微软Project Bonsai：使用数字孪生教AI大脑学习

如今工程师们越来越多地使用人工智能(AI)来实现流程自动化，更快速有效地做出决策。虽然工程师是各自所在领域的专家，但大多数人并不是数据科学家，而且他们也没有时间学习数据科学和编写AI模块所需的复杂代码。

微软Project Bonsai以图形化的方式，连接那些通过编程可执行AI功能的软件模块，这样工程师们无需利用数据科学，就可以实现AI驱动的自动化。执行某项任务的一组完整连接功能被称为“大脑”，大脑是一个独立的、可移植的软件模块，可用作开放式回路的一个组成部分，为人类操作员提供最佳决策建议，或者取代人类，自行做出决策并在闭合回路模式下执行这些决策。

微软正在使用Ansys Twin Builder软件创建设备或流程的数字孪生，以利用AI实现自动化。与使用物理机器生成数据相比，数字孪生可以更快速、以更低成本生成训练AI大脑所需的大量数据。

机器教学与机器学习

随着自动化流程变得越来越复杂，训练AI大脑的方法也在发生变化。当目标只是图像或文本识别的时候，把大量标记数据输入AI大脑，这样就可以挑选出效果良好的模式，这就是机器学习的基础。

但是，当人们依靠AI来控制工业环境中复杂且步骤繁多的过程时，机器学习就没有那么有效了，众多不同类型传感器的大量输入只会让大脑不堪重负。

因此，微软工程师开发了机器教学（Machine Teaching）的概念，它更多地依赖于人类的学习方法，就像是数学老师在教学生掌握算术概念之前，不会尝试教他们学习微积分一样，工程师也不能指望AI大脑还不知道什么是旋转之前，就了解电动涡轮机的工作原理。

微软首席项目经理Cyrill Glockner说：“想象一下，你要是从最难的问题开始着手，那么找到解决方案的几率几乎为零。AI大脑永远不会想办法做到这一点，但是它可以通过开发和探索，利用已经学到的知识，查看整个数据环境，确保找到问题的最佳解决方案，从而慢慢地达到目标。”

在实践中，人类专家首先会把流程分解为若干更小的任务，然后给AI大脑一些简单的问题，这样它就可以开始学习如何使用算法来解决这些简单的问题，接着人类专家会将AI大脑可以看到的若干小任务，组合成更大的任务，直到AI大脑可以自动控制大型的复杂系统。

Glockner说：“我们基本上是通过将AI大脑限制在某些参数和范围内，来缩小AI大脑必须查看的数学空间，然后我们会随着时间的推移扩大这一范围。AI大脑只需要处理新增的部分，因为之前AI大脑在小范围内积累的方法现在可以在更大的范围内应用。”

数字孪生扮演的角色

如上所述，在最初使用机器教学训练大脑，并且从小任务和有限数据量开始是很重要的，但是一旦大脑经过良好的训练，就需要大量数据来充分进行优化。

通常，这就需要通过反复运行物理过程来生成大量数据，然后可以将这些数据输入大脑，微调在整台机器上的操作或者实现自动化的过程。但是从物理过程中生成如此多的数据，既耗时成本又高。而且，某种极端情况（如果这种情况每万亿次只发生一次）在训练过程中没有发生的话，那么大脑也不会预见到这种情况，如果以后实际发生了，大脑就不知道该如何应对。

通过与Ansys Twin Builder合作，微软Project Bonsai可同时运行数百个机器或者应用的虚拟模型，并将这些数字孪生生成的数据，直接输入大脑对其进行优化，从而不断克服各种局限性。使用大量虚拟模型——而不是减少物理模型的数量——可以缩短训练大脑的时间，降低成本，还能让工程师在虚拟环境中引入可能对物理机器造成潜在危险或损坏的极端情况，这样大脑在投入运行之前，就可以学习了解所有可能遇到的情况。

从数字孪生到机器学习：它是如何运转的？

工程师首先使用Twin Builder通过结合不同的建模技术，例如0D/1D建模和来自更高保真度仿真结果的Reduced Order Model (ROM)，创建多物理场系统级模型。这些保真度更高的模型提供了最高的模拟精度，但同时也需要很长的时间和大量的计算资源才能运行。ROM模型要比原始模型更小，而且计算量更少，但运行速度更快，在模拟的物理精度方面几乎没有损失。Twin Builder使用组件库（泵、阀门、执行器、传感器等）和ROM对整个系统进行建模，这些组件需要精确预测，而这通常是0D/1D建模无法做到的（例如物理变量的完整现场预测），从而优化和验证组件选择与系统响应。

基于物理的数字孪生模型可以通过结合来自资产数据（例如用于模型校准或增强的数据）的知识，得到进一步改进，从而形成混合的数字孪生模型。

最终这个模型可以以Twin Runtime模块的形式导出和部署。

Ansys数字孪生产品经理产品专家Christophe Petre表示：“我们可以把Twin Runtimes直接集成到微软Bonsai中，Twin Runtimes带有一个非常简单的API，可用于不同的编程语言，例如Python应用，告诉用户如何通过传输输入、模拟模型和无缝检索输出来操作数字孪生。”

一旦API与Bonsai集成，工程师就可以确定以虚拟方式更改某个操作是否能改善他们想要控制的设备或过程行为。他们还可以访问新的信息，例如虚拟传感器数据（无法物理测量但可以通过模型预测的数据）；探索“假设”场景；或者是运行模拟以查看资产是如何老化的，以预测何时需要进行维护。

飞机机舱压力控制系统示例

机舱压力控制系统(CPCS)可以很好地展示数字孪生技术是如何与Bonsai进行集成的。CPCS是一种航空电子系统，可在最大限度上减少机舱压力的变化率，目的是确保机舱和乘客的安全，同时在飞行过程中最大限度地提高机组人员和乘客的舒适度，它会消耗飞机的一部分总能耗，因此需要复杂的控制。

工程师在Bonsai中可以通过图形选择和连接控制代码的功能块，来构建AI大脑，这些控制代码将机舱内各个点的机舱温度和压力作为输入，并发出主动命令（例如，“关闭空调”）作为输出操作。

在Twin Builder中，可以使用Modelica中的0D/1D组件对空调子系统进行建模，以及使用Ansys Fluent中的3D计算流体动力学(CFD)模型对飞机机舱的高保真表示进行建模。从这个3D模型中创建一个ROM，并连接到Twin Builder中的系统模型，可提供在机舱空间分布的精确虚拟传感器，以监测压力和温度变化。

一旦模型在Twin Builder中组装和验证，工程师就可以生成便携式的、即插即用的Twin Runtime应用。通过简单的Python API，可以将其移植到数字孪生工作流中，并用于训练Bonsai大脑，以创建控制器。在这种情况下，数字孪生可对虚拟传感器进行预测，并在此基础上AI控制器将对空调系统进行操作，把压力和温度保持在目标水平上。

Glockner说“我们可以使用数字孪生的模拟作为数据生成器，而不是使用带有标记或未标记数据的训练数据集进行监督和非监督学习。我们对此感到非常兴奋，因为这样我们就可以同时模拟很多个数字孪生，收集数据，进行整理，确保生成正确的数据以实现最佳学习。”