[论文解读] A Comprehensive Review of Digital Twin -- Part 2: Roles of Uncertainty Quantification and Optimization, a Battery Digital Twin, and Perspectives

Adam Thelen, Xiaoge Zhang+8 more|arXiv (Cornell University)|Aug 27, 2022

Digital Transformation in Industry被引用 7

一句话总结

本文全面综述了数字孪生中不确定性量化（UQ）与优化技术，重点探讨其在建模、物理到虚拟（P2V）及虚拟到物理（V2P）维度的集成。通过一个电池数字孪生案例研究，展示了基于退化建模与预测性维护的退役调度优化，实现了在不确定性条件下的可操作决策，相关开源代码与数据已发布于GitHub。

ABSTRACT

As an emerging technology in the era of Industry 4.0, digital twin is gaining unprecedented attention because of its promise to further optimize process design, quality control, health monitoring, decision and policy making, and more, by comprehensively modeling the physical world as a group of interconnected digital models. In a two-part series of papers, we examine the fundamental role of different modeling techniques, twinning enabling technologies, and uncertainty quantification and optimization methods commonly used in digital twins. This second paper presents a literature review of key enabling technologies of digital twins, with an emphasis on uncertainty quantification, optimization methods, open source datasets and tools, major findings, challenges, and future directions. Discussions focus on current methods of uncertainty quantification and optimization and how they are applied in different dimensions of a digital twin. Additionally, this paper presents a case study where a battery digital twin is constructed and tested to illustrate some of the modeling and twinning methods reviewed in this two-part review. Code and preprocessed data for generating all the results and figures presented in the case study are available on GitHub.

研究动机与目标

• 分析不确定性量化（UQ）与优化在提升数字孪生全维度架构中保真度与决策能力方面的作用。
• 识别在老化或退化系统中建模不确定性时面临的关键挑战，尤其是其运行超出设计包络线的情况。
• 通过电池数字孪生在实际应用中的集成，展示UQ与优化的协同应用，实现预测性维护与最优退役调度。
• 为研究人员与实践者提供开源工具、数据集与实现代码，以支持可复现的数字孪生开发。

提出的方法

• 综述并整合机器学习模型与动态系统模型的前沿不确定性量化技术，包括模型预测中的概率推理与置信度估计。
• 研究传感器布置、数据采集与物理系统建模的优化策略，以最大化信息价值并减少不确定性。
• 应用物理信息机器学习（PIML）框架对电池退化进行建模，融合电化学原理与数据驱动学习。
• 通过模型预测控制（MPC）与深度强化学习增强V2P维度，实现实时任务规划与维护调度。
• 通过结合物理模型与数据驱动模型的混合建模方法构建电池数字孪生，并利用真实电池循环数据进行验证。
• 在Python中实现电池案例研究的开源代码与预处理数据集，并托管于GitHub，以支持可复现性与社区使用。

实验结果

研究问题

• RQ1 如何有效将不确定性量化集成到数字孪生建模中，以提升在不确定性条件下的可靠性与决策能力？
• RQ2 在数字孪生系统中，哪些优化技术在传感器布置与数据采集方面最有效，以实现最大信息增益？
• RQ3 数字孪生如何通过预测性维护与退化建模，实现对高价值资产（如电池单体）的最优退役？
• RQ4 在运行超出认证设计寿命的系统中，量化不确定性的关键挑战是什么？
• RQ5 开源工具与数据集在实践中如何支持数字孪生模型的开发与验证？

主要发现

• 不确定性量化显著提升了模型可靠性，特别是在动态与老化系统中，通过提供预测与模型参数的置信区间。
• 传感器布置与数据采集的优化可提升模型精度并降低不确定性，从而在数字孪生应用中实现更明智的决策。
• 电池数字孪生案例研究成功识别出电池单体的最优退役时间，结合退化建模与预测性维护调度，展示了面向实际部署的可操作洞察。
• 将物理信息机器学习与概率推理相结合，可实现准确、可解释且具备泛化能力的数字孪生模型。
• 电池案例研究的开源代码与数据集已公开发布于GitHub，支持可复现性，并加速数字孪生的研究与开发。
• 研究表明，仅在稳定运行条件下，数字孪生的不确定性才会随时间减少；而对于超出设计包络线或认证寿命的系统，仍需开发新方法。