一、引言
在数字工程中，复杂高保真模型（如多物理场模型、大规模多领域系统模型）虽能提供精确的仿真预测，但其复杂性和庞大的计算量，往往难以满足系统级仿真或硬件在环测试对实时性的要求。针对这一挑战，同元软控推出的**模型降阶及融合仿真工具，**能够帮助用户在实时性、准确度和可解释性之间取得平衡，生成满足需求的降阶模型。
该工具基于数据驱动的建模方法，利用现有测试和仿真数据，将复杂的三维高保真模型简化为一维或零维模型以及机理数据模型。这种方法既提高了仿真效率和精度，又保留了模型的关键动态特性。通过数据驱动的降阶建模， 该工具最大化发挥数据的价值，降低对领域知识的依赖，并通过**数据与机理的融合，**构建出精准、灵活的混合模型。其生成的系统模型可与其他组件在MWORKS统一仿真环境中联合仿真，实现对复杂装备整体性能的分析和优化，帮助用户更全面地理解系统行为并优化性能。
此次模型降阶与融合仿真工具更新重点包括产品功能优化、计算效率提升以及用户体验改善。更新后的工具在性能上有了显著增强，操作更加简便，为用户提供了更加强大和灵活的仿真解决方案。
二、产品介绍
1.产品功能
模型降阶及融合仿真工具主要功能如下：
- 机理-数据模型融合
支持数据模型生成，通过MWORKS.Sysplorer里的机理模型采用串联、并联、混联的形式来实现机理数据融合建模，最大程度上的利用已知机理和已知实验数据；
- 系统模型与物理场模型融合
支持将三维的结构、流体、电磁等专业场仿真模型转化为高效系统仿真模型，与其他系统模型组件进行联合仿真，实现对复杂装备的整体性能分析和优化；
- 自动化模型封装
基于Modelica语义与接口自动封装功能实现降阶模型封装为Modelica模型，支持协助工程师更便捷的完成数字孪生工程中的一三维联合仿真和机理数据融合；
- 模型实时化与代码生成
支持将复杂被控对象模型转化为实时仿真数据模型，并结合MWORKS代码生成工具将被控对象物理模型部署到半物理实时机中运行，为验证物理对象和电控单元的可靠性提供工具支持。
模型降阶及融合仿真工具箱根据处理数据类型的不同，可分为场模型降阶 和系统模型降阶 。根据系统在时域上的表现特性，即随时间变化的行为，两类模型进一步细分为静态模型 和动态模型 ，并且各自适配不同的求解算法。静态模型 支持使用多层前馈神经网络，动态模型 则采用长短时记忆神经网络，响应面模型则适用于静态与动态两种类型的模型。
1）场降阶
场数据通常是通过离散化的数值方法进行求解，但这类方法往往伴随着较高的计算复杂度、较长的计算时间，且难以处理复杂的耦合问题，同时对硬件资源的要求也较高。为了有效降低计算成本和提升计算效率，场降阶功能应运而生。该功能流程如下：
场降阶流程
通过这一流程，获得的降阶模型可以在不同输入条件下迅速预测场的分布结果，避免了高复杂度的数值计算过程，能够在保证计算精度的前提下，显著提高计算效率，降低硬件资源的需求，适用于需要处理大量场数据的复杂工程问题。
2）系统模型降阶
系统模型降阶功能支持导入固定格式的数据，并查看数据曲线；训练降阶模型时，可根据收敛效果调整模型参数以及求解参数，并实时显示损失值与损失曲线；训练结束后，可查看训练集与验证集的图像对比结果以及不同评价指标下检验结果。
系统模型降阶可以实现机理数据融合，通过大量仿真或实验获得的数据，以及内置的神经网络算法架构，训练生成代理模型，以求在不直接计算复杂系统模型的前提下，快速估计输出结果，减少计算成本，提高效率，实现实时化仿真。
系统模型降阶依据变量时域特征可分为静态和动态，静态系统模型降阶算法架构通常使用前馈神经网络模型或响应面，而动态通常使用长短时记忆神经网络模型或响应面。
系统降阶流程
2.产品应用
三、升级亮点
本次模型降阶及融合仿真工具更新升级，主要集中在以下方面：
- 在原有场降阶算法的基础上，增加动态场降阶功能，支持对瞬态场进行降阶预测；
- 新增支持读取矢量场数据以及element格式数据；
- 新增数据预处理功能，并提供12种数据预处理方法；
- 新增自定义算法架构，支持用户自主集成降阶算法；
- 大幅提升模型导出效率；
- 优化软件界面设置，提升易用性。
1.动态场降阶功能
