添加微信"siemensfm1847"，加入听友群，发现更多精彩！

咨询西门子业务，请拨打400-616-2020

说到勤劳的昆虫，你的脑海中一定会浮现出身披黑亮盔甲的小武士——蚂蚁。这些不起眼的小生灵协作能力非凡，它们能筑起穿过丛林的小路，搭建精巧的巢穴，探索散落在四面八方的食物源，并定义最快捷的觅食路径。

利用“数字化双胞胎”技术仿真设计出的变压器产品将能够更快、更精准地满足客户需求。西门子中央研究院的科学家在这一领域寻找到新途径——通过利用机器学习技术和受蚂蚁觅食行为启发而来的蚁群算法，让虚拟的“数字化双胞胎”更加接近现实。

自然法则、设计数据、材料属性和工作流程：这些是为真实的技术体系创造“数字化双胞胎”的关键要素。然而，西门子中央研究院的研究人员Denis Smirnov和周雅赟认为，“想要创建完全精确的‘数字化双胞胎’，对于许多仿真工作来说，这些要素远远不够。”这就是为什么他们试图去优化“数字双胞胎”——他们希望通过利用机器学习技术以及独特的优化算法，在产品设计阶段能够更逼真地模拟变压器的特性。

从对比数据中获益

机器学习专家Smirnov发现，将自己的专业研究应用在配电变压器的优化上，是一个非常好的起点。“多年来，我们一直在记录每个变压器的模拟性能值和实际性能值之间的差异。”Smirnov解释说，“记录的结果是一个庞大的数据库，其中包含数以万计的对比数据，我们可以利用机器学习技术将这些数据纳入‘数字化双胞胎’的构建当中。”由人或者计算机将对比数据进行分析并完善‘数字化双胞胎’，这两种工作方式从本质上说并没有什么区别。但是计算机执行这一过程要快得多，而且可以洞悉人为无法识别的，藏在数据背后的高深“玄机”。

更出色的表现

利用机器学习技术对配电变压器的“数字化双胞胎”进行改造后，Smirnov和团队同伴对其进行了全面的测试，以计算配电变压器的空载损耗。“我们发现，使用新的‘数字化双胞胎’进行计算，结果比改进前要好得多。”Smirnov详细解释道，“在对7000台变压器进行的模拟计算中，88%的计算结果与设备实际运行值更接近，而且与改进前相比，新的计算结果与设备实际运行值之间的偏差缩小了一半。”

用户友好，无需升级

改进后的仿真功能已被纳入到目前用于设计配电变压器的仿真软件中。新、旧两个空载损耗的计算结果被提供给产品设计人员进行比较。“并且硬件不需要进行升级。” Smirnov解释道，“计算机将通过一个训练过程获得机器学习的功能。虽然这会花费一些时间，但后续的计算只需要几毫秒。这种方式可以更快、更准确地满足客户需求。这样看来，这样做的成本实际上是非常低的。”因此，研发人员非常希望在不久的将来能够利用机器学习技术去进行更多参数的仿真计算。

缺少对比数据怎么办？

可是，即使这个数据库包含了上万个模拟结果和实际性能值的对比数据，也只有少数种类的变压器可以从中受益。例如，工业变压器的数据就无法受益，因为其每年的产量很少，研究人员无法获得大量的对比数据。但是，西门子中央研究院的数学优化专家周雅赟找到了一种方法，让这些巨型设备的“数字化双胞胎”更加真实——这些巨型设备通常有十多米高，重达500公吨以上。她从包括可变参数的模型着手进行“数字化双胞胎”的优化，例如，可以在一定范围内自由选择的参数，如铁芯尺寸、绕组类型和数量等。

利用蚂蚁实现优化

针对“数字化双胞胎”，周雅赟和她的同事们研究出一种方法，通过模拟和优化相结合，为达到所需性能确定最佳参数组合。如果要模拟出所有可能的组合并将它们进行交叉对比会耗费大量的时间，所以研究人员们采用了一种可以同时优化离散和连续变量的优化算法。优化的思路来源于蚁群觅食的方式：蚁群总会找到从巢穴到食物之间的最短路径。周雅赟解释道：“蚂蚁用气味来标记它们的路径。最短路径的使用频率最高，这意味着更多的蚂蚁在最短路径上进行了标记。随着时间的推移，在最短路径上留下的标记比其他路径更多。”

成功，要一起分享

Smirnov对周雅赟的研究表现出极大兴趣，并打算将这一方法应用到配电变压器的优化中。“可惜配电变压器的优化方式无法应用在工业变压器上，工业变压器可用的对比数据太少了，”他遗憾地说。周雅赟已经开始期待与Smirnov进行合作，以测试Smirnov的“数字化双胞胎”是否可以通过她的方法得到进一步改进。对此，她非常有信心。

向蚂蚁学编程？这波机器学习很厉害！ 05:47 Share

科技不怕问

Shownotes Transcript

向蚂蚁学编程？这波机器学习很厉害！