基于深度学习的代理模型

作者Johanna Pingel，2021年5月21日

45 次查看（过去 30 天） |0个赞|0 个评论

今天的客座博主是Shyam Keshavmurthy，专注于AI应用的应用工程师，在这里谈论代理模型。

背景

系统建模用于电动汽车和能源系统等应用，在理解系统行为、系统退化和最大化系统利用率方面发挥着关键作用。这些系统的行为是由多物理场复杂的相互作用决定的有限元模拟，但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，这种模型不能部署到硬件上来预测实时系统响应。另一种选择是降阶建模，使系统模型在计算上可行;然而，在许多关键系统中，这种方法不是首选的，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占地面积小、详细的组件模型，而无需从第一原理着手解决问题。在本博客中，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组件。

加载和理解大数据集

我们将首先使用一个大约50 mb的数据集，运行时间从几天到几分钟不等。该数据表示PMSM温度变化的相互作用之间的电和热系统，具有不同的时间常数。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，而且影响产生所需扭矩的电流和电压。

数据预处理与特征工程“，

使用上面的原始实验数据，我们现在计算添加了额外的特征，如功率、电压和电流的大小以及给定四时间窗口内的移动平均特征。这些附加的特性允许耦合影响系统性能的电和热参数。

使用原始电压和电流创建派生特性。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);%附加特性到原始表预测= [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

定义从培训中保留的概要文件。这些将用于测试和验证。

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

为填充准备数据

为了尽量减少添加到小批中的填充量，根据轮廓长度对训练数据进行排序。然后，选择一个小批量大小，它平均分配训练数据，并减少小批量中的填充量。按轮廓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，其中包括4.64小时的数据。

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