介绍
在本文中，我们将检查这些敏感性分析的结果，并构建一个健壮的元模型，作为优化过程的基础。
本文涵盖：
- 解释敏感性分析结果
- 了解元模型及其在优化中的重要性
- 构建和完善最佳预后模型 （MOP）
- 使用预后系数 （CoP） 评估模型质量
了解元模型和 MOP
MOP 代表“最佳预测的元模型”，它是高效设计优化的关键概念。从本质上讲，元模型是“模型的模型”——一种简化的数学表示，近似于更复杂系统的行为。
我们不是为每个设计迭代运行完整的 MotorCAD 仿真（这在计算上会很昂贵），而是创建了一个几乎可以立即预测结果的代理模型。在处理电动机等复杂的工程系统时，这种方法特别有价值。
以下是代理建模的工作原理：
- 使用有限数量的完整仿真对设计空间进行采样（我们的灵敏度分析）
- 基于这些样本，构建近似输入参数和输出响应之间关系的数学函数
- 使用这些近似值可以在几秒钟内评估数千个潜在设计，而不是完整仿真所需的小时或天
MOP 的“最佳预后”部分是指 OptiSLang 自动选择最佳数学方法来近似每个响应的能力。它可能对一个输出使用多项式回归，对另一个输出使用径向基函数，对第三个输出使用神经网络 - 所有这些选择都是为了最大限度地提高预测准确性。
查看敏感度分析结果
运行灵敏度分析后，我们会看到一个结果表，其中显示了多种设计及其性能特征。查看 “Feasible” 列，您会注意到大多数设计显示 “False” – 这是完全正常的。可行的设计是那些满足我们在设置灵敏度分析时定义的所有约束的设计。
您还会注意到，某些设计在所有结果列中都有零。这些是在分析过程中失败的设计，可能是由于变量的组合导致非物理或损坏的几何。在创建元模型时，我们需要调查每个失败的设计以确定根本原因，或者更实际地说，在构建 MOP 时省略。
构建元模型
要构建我们的元模型，我们首先需要激活 MOP 节点（如果它之前已停用）。这是通过单击 MOP 节点，然后使用键盘快捷键 Ctrl+E） 来完成的。重新激活后，我们运行 OptiSLang 根据我们的灵敏度分析数据构建 MOP。
构建 MOP 后，我们可以通过打开后处理窗口来检查结果。
查看响应曲面和残差图，我们可以立即发现一组与其他设计分开的设计：
响应面在 z 轴上绘制 500 rpm 时的扭矩，这些异常值设计都显示零值。在残差图中，这些设计一直出现在 x 轴上“数据值”为零的左侧，这些显然是我们的设计中断。
CoP 矩阵：评估模型质量
CoP 矩阵或预后系数矩阵是衡量数学模型质量的强大工具。右列显示了我们的元模型预测每个输出参数的程度。此外，该矩阵还显示了每个输入参数对结果变化的定量影响。
使用 CoP 矩阵，我们可以：
- 确定最重要的输入参数
- 评估我们的代理模型的预测质量
- 决定是继续优化还是通过额外采样来改进模型
目前，我们的 CoP 值约为 70%，但为了实现稳健的优化，我们希望这些值尽可能接近 100%。
删除失败的设计以改进模型
为了清理我们的元模型，我们需要删除那些扭曲我们结果的失败设计。在残差图中，我们只需将外围设计拖到上面，一次性选择它们，然后右键单击并选择“Deactivate”。
现在，我们通过单击 “Build MOP” 按钮，仅使用剩余的有效设计来重建我们的 MOP。模型重建后，后处理窗口会使用我们的新数据进行刷新。
评估我们改进的元模型
查看更新后的 CoP 矩阵，我们可以看到显著的改进 — 右列中的大多数值现在显示超过 99%，最低值为 95.3%。
这些高 CoP 值表明，我们的元模型可以准确预测电机在整个设计空间内的性能，让我们对下一步将获得的优化结果充满信心。
此时，我们可以尝试删除额外的异常值以进一步改进我们的模型，但我们需要小心，不要高估近似质量。样本量越大，风险越小，但我们当前的 CoP 值对于优化来说绰绰有余。
利用我们的元模型进行优化
我们 MOP 的真正力量在优化阶段变得明显。一旦我们有了高质量的元模型，我们就可以将其连接到一个优化器，该优化器将探索数以万计的潜在设计，而无需运行任何额外的 MotorCAD 仿真。
因为评估元模型的计算成本很低，所以我们可以探索比直接仿真更多的设计。这种方法大大减少了寻找最佳设计所需的时间，同时也为设计权衡提供了有价值的见解。
结论
在本文中，我们学习了如何根据灵敏度分析结果构建和完善高质量的元模型。这个代理模型将使我们能够有效地探索我们的设计空间，而无需进行完整仿真的计算费用。
