AI/ML在MASTA软件中的应用

现代CAE软件可完成高保真的模拟，但运行时间很长，需要很多的手动过程，并面临复杂的多维度优化问题。AI/ML（机器学习）方法将卓越的模式识别与计算机自动化相结合，将帮助解决这些挑战。

MASTA可应用AI/ML在短时间内完成各种复杂多维度分析和优化工作，包括针对多工况和多目标的齿轮微观修形优化，针对多工况和多目标的齿轮宏观参数和微观修形联合优化、提高NVH仿真关联性、多维度参数NVH敏感性分析、LTCA分析结果预测和判读等。

MASTA的AI/ML采用代理模型代替复杂的原始模型，对一个特定MASTA模型给出过去的分析数据集，代理模型就可以使用机器学习来识别输入参数和分析结果之间的模式，经过训练和验证后，可以使用代理模型来预测未来的分析结果，而只需要一小部分计算资源就完成复杂的多维度优化问题，大大缩短运行时间，并减少手动过程。

MASTA中的代理模型应用示例

问题介绍

采用MASTA高级LTCA分析，对某电驱第一级齿轮进行微观修形，以降低2个工况下的TE，最小化齿向载荷分布系数和最小化PV值，并满足TE前4个谐波幅值依次减小的约束条件。

数据探索

在指定修形方式（8个变量）和范围内生成1000个微观修形参数组合，对每个数据针对2个工况进行高级LTCA分析，总耗时3小时，其中只有126个参数满足约束条件。在126个有效数据中，使用包括聚类（无监督机器学习）在内的各种数据科学技术来识别初始设计。由此，可以确定代理模型概念生成研究的目标。

代理模型处理流程

数据：把1000个数据分为三部分，800个用于训练，100个用于验证，100个用于测试
训练ML型：代理模型学习微观修形参数和分析结果之间的关系（训练时间显著少于数据收集时间）
验证：代理模型有几个可调参数，选择最佳参数以最大限度提高验证集的性能
测试：对完全未知的数据评估模型的准确性

代理模型性能

准确性（预测结果和实际结果对比）：
- Peak-to-peak TE：最大误差6%
- Max Pressure Velocity：最大误差4%
效率：
- MASTA分析2个工况：12s（每分钟5个）
- 代理模型分析2个工况：0.16ms（每分钟370,000个）

受约束随机搜索

ML模型提供了巨大的分析加速能力，使得优化时可使用计算成本高昂的优化算法，以简单的受约束随机搜索方法为例展示。

采用该方法时，生成随机微观修形参数，直到找到500个满足严苛输出约束的数据：

Peak-to-peak TE <0.1um
Max pressure velocity < 9000MPa m/s

应用代理模型运行了50分钟，生成了1850万个有效的微观修形参数，只发现了500个设计满足要求（37000分之一），对应如果使用初始高保真度模型分析来评估如此多的微观修形参数需要3年的时间。

MASTA AI/ML优化应用案例

齿轮微观修形优化

采用AI/ML对目标为最小化TE的齿轮进行微观修形优化。对于给定的一组分析结果，机器学习模型可以帮助检测出高潜力的领域（可能会产生比目前最好的解决方案更好的解决方案），打包成一个高效优化器。

以一个简单的二维优化问题为例。传统方法采用参数化研究工具或设计空间搜索：在问题空间上绘制TE并选择最小值，是基于梯度下降方法。优化受到计算时间长和多维问题空间的挑战，并容易陷入局部最优而无法达到全局最优。

为了尽量减少所需的分析次数，可以采用AI/ML优化，将代理模型的训练嵌入优化循环中，不断学习微观修形参数与TE之间的关系，并使用这些信息来识别可能超越当前最佳结果的微观修形参数。该方法生成一种不会陷入局部最小值的自动化程序，可以推广应用到多维度参数优化。

对同样模型和参数，采用参数研究方法需要调用超过10000个函数来找到最优解，而采用ML优化重复运行六次，每次都在30次迭代中找到了全局最小值。ML优化的最佳结果优于99.98%的参数研究方法找到的结果，ML优化的最差结果优于参数研究方法找到的结果中的98.8%。

ML优化方法提供了一种在多维问题空间中自动找到最优解的方法，ML优化可通过改变所有八个修形参数来最小化TE。根据上一节代理模型的的说明，ML代理模型完成了几百次迭代，找到了只有基线TE幅值1/12的微观修形参数，TE从初始的0.12um降到0.0096um。

评估微观修形参数鲁棒性

当齿轮进入量产阶段时，由于制造误差，制造的每一个齿轮实际微观修形都不完全相同，其对应的TE是在一个范围内分布的。AI/ML方法为在短时间内快速寻优到TE小，且具有好的鲁棒性（小的标准差）的设计提供了可能。

将进化优化算法应用到AI/ML代理模型中，从而实现在设计过程中，高效寻优出小TE和小标准差的设计。

齿轮宏观参数和微观修形联合优化

传统的微观修形方式的优化潜力受限于齿轮宏观参数。一般认为齿轮整数重合度更容易获得较低的TE，然而SMT研究发现整数重合度对波动错位量/shuttling force则比较差。

SMT创新的分段修形方法&AI/ML优化算法，可以帮助用户在短时间内，针对NVH性能，寻找到复杂多激励源系统下的最佳齿轮宏观和微观参数设计方案。

下图为原设计与AI/ML算法寻优设计方案的结果对比，结果显示多个扭矩工况下，TE都下降，使得振动加速度在电机特性工作范围内都显著降低，最大振动值下降了53.7%。

提高仿真和试验的关联性

在传动系统中，有些参数很难准确测量，如花键刚度。使用AI/ML全局优化，调整花键刚度参数，以最大限度地提高测量测试数据和MASTA NVH结果之间的关联性。AI/ML分析时间很短，因此这种方法比使用参数搜索快得多，且能得到更好的关联性。

总结

把AI/ML应用到MASTA中，可实现用很小的计算资源完成原来需要大量计算资源的高保真分析的工作，从而实现在短时间完成各种复杂的多维度优化问题。