[論文レビュー] From Physics-Based Models to Predictive Digital Twins via Interpretable Machine Learning

Michael G. Kapteyn, Karen Willcox|arXiv (Cornell University)|Apr 23, 2020

Structural Health Monitoring Techniques参考文献 23被引用数 13

ひとこと要約

本論文は、解釈可能な機械学習（具体的には最適分類木：OCT）を用いて、リアルタイムのセンサデータに応じて動的に物理ベースのモデルを更新するデータ駆動型デジタルツインフレームワークを提案する。シミュレーションされた低次元モデルライブラリからのデータを用いてOCTを学習させることで、無人航空機（UAV）の構造的損傷状態を同定し、スパarsなセンサ測定値からも解釈可能な健全性評価とリアルタイムのミッション再計画を可能にする。

ABSTRACT

This work develops a methodology for creating a data-driven digital twin from a library of physics-based models representing various asset states. The digital twin is updated using interpretable machine learning. Specifically, we use optimal trees---a recently developed scalable machine learning method---to train an interpretable data-driven classifier. Training data for the classifier are generated offline using simulated scenarios solved by the library of physics-based models. These data can be further augmented using experimental or other historical data. In operation, the classifier uses observational data from the asset to infer which physics-based models in the model library are the best candidates for the updated digital twin. The approach is demonstrated through the development of a structural digital twin for a 12ft wingspan unmanned aerial vehicle. This digital twin is built from a library of reduced-order models of the vehicle in a range of structural states. The data-driven digital twin dynamically updates in response to structural damage or degradation and enables the aircraft to replan a safe mission accordingly. Within this context, we study the performance of the optimal tree classifiers and demonstrate how their interpretability enables explainable structural assessments from sparse sensor measurements, and also informs optimal sensor placement.

研究の動機と目的

• センサデータを用いて進化する物理的資産の状態に適応するスケーラブルでデータ駆動型の予測的デジタルツインを構築するためのアプローチを開発すること。
• 手動キャリブレーションの限界を克服し、解釈可能な機械学習を用いてデジタルツインの更新を自動化すること。
• 解釈可能なモデルを用いて、スパarsなセンサ測定値から解釈可能な構造健全性評価を可能にすること。
• 解釈可能性を活用して最適なセンサ配置を支援すること。
• 実世界のUAV事例において、構造的損傷検出とミッション再計画を含めたフレームワークの有効性を実証すること。

提案手法

• UAVのさまざまな構造的状態（損傷状況を含む）を表す物理ベースの低次元モデルのライブラリを構築する。
• 空力的荷重下での各モデルからのひずみ測定値をシミュレートし、実際のセンサデータを模倣するためのノイズを追加してトレーニングデータを生成する。
• ノイズがかかる観測されたひずみ特徴量を、ライブラリ内にある最も可能性の高い物理ベースのモデルにマッピングする最適分類木（OCT）を学習する。
• OCTをオンラインで使用し、リアルタイムのセンサデータを分類してライブラリ内から最適な適合モデルを選択し、動的デジタルツインの更新を可能にする。
• 更新されたデジタルツインをUAVの意思決定システムに統合し、構造的健全性に基づいたミッション再計画を可能にする。
• OCTの解釈可能性を活用して特徴量の重要度を分析し、最適なセンサ配置を支援する。

実験結果

リサーチクエスチョン

• RQ1 解釈可能な機械学習を用いて、リアルタイムのセンサデータに基づき自動的かつ動的に物理ベースのデジタルツインを更新できるか？
• RQ2 最適分類木は、リアルタイムのUAV環境下で、スパarsでノイズの多いひずみ測定値から構造的損傷状態をどの程度正確に推定できるか？
• RQ3 機械学習モデルの解釈可能性が、説明可能性の向上とセンサ配置意思決定支援にどの程度寄与するか？
• RQ4 デジタルツインフレームワークは、構造的劣化に応じて自律的なミッション再計画を可能にするか？
• RQ5 モデルライブラリが未知または新しい損傷状態を捕捉できない限界は何か？そして、それらを検出する方法は？

主な発見

• 最適分類木は、ノイズの多いひずみ測定値から構造的損傷状態（例：剛性40％低下）を正確に同定し、正確なデジタルツインの更新を可能にした。
• 40％の剛性低下を検出すると、UAVは攻撃的飛行経路から保守的経路への動的ミッション再計画を実行し、構造的破壊を回避した。
• OCTの解釈可能性のおかげで、重要なひずみゲージ測定値が明確に特定され、最適なセンサ配置戦略の立案に寄与した。
• ノイズの多い条件下でも高い性能を示し、20個のひずみゲージでの測定でも正確なモデル選択が可能であった。
• リアルタイムデータに基づき、ライブラリ内から正しい低次元モデルを選択することで、デジタルツインは高い予測的妥当性を維持した。
• 本手法は、モデルライブラリのカバー範囲が重大な制限要因であることを明らかにした。今後の研究では、資産状態がライブラリの範囲外にある場合の検出メカニズムの導入が不可欠である。