微軟Project Bonsai以圖形化的方式，連接那些通過編程可執(zhí)行AI功能的軟件模塊，這樣工程師們無需利用數(shù)據(jù)科學(xué)，就可以實現(xiàn)AI驅(qū)動的自動化。執(zhí)行某項任務(wù)的一組完整連接功能被稱為“大腦”，大腦是一個獨立的、可移植的軟件模塊，可用作開放式回路的一個組成部分，為人類操作員提供最佳決策建議，或者取代人類，自行做出決策并在閉合回路模式下執(zhí)行這些決策。

微軟正在使用Ansys Twin Builder軟件創(chuàng)建設(shè)備或流程的數(shù)字孿生，以利用AI實現(xiàn)自動化。與使用物理機器生成數(shù)據(jù)相比，數(shù)字孿生可以更快速、以更低成本生成訓(xùn)練AI大腦所需的大量數(shù)據(jù)。

機器教學(xué)與機器學(xué)習(xí)

隨著自動化流程變得越來越復(fù)雜，訓(xùn)練AI大腦的方法也在發(fā)生變化。當目標只是圖像或文本識別的時候，把大量標記數(shù)據(jù)輸入AI大腦，這樣就可以挑選出效果良好的模式，這就是機器學(xué)習(xí)的基礎(chǔ)。

但是，當人們依靠AI來控制工業(yè)環(huán)境中復(fù)雜且步驟繁多的過程時，機器學(xué)習(xí)就沒有那么有效了，眾多不同類型傳感器的大量輸入只會讓大腦不堪重負。

因此，微軟工程師開發(fā)了機器教學(xué)（Machine Teaching）的概念，它更多地依賴于人類的學(xué)習(xí)方法，就像是數(shù)學(xué)老師在教學(xué)生掌握算術(shù)概念之前，不會嘗試教他們學(xué)習(xí)微積分一樣，工程師也不能指望AI大腦還不知道什么是旋轉(zhuǎn)之前，就了解電動渦輪機的工作原理。

想象一下，你要是從最難的問題開始著手，那么找到解決方案的幾率幾乎為零。AI大腦永遠不會想辦法做到這一點，但是它可以通過開發(fā)和探索，利用已經(jīng)學(xué)到的知識，查看整個數(shù)據(jù)環(huán)境，確保找到問題的最佳解決方案，從而慢慢地達到目標。

Cyrill Glockner

微軟首席項目經(jīng)理

在實踐中，人類專家首先會把流程分解為若干更小的任務(wù)，然后給AI大腦一些簡單的問題，這樣它就可以開始學(xué)習(xí)如何使用算法來解決這些簡單的問題，接著人類專家會將AI大腦可以看到的若干小任務(wù)，組合成更大的任務(wù)，直到AI大腦可以自動控制大型的復(fù)雜系統(tǒng)。

Glockner表示：“我們基本上是通過將AI大腦限制在某些參數(shù)和范圍內(nèi)，來縮小AI大腦必須查看的數(shù)學(xué)空間，然后我們會隨著時間的推移擴大這一范圍。AI大腦只需要處理新增的部分，因為之前AI大腦在小范圍內(nèi)積累的方法現(xiàn)在可以在更大的范圍內(nèi)應(yīng)用?！?/p>

數(shù)字孿生扮演的角色

如上所述，在最初使用機器教學(xué)訓(xùn)練大腦，并且從小任務(wù)和有限數(shù)據(jù)量開始是很重要的，但是一旦大腦經(jīng)過良好的訓(xùn)練，就需要大量數(shù)據(jù)來充分進行優(yōu)化。

通常，這就需要通過反復(fù)運行物理過程來生成大量數(shù)據(jù)，然后可以將這些數(shù)據(jù)輸入大腦，微調(diào)在整臺機器上的操作或者實現(xiàn)自動化的過程。但是從物理過程中生成如此多的數(shù)據(jù)，既耗時成本又高。而且，某種極端情況（如果這種情況每萬億次只發(fā)生一次）在訓(xùn)練過程中沒有發(fā)生的話，那么大腦也不會預(yù)見到這種情況，如果以后實際發(fā)生了，大腦就不知道該如何應(yīng)對。

通過與Ansys Twin Builder合作，微軟Project Bonsai可同時運行數(shù)百個機器或者應(yīng)用的虛擬模型，并將這些數(shù)字孿生生成的數(shù)據(jù)，直接輸入大腦對其進行優(yōu)化，從而不斷克服各種局限性。使用大量虛擬模型——而不是減少物理模型的數(shù)量——可以縮短訓(xùn)練大腦的時間，降低成本，還能讓工程師在虛擬環(huán)境中引入可能對物理機器造成潛在危險或損壞的極端情況，這樣大腦在投入運行之前，就可以學(xué)習(xí)了解所有可能遇到的情況。

