机构名称：
¥ 2.0
这项工作开发了一种从代表各种资产状态的基于物理的模型库中创建数据驱动的数字孪生的方法。使用可解释的机器学习更新数字孪生。具体来说，我们使用最优树（一种最近开发的可扩展机器学习方法）来训练可解释的数据驱动分类器。分类器的训练数据是使用基于物理的模型库解决的模拟场景离线生成的。可以使用实验或其他历史数据进一步增强这些数据。在操作中，分类器使用来自资产的观测数据来推断模型库中哪些基于物理的模型是更新的数字孪生的最佳候选者。通过为 12 英尺翼展无人机开发结构数字孪生来展示该方法。该数字孪生模型由一系列结构状态下的飞行器降阶模型库构建而成。数据驱动的数字孪生模型会根据结构损坏或退化动态更新，从而使飞机能够相应地重新规划安全任务。在此背景下，我们研究了最优树分类器的性能，并展示了它们的可解释性如何使从稀疏传感器测量中进行可解释的结构评估成为可能，并为最佳传感器放置提供信息。
从基于物理的模型到通过可解释机器学习的预测数字孪生
主要关键词
相关文件推荐
