Capítulo 3
Uso de IA para el modelado de orden reducido de sistemas complejos
Los sistemas de hoy en día son cada vez más complejos. Los sistemas autónomos permiten que los vehículos naveguen en entornos impredecibles. Las turbinas eólicas se supervisan a sí mismas a través de gemelos digitales para realizar su propio mantenimiento. Los dispositivos inteligentes personales miden la actividad durante el sueño, etiquetan fotos e incluso planifican ejercicio físico. Los dispositivos médicos supervisan a pacientes, diagnostican enfermedades y predicen resultados personalizados.
En estas aplicaciones, los algoritmos basados en IA suelen formar parte de un sistema complejo mayor.
En ocasiones, el modelo de IA está destinado a desplegarse como parte de ese sistema, pero también se puede emplear para el modelado de orden reducido (ROM). Un ROM es una forma de reducir la complejidad o los requisitos de almacenamiento de un modelo virtual de un sistema y al mismo tiempo preservar la fidelidad esperada dentro de márgenes de error controlados.
Para comenzar a modelar los componentes de un sistema, profesionales de ingeniería suelen utilizar primeros principios. El valor real de utilizar un modelo de primeros principios es que los resultados suelen tener un significado físico claro y explicable, y los comportamientos se pueden parametrizar.
Sin embargo, en muchos casos, un modelo de alta fidelidad tiene una carga computacional demasiado alta como para utilizarlo en diseños en nivel de sistema, especialmente con pruebas de HIL o PIL que requieren ejecutar un modelo en tiempo real. Derivar modelos de alta fidelidad también puede requerir mucho tiempo.
En estos casos, cree un modelo de orden reducido basado en IA.
Cree un ROM reemplazando un modelo de primeros principios del motor de un automóvil con un algoritmo basado en IA rápido. Las simulaciones de ROM se ejecutan más rápidamente y proporcionan una precisión aceptable para pruebas en nivel de sistema de algoritmos de control.
Existen varios enfoques para crear un ROM, además de IA:
- Modelos de reducción basados en física
- Técnicas basadas en modelos
- Modelos de Simulink no lineales que se linealizan en ciertos puntos de funcionamiento
- Enfoques basados en datos, entre ellos:
- Enfoques estáticos tales como tablas de búsqueda y ajuste de curvas
- Enfoques dinámicos tales como modelos basados en IA
Un ROM es una herramienta valiosa que se puede emplear para:
- Acelerar una simulación en escritorio de Simulink afectada por un modelo de alta fidelidad de terceros.
- Posibilitar pruebas de hardware-in-the-loop (HIL), al reducir la complejidad de un modelo de alta fidelidad.
- Incorporar modelos en 2D y 3D procedentes de otras herramientas a modelos de simulación en nivel de sistema con Simulink.
- Desarrollar un modelo de sensor virtual basado en IA para su uso en software de control, detección de fallos o mantenimiento predictivo.
- Realizar diseño de control.
- Acelerar cálculos u optimizaciones de software de análisis de elementos finitos (FEA) o dinámica de fluidos computacional (CFD).
Los ROM basados en IA implican consideraciones de diseño. Se necesita una gran cantidad de datos de alta calidad para crear un modelo de IA preciso. Aun cuando son precisos, los modelos de IA tienden a compararse con una "caja negra" o, en algunos casos, una "caja gris". Es decir, la salida del modelo no siempre es explicable o parametrizable. Además, un modelo de IA tampoco permite incorporar fácilmente el conocimiento sobre la física de la máquina al modelo.
Los modelos varían a lo largo de un espectro de explicabilidad, desde las llamadas cajas negras, que no proporcionan visibilidad sobre las decisiones de salida, y las cajas grises, que proporcionan cierta información, hasta la plena transparencia de un modelo de primeros principios.
Supongamos que forma parte de un equipo que trabaja en el diseño de un nuevo vehículo, y debe simular la velocidad del vehículo en función de varias entradas y condiciones. Deberá crear un modelo que incluya componentes que representen al conductor, el estado de las carreteras, los controladores y el motor del automóvil.
Supongamos también que ya se ha modelado el subsistema del motor del vehículo con herramientas de terceros. Y la simulación correspondiente deberá coincidir con el sistema del mundo real con alta fidelidad. Sin embargo, funciona más lento de lo previsto.
