微軟Project Bonsai以圖形化的方式，連接那些通過編程可執行AI功能的軟件模塊，這樣工程師們無需利用數據科學，就可以實現AI驅動的自動化。執行某項任務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行這些決策。

微軟正在使用Ansys Twin Builder軟件創建設備或流程的數字孿生，以利用AI實現自動化。與使用物理機器生成數據相比，數字孿生可以更快速、以更低成本生成訓練AI大腦所需的大量數據。

機器教學與機器學習

隨著自動化流程變得越來越復雜，訓練AI大腦的方法也在發生變化。當目標只是圖像或文本識別的時候，把大量標記數據輸入AI大腦，這樣就可以挑選出效果良好的模式，這就是機器學習的基礎。

但是，當人們依靠AI來控制工業環境中復雜且步驟繁多的過程時，機器學習就沒有那么有效了，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，微軟工程師開發了機器教學（Machine Teaching）的概念，它更多地依賴于人類的學習方法，就像是數學老師在教學生掌握算術概念之前，不會嘗試教他們學習微積分一樣，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和探索，利用已經學到的知識，查看整個數據環境，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，然后給AI大腦一些簡單的問題，這樣它就可以開始學習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，組合成更大的任務，直到AI大腦可以自動控制大型的復雜系統。

Glockner表示：“我們基本上是通過將AI大腦限制在某些參數和范圍內，來縮小AI大腦必須查看的數學空間，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大腦在小范圍內積累的方法現在可以在更大的范圍內應用?！?/p>

數字孿生扮演的角色

如上所述，在最初使用機器教學訓練大腦，并且從小任務和有限數據量開始是很重要的，但是一旦大腦經過良好的訓練，就需要大量數據來充分進行優化。

通常，這就需要通過反復運行物理過程來生成大量數據，然后可以將這些數據輸入大腦，微調在整臺機器上的操作或者實現自動化的過程。但是從物理過程中生成如此多的數據，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生一次）在訓練過程中沒有發生的話，那么大腦也不會預見到這種情況，如果以后實際發生了，大腦就不知道該如何應對。

通過與Ansys Twin Builder合作，微軟Project Bonsai可同時運行數百個機器或者應用的虛擬模型，并將這些數字孿生生成的數據，直接輸入大腦對其進行優化，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量——可以縮短訓練大腦的時間，降低成本，還能讓工程師在虛擬環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，就可以學習了解所有可能遇到的情況。

從數字孿生到機器學習：它是如何運轉的？

工程師首先使用Twin Builder通過結合不同的建模技術，例如0D/1D建模和來自更高保真度仿真結果的Reduced Order Model （ROM），創建多物理場系統級模型。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、執行器、傳感器等）和ROM對整個系統進行建模，這些組件需要精確預測，而這通常是0D/1D建模無法做到的（例如物理變量的完整現場預測），從而優化和驗證組件選擇與系統響應。

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

最終這個模型可以以Twin Runtime模塊的形式導出和部署。

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字孿生。

Christophe Petre

Ansys數字孿生產品經理產品專家

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，例如虛擬傳感器數據（無法物理測量但可以通過模型預測的數據）；探索“假設”場景；或者是運行模擬以查看資產是如何老化的，以預測何時需要進行維護。

飛機機艙壓力控制系統示例

機艙壓力控制系統（CPCS）可以很好地展示數字孿生技術是如何與Bonsai進行集成的。CPCS是一種航空電子系統，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，來構建AI大腦，這些控制代碼將機艙內各個點的機艙溫度和壓力作為輸入，并發出主動命令（例如，“關閉空調”）作為輸出操作。

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

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應用。通過簡單的Python API，可以將其移植到數字孿生工作流中，并用于訓練Bonsai大腦，以創建控制器。在這種情況下，數字孿生可對虛擬傳感器進行預測，并在此基礎上AI控制器將對空調系統進行操作，把壓力和溫度保持在目標水平上。

Glockner表示：“我們可以使用數字孿生的模擬作為數據生成器，而不是使用帶有標記或未標記數據的訓練數據集進行監督和非監督學習。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字孿生，收集數據，進行整理，確保生成正確的數據以實現最佳學習?！?/p>