[논문 리뷰] From Physics-Based Models to Predictive Digital Twins via Interpretable Machine Learning

Michael G. Kapteyn, Karen Willcox|arXiv (Cornell University)|2020. 04. 23.

Structural Health Monitoring Techniques참고 문헌 23인용 수 13

한 줄 요약

이 논문은 실시간 센서 데이터에 반응하여 물리기반 모델을 동적으로 업데이트하는 데이터 기반 디지털 트윈 프레임워크를 제안한다. 특히 해석 가능한 기계학습—특히 최적의 분류 트리(OCTs)—를 사용한다. 감쇠된 순서 모델 라이브러리에서 시뮬레이션된 데이터를 기반으로 OCTs를 훈련시켜 무인 항공기(UAV)의 구조적 손상 상태를 추론함으로써, 희소한 센서 측정치로부터 실시간 임무 재계획 및 설명 가능한 건강 평가를 가능하게 한다.

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.

연구 동기 및 목표

• 센서 데이터를 활용하여 변화하는 물리적 자산 상태에 적응하는 확장 가능한 데이터 기반 접근법을 개발한다.
• 수동 校정의 한계를 극복하기 위해 해석 가능한 기계학습을 통해 디지털 트윈 업데이트를 자동화한다.
• 해석 가능한 모델을 사용하여 희소한 센서 측정치로부터 설명 가능한 구조적 평가를 가능하게 한다.
• 해석 가능성의 특성을 활용하여 최적의 센서 배치를 안내한다.
• 실세계 UAV 사례 연구를 통해 구조적 손상 탐지 및 임무 재계획 기능을 시연한다.

제안 방법

• UAV의 다양한 구조적 상태, 특히 손상 시나리오를 포함한 물리기반 감쇠된 순서 모델의 라이브러리를 구축한다.
• 기계적 하중 하에서 각 모델의 응력 측정치를 시뮬레이션하고, 실제 센서 데이터를 모방하기 위해 노이즈를 추가하여 훈련 데이터를 생성한다.
• 노이즈가 섞인 관측된 응력 특징을 라이브러리 내 가장 가능성 높은 물리기반 모델로 매핑하기 위해 최적의 분류 트리(OCTs)를 훈련시킨다.
• 실시간 센서 데이터를 온라인으로 분류하고 라이브러리에서 최적의 피팅 모델을 선택함으로써 디지털 트윈을 동적으로 업데이트한다.
• 업데이트된 디지털 트윈을 UAV의 의사결정 시스템에 통합하여 구조적 건강 상태에 기반한 임무 재계획을 가능하게 한다.
• OCTs의 해석 가능성 특성을 활용하여 특징 중요도를 분석하고 최적의 센서 배치 전략을 도출한다.

실험 결과

연구 질문

• RQ1 해석 가능한 기계학습을 사용하여 실시간 센서 데이터를 기반으로 디지털 트윈을 자동으로 동적으로 업데이트할 수 있는가?
• RQ2 최적의 분류 트리(OCTs)는 실시간 UAV 환경에서 희소하고 노이즈가 많은 응력 측정치로부터 구조적 손상 상태를 얼마나 잘 추론할 수 있는가?
• RQ3 기계학습 모델의 해석 가능성은 설명 가능성 향상과 센서 배치 결정 지원에 얼마나 기여하는가?
• RQ4 디지털 트윈 프레임워크는 구조적 열화에 대응하여 자율적인 임무 재계획을 가능하게 하는가?
• RQ5 모델 라이브러리의 한계는 무엇이며, 알려지지 않은 또는 새로운 손상 상태를 탐지하는 데에는 어떤 방법이 필요한가?

주요 결과

• 최적의 분류 트리(OCTs)는 노이즈가 있는 응력 측정치로부터 구조적 손상 상태(예: 40% 강성 감소)를 성공적으로 추론하여 정확한 디지털 트윈 업데이트를 가능하게 하였다.
• 40% 강성 감소를 감지함에 따라 UAV는 공격적인 비행 경로에서 보수적인 비행 경로로 동적으로 재계획하여 구조적 고장 위험을 피할 수 있었다.
• OCTs의 해석 가능성 덕분에 핵심 응력 게이지 측정치를 명확히 식별하고 최적의 센서 배치 전략을 안내할 수 있었다.
• 노이즈가 있는 조건에서도 뛰어난 성능을 보였으며, 단지 20개의 응력 게이지만 사용하더라도 정확한 모델 선택이 가능했다.
• 실시간 데이터 기반으로 라이브러리에서 정확한 감쇠된 순서 모델을 선택함으로써 디지털 트윈은 높은 예측 정밀도를 유지하였다.
• 이 방법은 모델 라이브러리의 커버리지가 핵심적인 제약 요소임을 드러내었으며, 향후 연구에서는 자산 상태가 라이브러리 범위를 초월할 경우를 탐지할 수 있는 메커니즘을 포함해야 한다.