從數(shù)字孿生到機器學(xué)習(xí)：它是如何運轉(zhuǎn)的？

工程師首先使用Twin Builder通過結(jié)合不同的建模技術(shù)，例如0D/1D建模和來自更高保真度仿真結(jié)果的Reduced Order Model （ROM），創(chuàng)建多物理場系統(tǒng)級模型。這些保真度更高的模型提供了最高的模擬精度，但同時也需要很長的時間和大量的計算資源才能運行。ROM模型要比原始模型更小，而且計算量更少，但運行速度更快，在模擬的物理精度方面幾乎沒有損失。Twin Builder使用組件庫（泵、閥門、執(zhí)行器、傳感器等）和ROM對整個系統(tǒng)進行建模，這些組件需要精確預(yù)測，而這通常是0D/1D建模無法做到的（例如物理變量的完整現(xiàn)場預(yù)測），從而優(yōu)化和驗證組件選擇與系統(tǒng)響應(yīng)。

基于物理的數(shù)字孿生模型可以通過結(jié)合來自資產(chǎn)數(shù)據(jù)（例如用于模型校準或增強的數(shù)據(jù)）的知識，得到進一步改進，從而形成混合的數(shù)字孿生模型。

最終這個模型可以以Twin Runtime模塊的形式導(dǎo)出和部署。

我們可以把Twin Runtimes直接集成到微軟Bonsai中，Twin Runtimes帶有一個非常簡單的API，可用于不同的編程語言，例如Python應(yīng)用，告訴用戶如何通過傳輸輸入、模擬模型和無縫檢索輸出來操作數(shù)字孿生。

Christophe Petre

Ansys數(shù)字孿生產(chǎn)品經(jīng)理產(chǎn)品專家

一旦API與Bonsai集成，工程師就可以確定以虛擬方式更改某個操作是否能改善他們想要控制的設(shè)備或過程行為。他們還可以訪問新的信息，例如虛擬傳感器數(shù)據(jù)（無法物理測量但可以通過模型預(yù)測的數(shù)據(jù)）；探索“假設(shè)”場景；或者是運行模擬以查看資產(chǎn)是如何老化的，以預(yù)測何時需要進行維護。

飛機機艙壓力控制系統(tǒng)示例

機艙壓力控制系統(tǒng)（CPCS）可以很好地展示數(shù)字孿生技術(shù)是如何與Bonsai進行集成的。CPCS是一種航空電子系統(tǒng)，可在最大限度上減少機艙壓力的變化率，目的是確保機艙和乘客的安全，同時在飛行過程中最大限度地提高機組人員和乘客的舒適度，它會消耗飛機的一部分總能耗，因此需要復(fù)雜的控制。

工程師在Bonsai中可以通過圖形選擇和連接控制代碼的功能塊，來構(gòu)建AI大腦，這些控制代碼將機艙內(nèi)各個點的機艙溫度和壓力作為輸入，并發(fā)出主動命令（例如，“關(guān)閉空調(diào)”）作為輸出操作。

在Twin Builder中，可以使用Modelica中的0D/1D組件對空調(diào)子系統(tǒng)進行建模，以及使用Ansys Fluent中的3D計算流體動力學(xué)（CFD）模型對飛機機艙的高保真表示進行建模。從這個3D模型中創(chuàng)建一個ROM，并連接到Twin Builder中的系統(tǒng)模型，可提供在機艙空間分布的精確虛擬傳感器，以監(jiān)測壓力和溫度變化。

一旦模型在Twin Builder中組裝和驗證，工程師就可以生成便攜式的、即插即用的Twin Runtime應(yīng)用。通過簡單的Python API，可以將其移植到數(shù)字孿生工作流中，并用于訓(xùn)練Bonsai大腦，以創(chuàng)建控制器。在這種情況下，數(shù)字孿生可對虛擬傳感器進行預(yù)測，并在此基礎(chǔ)上AI控制器將對空調(diào)系統(tǒng)進行操作，把壓力和溫度保持在目標水平上。

Glockner表示：“我們可以使用數(shù)字孿生的模擬作為數(shù)據(jù)生成器，而不是使用帶有標記或未標記數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集進行監(jiān)督和非監(jiān)督學(xué)習(xí)。我們對此感到非常興奮，因為這樣我們就可以同時模擬很多個數(shù)字孿生，收集數(shù)據(jù)，進行整理，確保生成正確的數(shù)據(jù)以實現(xiàn)最佳學(xué)習(xí)。”