Nature子刊：概率图模型使能的大规模预测性数字孪生
致力于数字孪生体技术的研究与发展
通过解决方案和工程化应用造福人类
来源：数字孪生DT
摘 要
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。
关键词: 数字孪生；不确定性量化；概率图模型；自感知交通工具
研究背景
本研究提出了一种基于概率图模型的数字孪生理论框架，旨在支持大规模、可扩展的数字孪生系统，特别强调了动态数据驱动应用系统（DDDAS）的理论基础，并展示了其在无人机、智能城市和航空运输等领域的应用。
研究方法
构建了将物理资产和数字孪生系统视为动态系统的概率图模型，通过观察数据和控制输入更新模型，反映物理资产状态。
2采用动态演化和实验数据校准的方法，逐步适应资产的特定特性，如材料、制造过程和生命周期。
利用概率论模型管理无人机的数字孪生，通过描述物理状态和控制输入的交互，将数字状态分解为几何参数、结构响应等变量。
实现了无人机结构健康监测和控制的数字孪生模型，通过动态更新和评估结构健康参数，结合传感器数据和有限元分析进行预测。
通过Rayleigh模型预测和优化，包括几何参数、材料属性和动态响应，校准模型的频率和阻尼系数，确保无人机稳定性和安全性。
使用数字孪生技术进行飞机结构的动态变化模拟，通过概率模型预测结构健康，利用贝叶斯网络和自回归模型进行建模和数据融合更新。
研究结论
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。
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。
全文阅读
专用数据库管理系统功能及应用介绍