本次产品升级在原有场降阶算法的基础上，新增了动态场降阶功能。该功能可以对不同输入条件下，场模型的瞬态变化过程进行降阶，并进行预测。
动态场降阶示例
2.新增矢量场数据以及element数据读取功能
本次产品升级，在原有仅支持读取场数据标量的基础上，新增了支持读取矢量场数据 以及element数据的功能。目前模型降阶及融合仿真工具，关于支持读取的场数据格式总结如下。
当前支持读取数据格式
3.新增数据预处理功能，并提供12种预处理方法
为优化工具的降阶效果并提升精度，同时方便用户操作，本次工具升级增加了数据预处理功能。新版本内置了12种数据预处理方法，用户可以在数据导入后直接进行预处理，从而扩展特征数据集。
数据预处理功能
下面给出具体示例，通过对输入变量进行均值平滑的数据预处理，显著改善了输出变量的降阶拟合效果。
数据预处理案例效果对比
4.新增自定义算法架构
新增自定义算法架构，支持用户根据自身需求，按照固定模板形式编写接口，将用户算法自行集成至工具。
5.提升模型导出效率
优化了降阶模型导出效率，使用80万参数模型进行导出测试，效率提升了200倍。
6.优化工具易用性
为改善工具易用性，优化用户体验，对工具如下使用和设置做出了相应调整。
- 新增分批数据训练功能
- 新增Loss值与Loss图像同步显示功能
- 新增支持多模型多项目训练
- 新增分支子集树管理
- 新增支持显示导入数据曲线，显示几何树
四、应用案例
1.电池包散热板降阶案例
1）背景描述
在电池包热管理系统中，确保电池在安全温度范围内工作对于延长电池寿命和提高系统安全性至关重要，随着电池包规模的增大和复杂度的提升，直接进行高精度的热管理仿真会带来极大的计算负担，尤其是在面对复杂的非线性热传导、流体动力学和电池热行为时，难以实现实时的电池包热管理优化。
电池包散热板
2）解决方案
为了实现实时的电池包热管理优化，需要对电池包热管理模型进行降阶处理。场降阶方法通过简化复杂的热传导过程与多物理场耦合，能够减少计算量，同时保持系统的主要热学特性，从而提高仿真效率和响应速度。
首先需要对电池包散热板模型的输入变量进行试验设计，利用CAE软件对场模型进行批量仿真，获取场数据集，模型降阶及融合仿真工具读取数据集进行数据降维，训练代理模型，当模型满足精度时，导出为降阶模型，与其他系统模型进行融合仿真。
电池包散热板模型降阶解决方案流程
3）结果描述
降阶后的电池包散热板模型，可支持一三维融合的实时化仿真预测。
电池包散热板降阶模型可视化案例
2.液压系统降阶案例
1）背景描述
本案例涉及飞机液压系统的建模与仿真，原始模型中包含了事件驱动和非线性耦合特性，导致在阶跃信号输入时系统计算出现卡顿，无法满足实时仿真需求。该模型旨在模拟飞机液压控制系统的动态行为，其输入系统变量包括 EDP1、EDP2 和 EMP三个转速，输出系统变量为四个压力值。
飞机液压系统模型
2）解决方案
为了实现实时仿真并提高计算效率，可以应用模型降阶方法，降低系统的计算复杂度，同时保持模型的核心动态特性。通过简化复杂的非线性耦合和事件处理，优化后的模型能够更好地支持飞行控制系统的实时监控和性能调优。
降阶过程首先需要明确输入和输出变量，利用模型试验工具对输入变量进行试验设计，并通过批量仿真获取数据集。随后，将数据集导入模型降阶及融合仿真工具，设计模型求解参数并训练代理模型。根据检验结果，当代理模型的精度达到要求时，导出降阶模型并进行仿真验证。
飞机液压系统模型降阶解决方案流程
3）结果描述
将降阶模型与原模型仿真结果进行对比，并将降阶模型C代码烧录到实时机中进行结果对比，测试结果对比精度可达98.15%，仿真效率提升了935倍，可满足实时性。
原模型与降阶模型对比
降阶模型与实时机结果对比
|--------|---------|
| 模型 | 耗时统计 |
| 液压系统模型 | 55.204s |
| 降阶模型 | 0.059s |
3.热流系统降阶案例
1）背景描述
热管理空调系统是对复杂闭环空调回路进行仿真，能够分析不同参数对空调系统影响，压焓图上可视化整个热力循环过程，动态显示换热器换热状态。该系统由于存在两相冷媒介质，会产生较多非线性运算，计算效率较低，在方程机理优化空间有限的情况下，仿真速度无法满足实时性。