La simulación de la velocidad del vehículo será lenta si se trata de un modelo de motor complejo basado en primeros principios.
Para acelerar las simulaciones mientras desarrolla y perfecciona otros componentes del sistema, puede reemplazar el costoso modelo de motor de terceros por un modelo de orden reducido o sustituto. Puede desarrollarlo empleando diversas técnicas, tales como métodos basados en la física (utilizando Simulink y Simscape) o basados en IA. En el caso de un modelo de IA, las entradas incluyen velocidad del motor, tiempo de encendido, posición del acelerador y válvula de descarga, mientras que la salida representa el par motor.
Puede utilizar variantes para alternar fácilmente entre componentes creados con diferentes técnicas. Las variantes permiten comparar opciones de diseño, para equilibrar precisión y rendimiento sin necesidad de utilizar comentarios para excluir ciertas partes del modelo. Esto ayuda a comprender las diferencias y tomar decisiones bien fundadas sobre la selección de componentes.
Para crear el modelo de IA, deberá entrenarlo con un conjunto de datos que varíe las entradas relevantes y produzca la salida deseada. Puede utilizar un conjunto de datos públicos, o datos experimentales procedentes de la configuración de su propio sistema físico.
También puede utilizar la simulación de alta fidelidad para generar datos. Para ello, primero diseñe un conjunto de experimentos seleccionando los parámetros del modelo y variando sus rangos. Por ejemplo, la velocidad, el tiempo de encendido y la posición del acelerador tienen rangos variables. Utilice el diseño de experimentos (DoE) para crear una tabla que incluya las posibles combinaciones de parámetros, y luego, ejecute la simulación y recopile los datos.
Sustituya un modelo de alta fidelidad con un modelo de IA.
Puede utilizar diversas técnicas para crear el modelo de IA. Por ejemplo, puede utilizar MATLAB para aplicar métodos de Machine Learning o métodos de Deep Learning como LSTM (redes de memoria a corto-largo plazo, redes neuronales recurrentes que pueden aprender la dependencia de orden en problemas de predicción de secuencias), EDO neuronales (operaciones de Deep Learning definidas por la solución de una ecuación diferencial ordinaria) o modelos ARX no lineales (modelos que utilizan funciones no lineales flexibles, tales como redes sigmoides y de wavelets, para modelar un comportamiento no lineal complejo).
También puede interoperar con otros marcos de código abierto utilizados para entrenar un modelo de IA.
Si el objetivo es probar el diseño y el rendimiento de los demás componentes del sistema, puede ejecutar los componentes que esté diseñando en el hardware objetivo, por un lado, y el modelo de IA en el equipo de escritorio, por otro. Una posible configuración de hardware-in-the-loop (HIL) implica:
- Desplegar los componentes en plataformas de hardware objetivo
- Ejecutar el modelo de IA en un sistema informático en tiempo real
- Conectar los sistemas entre sí y ejecutar la simulación, supervisar las señales y ajustar los parámetros
Una vez desarrollado, el modelo de IA es modular y reutilizable. El modelo de IA puede ser utilizado por otras personas para simulación y pruebas de componentes, lo que permite acelerar el diseño y el desarrollo paralelo del sistema.
Realice pruebas y simulaciones en nivel de sistema con los controladores que está probando, que se ejecutan en hardware objetivo, y con el ROM basado en IA correspondiente al modelo de planta, en este caso el automóvil, que se ejecuta en un equipo informático.
Si dispone de tiempo, puede crear varios modelos de IA con diferentes técnicas y emplear Simulink para perfeccionarlos. Por ejemplo, puede utilizar Simulink Profiler para comprobar con qué rapidez se ejecuta cada modelo en un equipo de escritorio. También puede comparar las salidas del modelo de alta fidelidad con los modelos de IA para medir la precisión.
Para determinar el mejor modelo para su aplicación, deberá desplegar los modelos y recopilar todas las métricas.
La selección de un modelo no siempre depende de la precisión. Es posible que deba considerar velocidad de entrenamiento, interpretabilidad, velocidad de inferencia o tamaño del modelo. Cada metodología genera sus propios resultados, y cada ROM tiene sus ventajas y desventajas.
Diferentes modelos de IA del ROM del motor del vehículo que tienen diferentes perfiles de rendimiento.
