Nature子刊：概率图模型使能的大规模预测性数字孪生

为了从通过定制实现构建的一次性数字孪生过渡到大规模且稳健的数字孪生实现，需要一种统一的数学公式。本文提出了一种概率图模型，作为数字孪生及其相关物理资产的正式数学表示。我们将资产-孪生系统抽象为一组耦合的动力系统，这些系统在其各自的状态空间中随时间演化，并通过观测数据和控制输入进行交互。将该耦合系统正式定义为概率图模型，使我们能够借鉴贝叶斯统计、动力系统和控制理论中成熟的理论和方法。所提出的数字孪生模型具有声明性和通用性，既严谨又灵活，能够在多种应用领域实现大规模应用。我们展示了如何实例化该模型以构建无人飞行器（UAV）的结构数字孪生。该数字孪生使用来自物理UAV资产的实验数据进行校准。然后，通过一个合成示例说明了其在动态决策中的应用，在该示例中，UAV发生飞行中损坏事件，并使用传感器数据动态更新数字孪生。概率图模型基础确保了数字孪生校准和更新过程具有原则性、统一性和可扩展性，能够应用于整个数字孪生机队。

1. 研究提出的数字孪生理论框架具有普适性和可扩展性，适用于不同资产的动态校准和健康监测。

2. 数字孪生模型在无人机和飞机结构健康监测中显示出高效性和准确性，有助于提高无人机的战斗能力和飞机的安全性。