаточной функции) находятся в левой полуплоскости, система устойчива; Полюс, перемещающийся в правую полуплоскость, означает нестабильность. ИИ может рассчитать полярность системы и интерпретировать ее стабильность:

import numpy as np# Пример: характеристические полиномиальные коэффициенты [1, a2, a1, a0]coefficients = [1, 3, 3, 1]roots = np.roots(coefficients)print("Poles:", roots)stable = np.all(np.real(roots) < 0)print("Is the system Stable?", Stable) # all Действительно ли действительные части отрицательны?

Верификация модели (Валидация)

Недостаточно построить модель и смоделировать ее; Вам нужно доказать, что модель отражает реальность. Этапы проверки:

Предоставьте аналитику: сравните с независимыми средствами контроля, такими как стационарные законы сохранения.
Источник параметров: параметры модели (J, K, R...) действительно измерены/в таблице данных или являются приблизительными?
Экспериментальное сравнение: если возможно, измерьте переходную реакцию реальной системы и наложите ее на переходную характеристику модели.
Чувствительность: Насколько изменится результат при изменении параметров на ±20% (насколько чувствительна модель)?
Диапазон действия: в каком диапазоне скоростей/нагрузок/температур модель действительна, где она выходит из строя?

Внимание: параметры модели (инерция, трение, постоянная двигателя), заданные AI, почти всегда являются значениями выборки/заполнителя. Не воплощайте результаты моделирования «в реальность», не заменяя их техническими данными или измерениями вашей реальной системы. Мостом между «работами в моделировании» и «работами в полевых условиях» является точность и проверка параметров.

Слабая подсказка/Сильная подсказка

СЛАБЫЙ: «Напишите симуляцию двигателя». (Какая модель? параметры? проверка? Появляется бессмысленный график.) СИЛЬНЫЙ: «Постройте модель в пространстве состояний (состояния: угловая скорость и ток) двигателя постоянного тока. Смоделируйте переходную реакцию 12 В с помощью vescipysolve_ivp. Определите параметры как переменные в начале (J, b, K, R, L), чтобы я мог поставить свои реальные значения. Также напишите теоретическую формулу для установившейся скорости», чтобы я мог проверить моделирование. Рассчитайте время нарастания, перерегулирование и время установления по переходному процессу».

Мини-кейс

Инженер по исследованиям и разработкам Нил моделирует систему перед разработкой контроллера для новой оси позиционирования. Он поручил ИИ построить модель двигателя постоянного тока и добавить ПИД-регулятор; Моделирование дает хороший отклик без превышений. Но когда Нил сравнивает установившуюся скорость с теоретической формулой, он обнаруживает разницу в 15%: константа K образца двигателя, используемая ИИ, отличается от константы реального двигателя. Когда вы вводите значения из таблицы данных, моделирование соответствует теории. Затем он измеряет переходную реакцию реального двигателя и накладывает ее на выходные данные модели; Модель хорошо подходит для быстрой области, но отклоняется на низкой скорости, поскольку модель не учитывает статическое трение. Нил отмечает этот предел: модель надежна на высокой скорости, а не на очень низкой. Он проектирует контроллер соответствующим образом. Модель искусственного интеллекта и симуляция быстро созданы; но проверка параметров и экспериментальное сравнение открыли инженеру истинный предел применимости модели.

Распространенные ошибки

Моделирование с использованием параметров выборки/заполнителя ИИ и воплощение результата в жизнь.
Отсутствие проверки моделирования с помощью независимой аналитической контрольной точки.
Забывая об эффектах, которыми модель пренебрегает (трение, люфт, задержка) и доверяя ей при любых условиях.
Считая модель «подтвержденной», даже не сравнивая ее с фактическими измерениями.
Пропускаем анализ устойчивости (полюса) и просто говорим: «график выглядит красиво».
Использование модели на всей территории исследования без определения диапазона применимости.

В заключение

Модель представляет собой целенаправленное упрощение реальности и всегда что-то упускает.
Моделирование позволяет проектировать и настраивать контроллер без риска для аппаратного обеспечения.
Каждое моделирование должно быть проверено на соответствие независимой аналитической хеш-точке.
Параметры модели должны быть взяты из фактического измерения/таблицы данных, а не оставаться в виде выборочного значения AI.
Устойчивость оценивается по расположению полюсов (левая полуплоскость).
Валидация показывает инженеру диапазон достоверности и пределы модели.

Задача приложения

Выберите простую динамическую систему (двигатель постоянного тока, демпфер массы-пружины, RC-цепь). Попросите ИИ построить модель в пространстве состояний или дифференциальное уравнение и смоделировать переходную реакцию на Python, а также обязательно запросить теоретическую стационарную/аналитическую хеш-точку. Затем: (1) сравните результат моделирования с теоретическим значением, чтобы увидеть, согласуются ли они, (2) измените параметр на ±20% и посмотрите, насколько изменится результат (чувствительность), (3) запишите как минимум два физических эффекта, которыми модель пренебрегает, и в какой рабочей области они будут важны. Опишите диапазон применимости вашей модели в одном предложении.