數字孿生是一組隨着時間的推移不斷髮展的耦合計算模型，用來持續表示獨特物理資產的結構、行爲和上下文。我們正在開發的方法和算法能夠創建預測性數字孿生。
本文所用的物理資產是定製的 12 英尺翼展無人機 (UAV)。我們構建了無人機的結構數字孿生體，用於監控結構健康狀況並執行動態飛行計劃決策。我們的預測數字孿生將機器學習與機理預測模型相結合。基於組件的降階建模使該方法具有計算效率和可擴展性。
無人機數字孿生的演示視頻可以訪問這裏。
1、預測性數字孿生的數學和計算基礎
當前最先進的數字孿生通常需要定製實施，需要大量的部署資源和高水平的專業知識。我們爲數字孿生提出了一個統一的數學基礎，目標是從一次性的數字孿生實施轉向大規模實施。具體來說，我們用六個關鍵量來定義組合資產孿生系統，如下圖所示。
以這種方式定義系統使我們能夠模擬物理資產及其數字孿生隨時間的演變。數字孿生通過傳入的觀測數據來了解物理資產的狀態。此信息用於更新內部數字孿生模型，然後對其進行評估以提供準確的分析和預測。這使數字孿生能夠通過通知和/或發佈智能控制輸入來積極影響物理資產。我們使用下面的概率圖模型對這個雙向耦合系統進行建模，該模型說明了系統中數量隨時間演變的依賴關係。
圖模型是概率表示、推理和學習的強大工具，並已成功應用於從機器人技術和計算機視覺到語音識別和醫學診斷的應用。我們提出的概率圖模型作爲定義和建模數字孿生的基礎，以及爲模型更新、預測和優化控制推導計算高效算法的基礎。有關所提出的概率圖模型公式的更多信息，以及我們如何使用該模型對無人機數字孿生進行原則性和可擴展的實驗校準的演示，可以在我們的研究論文中找到。
2、數字孿生組件庫
我們數字孿生的核心是一個基於物理的模型庫，每個模型都代表不同的結構狀態。我們使用基於組件的降階建模方法，因此這些基於物理的模型即使在完整無人機結構的規模上也能準確且快速地進行評估。我們通過在模型中創建每個組件的多個版本來模擬不同的損壞狀態。每個版本都有不同的損壞狀態。在此示例中，我們在 UAV 的右翼中創建了兩個組件的五個副本。每個副本的剛度降低介於 0%（原始情況）和 80%（最壞損壞情況）之間。在飛行中，我們使用機載結構傳感器數據來估計哪個模型與無人機的當前狀態最匹配，並在數字孿生中使用該模型。
3、可解釋的機器學習
我們使用可解釋的機器學習來訓練一個最佳分類樹，該分類樹預測庫中的哪個模型最匹配一組結構測量。這些樹劃分傳感器測量的空間，以便每個結果區域對應於特定的損壞狀態。當獲得新的傳感器測量值時，我們使用分類樹來決定哪種損壞狀態與數據最匹配。分類樹是可解釋的，因爲它明確地表徵了決策邊界，並且它自然地實現了稀疏感知。
4、硬件平臺
雖然我們開發的方法可以應用於廣泛的實物資產，但我們用於這項研究的試驗檯是與Aurora Flight Sciences合作開發的定製的 12 英尺翼展固定翼無人機。該無人機配備了一套結構傳感器，例如應變儀、加速度計和高頻振動傳感器。
5、動態決策
我們用一個說明性的無人機場景中展示了上述方法的好處。在這種情況下，無人機必須安全地穿過一組障礙物到達目標位置。無人機發生損壞事件，然後繼續累積結構退化。
無人機必須在每個障礙物周圍選擇激進的飛行路徑或更保守的路徑。激進路徑更快，但需要 UAV 進行急轉彎，這會使 UAV 承受高結構載荷。更保守的路線速度較慢，但會使無人機承受較低的結構載荷。
在原始狀態下，飛機結構可以安全地承受較高的載荷，但隨着飛機機翼結構的損傷累積，高載荷可能導致結構失效。如前面視頻所示，具有自我意識的無人機使用快速更新的數字孿生來監控其不斷髮展的結構狀態並動態估計其飛行能力。基於這些能力估計，無人機能夠動態地重新規劃任務，以最大限度地提高速度，同時避免結構故障。
原文鏈接：無人機數字孿生的開發 — BimAnt