基于DeepSeek×MWORKS 2025a的ROM Builder自动化降阶实战

一、引言

当前，工业仿真领域正经历着前所未有的「智能焦虑」——当自动驾驶算法已能理解城市路网，当大模型开始设计蛋白质结构，这个驱动大国重器研发的核心领域，却仍在与千万级方程组成的庞杂模型艰难博弈。传统仿真降阶如同在数字迷宫中盲行：工程师需要手动遍历降阶算法组合，经历数十次参数迭代验证，稍有不慎就会陷入「维度灾难」的泥潭。

本文将基于近期发布的模型降阶及融合仿真工具（ROM Builder Toolbox，简称ROM Builder），重点介绍如何利用DeepSeek辅助ROM Builder构建自动化降阶功能，从而简化用户降阶复杂模型的复杂操作流程，降低用户使用门槛，减少项目时间和人力的投入。凭借DeepSeek的语义理解与知识推理能力，能够提升用户与ROM Builder的交互效率。在降阶模型生成阶段，DeepSeek能够智能推荐合适的降阶算法和模型参数，加速提高降阶模型的精度；在降阶模型验证环节，DeepSeek可以对降阶结果进行深度解读，根据验证结果给出优化建议。

ROM Builder专注于从数据模型生成出发，简化复杂的三维仿真模型。在数字孪生工程中，通过模型降阶技术对复杂装备进行简化处理，以提高仿真效率并确保结果的准确性和可靠性。目前，ROM Builder已在机械、电气、液压、热学等多物理领域得到广泛应用。

二、方案介绍

本节以系统数据为例，剖析ROM Builder降阶、DeepSeek辅助的ROM Builder自动化降阶，从关键环节、步骤与要点阐释二者操作流程。

系统模型降阶框架

依据系统时域特性，系统模型降阶分静态、动态两类：

• 静态模型：用多层前馈神经网络算法捕捉系统特征。
• 动态模型：因动态模型随时间变化，引入长短时记忆神经网络算法构建动态特征。

系统降阶模型划分

方案概述

为了有效解决ROM Builder的用户困境，提升它的实用性和效率，利用DeepSeek辅助ROM Builder，以实现复杂模型降阶过程的自动化和智能化。

ROM Builder、DeepSeek辅助下的ROM Builder的差异概述

通过下图所示的流程对比示意，可以清晰明白二者在操作流程层面的差异。

复杂模型到降阶模型的流程对比

2.1 ROM Builder

降阶流程

ROM Builder降阶复杂模型的具体流程可分为如下步骤：

导入数据→选择变量→设置参数→训练模型→验证模型

ROM Builder降阶流程

ROM Builder使用流程分析

下图为ROM Builder降阶复杂模型的具体演示，可以看出，大量手动操作集中于参数设置阶段和结果验证阶段：

• 参数设置阶段：根据数据集特征，手动调整算法参数和求解参数。
• 结果验证阶段：对比验证降阶结果与原始结果，判断准确性。

这些参数相互关联，显著影响降阶结果，需反复试验、优化参数组合以获取合适的降阶模型，这既增加了流程复杂度、耗时长导致项目周期延长，又高度依赖用户知识，加大了人力成本。

2.2 DeepSeek辅助下的ROM Builder自动化降阶

降阶流程

下图为DeepSeek辅助下的ROM Builder自动化降阶复杂模型的具体流程，该过程可分为两个阶段：

• 第一阶段：用户指定数据路径，选择输入变量与输出变量。
• 第二阶段：无需用户手动操作，DeepSeek辅助ROM Builder自动降阶复杂模型，直至降阶模型的精度达标。

基于DeepSeek的ROM Builder降阶流程

第二阶段的过程如下图：

• DeepSeek基于提示符，生成算法参数和求解参数组合。
• ROM Builder根据参数组合训练降阶模型。
• ROM Builder验证降阶模型，生成验证指标。
• 若验证指标不符合要求，DeepSeek依据现有参数组合及其验证指标更新提示符，重新生成参数组合，ROM Builder再次训练、验证降阶模型，直至指标合格。

第二阶段流程

第二阶段DeepSeek更新提示符、参数组合、以及获取验证指标的输出示例如下：

第二阶段示例

优势

DeepSeek辅助下的ROM Builder，整合并发挥了DeepSeek的推理能力，依托了ROM Builder既有的功能体系：

• 在复杂模型降阶流程中，帮助用户规避参数组合筛选及降阶模型验证结果分析等繁琐且需要专业知识的步骤。
• 用户仅做基础数据设定，明确输入、输出变量，就能驱动ROM Builder自动高效完成降阶任务，大幅简化操作流程。

这有效降低了ROM Builder在实际应用中的使用难度与专业门槛，提升了ROM Builder的普适性与易用性。

三、应用案例

3.1 案例模型

本案例为车辆动力学模型，该模型具有复杂度高，存在非线性方程、状态方程刚性强等特点。这导致了仿真时间长，模型无法实时化。通过利用降阶模型代替车辆动力学模型可以提高模型仿真计算效率，从而满足智能控制算法对模型的实时性要求，如基于模型的预测控制算法。该模型如下图所示。

车辆动力学模型

在利用DeepSeek辅助下的ROM Builder对车辆动力学模型进行自动化降阶时，输入输出变量选取如下：

3.2 降阶模型结果

车辆动力学模型自动化降阶过程中，DeepSeek更新参数组合、以及判断验证指标的具体输出如下：

车辆动力学模型自动化降阶流程

对车辆动力学模型的自动化降阶结果如下图：

降阶结果对比（蓝色为原始输出，红色为预测输出）

降阶模型与原模型的输出变量的精度如下表所示：

3.3总结

通过降阶模型的结果可以看出，DeepSeek辅助下的ROM Builder在自动化降阶过程中保留了车辆动力学模型的关键动态特性，降阶模型的准确性符合预期，这说明了其可应用性。且参数设置和降阶模型结果对比验证都由DeepSeek完成，无需人为分析降阶结果和筛选参数组合，降低了ROM工具箱的用户门槛，节省了用户的时间。

四、建议反馈

面向人工智能时代的到来，同元软控在专攻工业软件研发和行业应用的同时，也在积极探索通过AI领域前沿技术与工业软件的融合创新，支持智能化装备产品的设计研发与装备产品研制过程的智能化。为进一步提升MWORKS软件服务能力，我们诚邀各位为AI技术与MWORKS融合应用提供宝贵的意见建议，您的建议可能成为我们后续优化升级的重要依据！