今天的客座博主是专注于人工智能应用的应用工程师Shyam Keshavmurthy，他在这里谈论代理模型。

背景

系统建模在诸如电动汽车和能源系统等应用中使用，并且在理解系统行为、系统退化和最大化系统利用率方面起着关键作用。这些系统的行为是由多物理场复杂的相互作用决定的，非常适合有限元模拟，但是建模系统行为和系统响应是计算密集型的，需要高性能的计算资源。此外，这些模型不能部署到硬件上以预测实时系统响应。另一种选择是简化顺序建模，使得系统模型在计算上可行;然而，在许多关键系统中，这种方法不是首选方法，因为这些代理模型不太准确，并且不能代表组件行为的全部范围。

有了深度学习，我们现在可以依靠数据来开发小尺寸、详细的组件模型，而无需从基本原理入手。在这篇博客中，我们将介绍如何开发一个基于深度学习的代理模型永磁同步电动机(PMSM)是电动汽车和未来绿色交通的流行部件。

加载和理解大型数据集

我们将首先使用一个大约50 mb的数据集，其运行时间从几天到几分钟不等。该数据表示PMSM温度变化到具有不同时间常数的电和热系统之间的相互作用。正如我们从表中看到的，环境温度的变化不仅影响内部温度，而且影响产生所需转矩的电流和电压。

数据预处理与特征工程

使用上面的原始实验数据，我们现在计算添加额外的特征，如功率，电压和电流的大小以及给定的四个时间窗口内的移动平均特征。这些附加功能允许耦合影响系统性能的电气和热参数。

%使用原始电压和电流创建派生特征derivedinputs = computedrivedfeatures (tt_data);检查数据中的噪声tt_data = [tt_data derivedinputs];Vnames = tt_data.Properties.VariableNames;s1 = 620; s2 = 2915; s3 = 4487; s4 = 8825;%预处理指数加权移动平均[t_s1, t_s2 t_s3 t_s4] = preprocmovavg (tt_data、s1、s2、s3、s4 Vnames);%预处理指数加权移动方差[t_v1, t_v2 t_v3 t_v4] = preprocmovvar (tt_data、s1、s2、s3、s4 Vnames);%将特性附加到原始表预测= [tt_data t_s1、t_s2 t_s3, t_s4, t_v1, t_v2, t_v3, t_v4, tt_profileid);反应= [tt (:, 9:12) tt_profileid];VResponsenames = responses.Properties.VariableNames;

准备培训数据

定义在培训中保留的概要文件。这些将用于测试和验证。

holdout = [65 72 58];%定义在培训中保留的概要文件。[xtrain,ytrain] = prepareDataTrain(predictors,responses, holdout);

准备填充数据

为了最小化添加到小批中的填充量，请按概要长度对训练数据进行排序。然后，选择一个小批大小，将训练数据平均划分，并减少小批中的填充量。按配置文件长度对训练数据进行排序。

定义网络架构

我们将使用profile_id 58作为验证集，它包含4.64小时的数据。

Validationdata = 58;选择% profile_id 58作为验证集，它包含4.64小时的数据。[xvalidation, yvalidation] = preparedatavalvalidation (predictors,responses,validationdata);numResponses = size(ytrain{1}，1);featureDimension = size(xtrain{1}，1);numHiddenUnits = 125;

MATLAB中的DAG网络体系结构建模功能使我们能够对许多复杂的组件进行建模。DAG网络架构帮助我们对依赖于时间历史的物理行为和遵循马尔可夫链的物理行为之间的耦合进行建模。长短期记忆(LSTM)捕捉历史效应现象。

预测图和计算误差，以确认我们有一个好的模型

上面的图显示了实际测试和预测结果之间的匹配，测试结果用红色显示，右边的附加图显示了两者之间的差异，因为我们可以看到，在350个样本之后，误差远远低于1%，永磁体和轭架的温度难以测量，定子的温度与实际测试相比跟踪得很好。此外，他们还跟踪了具有快速和慢速变化的测试制度，这表明模型保留了必要的保真度。

导出模型到Simulink金宝app

这个过程包括将训练好的模型保存为。mat文件，并将其导入为Simulink深度神经网络预测块，有了这个，我们现在有了一个小于(50 Kbyte)的组件模型，可以详细地模金宝app拟组件行为，随时可以用于系统建模。下图展示了完整的工作流程。

本文演示了一个基于深度学习的模板，该模板可用于开发高保真度、小足迹替代模型，以捕获组件和系统(如PMSM电机)的多物理场行为。要了解更多信息，请参阅有关的详细视频导入模型到Simulink金宝app．