XiaoMi-AI文件搜索系统
World File Search System降阶
通过基于组件的降阶模型库实现数据驱动的基于物理的数字孪生
这项工作提出了一种方法，将基于组件的降阶模型库与贝叶斯状态估计相结合，以创建数据驱动的基于物理的数字孪生。降阶建模产生的基于物理的计算模型足够可靠，可用于预测数字孪生，同时仍然可以快速评估。与传统的整体模型降阶技术相比，基于组件的方法可以有效地扩展到大型复杂系统，并为快速模型自适应提供灵活且富有表现力的框架——这两者都是数字孪生环境中的关键特性。数据驱动的模型自适应和不确定性量化被表述为贝叶斯状态估计问题，其中传感器数据用于推断模型库中的哪些模型是数字孪生的最佳候选者。通过为 12 英尺翼展无人机开发数字孪生来展示这种方法。离线时，我们构建了一个原始和受损飞机部件库。在线时，我们使用结构传感器数据快速调整基于物理的飞机结构数字孪生。数据驱动的数字孪生使飞机能够根据结构损坏或退化动态地重新规划安全任务。
通过基于组件的降阶模型和可解释的机器学习实现预测性数字孪生
这项工作开发了一种创建和更新数据驱动的基于物理的数字孪生的方法，并通过开发翼展 12 英尺的无人机的结构数字孪生来演示该方法。数字孪生由基于组件的降阶模型库构建，这些模型源自对飞行器在一系列原始和受损状态下的高保真有限元模拟。与传统的整体模型降阶技术相比，基于组件的方法可以有效扩展到大型复杂系统，并为快速模型自适应提供了灵活且富有表现力的框架——这两者都是数字孪生环境中的关键特性。数字孪生使用可解释的机器学习进行部署和更新。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。在操作中，分类器将输入车辆传感器数据，然后推断模型库中哪些基于物理的简化模型最适合组成更新的数字孪生。在我们的示例用例中，数据驱动的数字孪生使飞机能够动态地重新规划安全任务，以应对结构损坏或退化。