【新闻】DTEmpower核心功能技术揭秘(5) - AIAgent模块

概述 

在前面《DTEmpower核心功能技术揭秘》系列的文章中，我们提到了机器学习的一个经典理论：数据和特征决定了机器学习模型的上限，而算法则是在不断逼近这个上限。

如前文所述，基于这个经典理论，天洑软件自研了一系列的数据挖掘和探索技术，如HierarchicalStratify分层分类技术、AIOD智能异常点检测等技术，并集成于DTEmpower软件平台之中。这些技术都是针对机器学习模型上限的决定性因素-数据和特征提出的一系列提升方案。

我们在关注数据和特征的同时，需要注意到如何让算法逼近这个上限也是一个需要解决的问题。除了集成市面上常见的训练算法以供用户选择之外，天洑软件还针对工业设计数据的“小数据集”“数据分布不均”等特点，自主研发了AIAgent功能模块，并集成在DTEmpower软件平台中。

通过AIAgent模块，用户可以避免机械式的调参过程并节省大量的时间，这为在实际工业应用中落地数据驱动技术扫清了另一障碍，也是DTEmpower软件的另一大功能特色。

AIAgent功能模块简介 

如图1所示，AIAgent功能模块配置简单，使用方便，用户根据实际问题简单搭配使用3个按钮，即可得到“最优”模型。

图1  AIAgent模块在使用神经网络（径向基核函数网络）的基础上，根据大量的工程案例总结，引入“正则多项式”组合的形式构建鲁棒性更强的、适用于工业问题的学习算法。同时AIAgent节点配置简单，无需配置过多参数，只需要根据实际问题打开或关闭“超参优化”、“小数据集优化”和“交叉验证”开关，用户即可一键得到“最优”模型

基于AIAgent智能训练算法的建模实验 

1. 风力机轮毂强度回归分析

① 数据集背景介绍：轮毂是风力发电机组中的关键零部件，在运行过程中可能会承受多种极端载荷的叠加作用，造成轮毂结构的破坏。因此需要对轮毂在不同载荷下的应力情况进行分析，并采用数据训练的手段建立载荷与轮毂应力之间的代理模型，进行快速评估。

模型所采用的数据集中含有3个输入变量和5个输出变量，共193个样本：输入变量为一组轮毂上三个扭矩，输出变量为五个节点的应力。

② 建模和实验方法：采用图2所示的建模方法，对输入和输出之间的映射关系进行回归分析建模。该方法采用了Random Forest随机森林、GBDT（Gradient Boosting Decision Tree）梯度提升树、多项式拟合和AIAgent训练算法进行回归分析建模。然后对比不同模型的R2和NRMSE指标。

图2 针对风力机轮毂强度数据集，在DTEmpower软件平台上搭建回归分析的建模方案。DTEmpower提供了一站式的数据建模解决方案，通过简单的节点拖拽即可搭建完整的建模流程。其中AIAgent具有非常简单的节点配置属性，用户仅通过“超参优化”、“小数据集优化”和“交叉验证”三个开关的搭配使用即可得到“最优”模型

③ 实验结果：图3所示的实验结果表明，在风力机轮毂强度数据集上，AIAgent算法在5个输出变量上的性能指标均优于其他3种常见算法。

图3-1 采用4种不同的算法对5个输出变量进行回归分析，比较其R2精度指标可以发现蓝色柱子所示的基于AIAgent算法的模型在5个输出变量上的R2指标均在0.99以上，甚至非常逼近于1。而相较于其他3种算法的R2值均在0.99以下，AIAgent算法具有非常明显的优势。

图3-2 针对风力机轮毂强度数据集，采用4种不同的算法算法对5个输出变量进行回归分析，比较其NRMSE指标可以发现基于AIAgent算法的模型在5个变量上的NRMSE误差指标均在0.01以下，而相比于其他3种算法，其NRMSE指标值均在0.02以上，甚至更高。结合图3-1，可以说明AIAgent在风力机轮毂数据集上的优越性

2. 船舶兴波阻力回归分析

① 数据集介绍：本方案中采用的数据集是经SHIPFLOW软件计算兴波阻力的数据集，该数据集输入参数是draft、Halfbeam、Height、Loa、BulbLengthChange，目标参数是兴波阻力eval_CWTWC。 

② 建模方法：采用图4所示的建模方法，对输入和输出之间的映射关系进行回归分析建模。该方法采用了CART、Bagging、Adaboost 和AIAgent训练算法进行回归分析建模。然后对比不同模型的R2、MSE、MAPE等指标和在测试集上对目标变量的拟合误差。

图4 基于DTEmpower软件平台的船舶兴波阻力回归分析建模方案。其中AIAgent节点为本次实验中用到的回归训练算法，无需做过多的节点属性配置，用户即可搭建完整的建模流程。

③ 实验结果：通过表1和图5不难发现，在船舶兴波阻力数据集上，AIAgent训练算法的R2、NRMSE、MAPE等指标均优于其他3种训练算法，而在测试集上的拟合误差图也进一步说明了AIAgent训练算法相较于普通训练算法具有优越的泛化性能。

表1 基于AIAgent和其他3个训练算法的船舶兴波阻力回归模型的精度指标，通过表中数据可以看到，基于AIAgent训练算法的模型精度均高于其他算法，这表明了在兴波阻力数据集上AIAgent算法相较于其他3种算法的优越性

图5 基于不同算法的回归模型在测试集上真实值和预测值的预测误差，蓝色曲线代表AIAgent算法的拟合误差，不难发现AIAgent算法的拟合误差基本都在0值上下波动，且波动范围小于其他3种算法的拟合误差，这说明了AIAgent算法对于测试集数据具有强于其他3种算法的泛化能力

总结 

数据和特征决定了模型的上限，在如何让算法不断逼近这个上限的问题上，天洑软件针对“小数据集”自主研发了AIAgent功能模块，并集成在DTEmpower软件平台中。

在实际工业场景中的应用案例和对比实验，证明了AIAgent功能模块能轻松、有效的提高模型精度。在不同应用场景（如风力机强度回归分析和船舶兴波阻力回归分析）下的实验结果，也说明AIAgent功能模块的通用性和易用性。

DTEmpower不仅提供了一站式的数据建模解决方案，同时借助于AIAgent、异常点检测以及高维可视化等技术的加持，可以帮助用户快速、便捷的深入挖掘数据和特征，为建立高精度的数据模型提供了一条高效可落地的实现路径。

----------------The end----------------