一、引言

當前，工業仿真領域正經歷著前所未有的「智能焦慮」——當自動駕駛算法已能理解城市路網，當大模型開始設計蛋白質結構，這個驅動大國重器研發的核心領域，卻仍在與千萬級方程組成的龐雜模型艱難博弈。傳統仿真降階如同在數字迷宮中盲行：工程師需要手動遍歷降階算法組合，經歷數十次參數迭代驗證，稍有不慎就會陷入「維度災難」的泥潭。

本文將基于近期發布的模型降階及融合仿真工具（ROM Builder Toolbox，簡稱ROM Builder），重點介紹如何利用DeepSeek輔助ROM Builder構建自動化降階功能，從而簡化用戶降階復雜模型的復雜操作流程，降低用戶使用門檻，減少項目時間和人力的投入。憑借DeepSeek的語義理解與知識推理能力，能夠提升用戶與ROM Builder的交互效率。在降階模型生成階段，DeepSeek能夠智能推薦合適的降階算法和模型參數，加速提高降階模型的精度；在降階模型驗證環節，DeepSeek可以對降階結果進行深度解讀，根據驗證結果給出優化建議。

ROM Builder專注于從數據模型生成出發，簡化復雜的三維仿真模型。在數字孿生工程中，通過模型降階技術對復雜裝備進行簡化處理，以提高仿真效率并確保結果的準確性和可靠性。目前，ROM Builder已在機械、電氣、液壓、熱學等多物理領域得到廣泛應用。

二、方案介紹

本節以系統數據為例，剖析ROM Builder降階、DeepSeek輔助的ROM Builder自動化降階，從關鍵環節、步驟與要點闡釋二者操作流程。

系統模型降階框架

依據系統時域特性，系統模型降階分靜態、動態兩類：

• 靜態模型：用多層前饋神經網絡算法捕捉系統特征。
• 動態模型：因動態模型隨時間變化，引入長短時記憶神經網絡算法構建動態特征。

系統降階模型劃分

方案概述

為了有效解決ROM Builder的用戶困境，提升它的實用性和效率，利用DeepSeek輔助ROM Builder，以實現復雜模型降階過程的自動化和智能化。

ROM Builder、DeepSeek輔助下的ROM Builder的差異概述

通過下圖所示的流程對比示意，可以清晰明白二者在操作流程層面的差異。

復雜模型到降階模型的流程對比

2.1 ROM Builder

降階流程

ROM Builder降階復雜模型的具體流程可分為如下步驟：

導入數據→選擇變量→設置參數→訓練模型→驗證模型

ROM Builder降階流程

ROM Builder使用流程分析

下圖為ROM Builder降階復雜模型的具體演示，可以看出，大量手動操作集中于參數設置階段和結果驗證階段：

• 參數設置階段：根據數據集特征，手動調整算法參數和求解參數。
• 結果驗證階段：對比驗證降階結果與原始結果，判斷準確性。

這些參數相互關聯，顯著影響降階結果，需反復試驗、優化參數組合以獲取合適的降階模型，這既增加了流程復雜度、耗時長導致項目周期延長，又高度依賴用戶知識，加大了人力成本。

2.2 DeepSeek輔助下的ROM Builder自動化降階

降階流程

下圖為DeepSeek輔助下的ROM Builder自動化降階復雜模型的具體流程，該過程可分為兩個階段：

• 第一階段：用戶指定數據路徑，選擇輸入變量與輸出變量。
• 第二階段：無需用戶手動操作，DeepSeek輔助ROM Builder自動降階復雜模型，直至降階模型的精度達標。

基于DeepSeek的ROM Builder降階流程

第二階段的過程如下圖：

• DeepSeek基于提示符，生成算法參數和求解參數組合。
• ROM Builder根據參數組合訓練降階模型。
• ROM Builder驗證降階模型，生成驗證指標。
• 若驗證指標不符合要求，DeepSeek依據現有參數組合及其驗證指標更新提示符，重新生成參數組合，ROM Builder再次訓練、驗證降階模型，直至指標合格。

第二階段流程

第二階段DeepSeek更新提示符、參數組合、以及獲取驗證指標的輸出示例如下：

第二階段示例

優勢

DeepSeek輔助下的ROM Builder，整合并發揮了DeepSeek的推理能力，依托了ROM Builder既有的功能體系：

• 在復雜模型降階流程中，幫助用戶規避參數組合篩選及降階模型驗證結果分析等繁瑣且需要專業知識的步驟。
• 用戶僅做基礎數據設定，明確輸入、輸出變量，就能驅動ROM Builder自動高效完成降階任務，大幅簡化操作流程。

這有效降低了ROM Builder在實際應用中的使用難度與專業門檻，提升了ROM Builder的普適性與易用性。

三、應用案例

3.1 案例模型

本案例為車輛動力學模型，該模型具有復雜度高，存在非線性方程、狀態方程剛性強等特點。這導致了仿真時間長，模型無法實時化。通過利用降階模型代替車輛動力學模型可以提高模型仿真計算效率，從而滿足智能控制算法對模型的實時性要求，如基于模型的預測控制算法。該模型如下圖所示。

車輛動力學模型

在利用DeepSeek輔助下的ROM Builder對車輛動力學模型進行自動化降階時，輸入輸出變量選取如下：

3.2 降階模型結果

車輛動力學模型自動化降階過程中，DeepSeek更新參數組合、以及判斷驗證指標的具體輸出如下：

車輛動力學模型自動化降階流程

對車輛動力學模型的自動化降階結果如下圖：

降階結果對比（藍色為原始輸出，紅色為預測輸出）

降階模型與原模型的輸出變量的精度如下表所示：

3.3總結

通過降階模型的結果可以看出，DeepSeek輔助下的ROM Builder在自動化降階過程中保留了車輛動力學模型的關鍵動態特性，降階模型的準確性符合預期，這說明了其可應用性。且參數設置和降階模型結果對比驗證都由DeepSeek完成，無需人為分析降階結果和篩選參數組合，降低了ROM工具箱的用戶門檻，節省了用戶的時間。

四、建議反饋

面向人工智能時代的到來，同元軟控在專攻工業軟件研發和行業應用的同時，也在積極探索通過AI領域前沿技術與工業軟件的融合創新，支持智能化裝備產品的設計研發與裝備產品研制過程的智能化。為進一步提升MWORKS軟件服務能力，我們誠邀各位為AI技術與MWORKS融合應用提供寶貴的意見建議，您的建議可能成為我們后續優化升級的重要依據！