降阶模型

降阶建模(ROM)和模型降阶(铁道部)技术减少一个计算机模型的计算复杂度和存储要求,同时保持预期的保真度控制错误。使用代理模型可以简化分析和控制设计。

科学家和工程师使用ROM技术来创建系统级仿真,设计控制系统,优化产品设计和构建数字双应用程序。MATLAB^®,仿万博1manbetx真软件^®和附加产品让你使用各种构建s manbetx 845精确的rom降阶建模方法。

为什么使用降阶建模?

大规模、高非线性模型可能需要数小时甚至数天来模拟。系统分析和设计可能需要成千上万成千上万的模拟,提供了重要的计算挑战。同时,线性化复杂的模型会导致高保真模型包含状态,不会导致应用程序感兴趣的动力。

在这些情况下,您可以使用降阶建模方法能够显著加快高阶大规模系统的模拟和分析。你可以通过交易实现这一加快了模型精度降低计算复杂度。准确性是基于频率范围,减少精度公差,为您的应用程序和其他重要特征。降阶建模也用于组合多个复杂的组件级仿真模型为系统级模拟用于控制分析和设计。

您还可以使用降阶模型来创建数字双胞胎来表示当前状态的运营资产,或运行的实时模拟复杂物理模型对测试硬件。

降阶建模方法

有两种主要类型的技术用于构建降阶模型:基于模型和数据驱动的。

基于模型的方法依赖于底层模型的数学或物理的理解。其中的一些技术,如Craig-Bampton方法在结构力学,设计针对特定PDE-based模型。在线性系统分析中,线性化,线性变参数模型,等技术平衡截断和pole-zero简化常用于简化系统模型。

从原始高保真采用基于数据驱动的方法使用投入产出数据模型构建一个ROM,准确地代表了底层系统。数据驱动的rom可以是静态或动态模型。技术,如曲线拟合和查找表创建静态rom是有用的。动态rom可以使用深度学习等技术开发LSTM,前馈神经网络,神经常微分方程,这是可用的深度学习工具箱™。构建动态rom包括其他技术非线性ARX和Hammerstein-Wiener模型使用系统辨识工具箱。非线性ARX模型可以使用回归函数基于机器学习算法中可用统计和机器学习工具。

当创建基于模型和数据驱动的降阶模型,工程师需要决定取舍他们愿意让加速模型。例如,当创建一个基于模型的罗,一个工程师可能需要消除系统动力学超过一定频率的简化模型。一个极端的例子是,当降阶模型捕获只有稳态系统的行为。在创建数据驱动的rom,工程师牺牲物理模型的见解。最合适的类型的ROM技术取决于应用程序。