复杂闭环空调回路案例
2）解决方案
针对目标热管理系统可以考虑使用降阶方法，保留原有动态系统的响应特征和精度，达到求解速度的大幅提升。
由于应用场景中需加入控制器进行闭环仿真验证，需要通过调节阀门开度，控制过热量，所以对被控对象降阶的输入输出分别即为阀门开度和过热量。与上个案例流程相似，首先使用模型试验工具对阀门开度进行试验设计，批量仿真获得数据集，将数据集导入模型降阶及融合仿真工具，设置参数，训练获得降阶模型，最后进行仿真验证。
3）结果描述
降阶模型与原模型相比，精度达到96.94%，且仿真时间缩短了42倍。降阶后的模型在确保精度损失最小的同时，能够实现定步长实时仿真，显著提升了计算效率。
仿真结果对比
|-------|---------|
| 模型 | 耗时统计 |
| 热管理模型 | 60.401s |
| 降阶模型 | 1.408s |
五、使用说明
1.工作流
1）场降阶工作流
场降阶工作流展示
2）系统降阶工作流
系统降阶工作流展示
2.使用注意事项
在使用模型降阶及融合仿真工具时，操作过程中可能会遇到一些问题。根据以往的经验，我们整理了一些注意事项，希望能帮助用户更快速、顺利地上手并高效使用该工具。
1）工具箱环境问题
首次使用工具箱，会面临环境问题，由于工具所需的环境包文件较大，不利于用户下载和保存软件，所以此处需要用户根据帮助文档指示，可跳转到给定链接下，下载所需的环境包文件。
工具Python环境报错提示
2）模型训练
为了确保降阶模型的准确性，通常要求数据集的数量足够充分，避免数据量过少导致模型无法准确拟合。然而，在进行大量数据计算时，数据的读取、存储和处理会消耗一定的时间。这是因为在降阶过程中，模型需要对大量数据进行分析和计算，以确保结果的高精度和可靠性。因此，当用户点击"训练"按钮后，系统需要一定时间来完成底层计算和交互操作。在此期间，页面可能会出现一定的响应延迟，这是正常的，用户需耐心等待，直到计算过程完成并返回结果。
3.常见问题解答
问：场降阶功能支持读取的数据类型有哪些？
答：工具目前仅支持主流的 *.case为文件格式，文件为ASCII码类型，通常包含几何数据、网格信息、场量数据等内容，并具有良好的跨平台兼容性，是一种很通用的CAE数据文件。
问：静态场降阶与动态场降阶的区别是什么？
答：静态场降阶与动态场降阶的区别主要体现在对系统行为的描述目标以及所关注的时域特性上。
①静态场通常指系统在稳态条件下的场行为，表示系统在时间上没有变化的状态。静态场降阶侧重于从不同边界条件下的稳态解中提取关键信息，简化模型，并通过保留这些稳态结果来预测系统在不同操作条件下的稳态响应。降阶后的模型主要用于快速评估系统在稳定状态下的性能，例如温度场、应力场或位移场等。
②动态场则涉及时间变化的场，通常用于描述输入条件随着时间的变化对系统的影响。动态场降阶侧重于从瞬态响应中提取模型，以预测系统在时间域内的变化过程。该模型需要考虑时间变化、瞬时响应和外部激励的影响，常见的应用包括瞬态热传导、振动响应、瞬态电磁场等。
总结来说，静态场降阶侧重于简化稳态问题的求解，而动态场降阶则侧重于简化随时间变化的动态问题。在实际应用中，选择哪种降阶方式取决于问题本身的性质及所关注的时域特性。
问：静态系统模型降阶与动态系统模型降阶的区别是什么？
答：系统数据通常可以通过模型仿真或实验数据采集获得。当采用降阶方法构建变量映射关系的代理模型时，若变量映射关系满足当前时间步的输出仅与当前时间步的输入相关，则为静态系统模型降阶；若当前时间步的输出不仅与当前时间步的输入相关，还受到前一时刻结果的影响，则为动态系统模型降阶。
六、后续规划
本文简要介绍了同元软控模型降阶及融合仿真工具的功能，以及此次产品升级后的主要亮点。我们诚邀大家试用，并提供宝贵意见，帮助我们不断优化产品，提升工具的使用体验，持续更新迭代，进一步增强功能。接下来，我们将重点关注以下几个方向：
七、试用与反馈
我们诚邀各位积极体验并提供宝贵反馈，帮助我们持续优化产品。我们期待模型降阶与融合仿真工具能够在未来的项目实施和科研探索中取得长足进展，为众多工程项目的顺利推进提供有力支持。同时，我们也希望为有兴趣的朋友们打造一个优质的学习和交流平台，促进共同成长与合作！