[论文解读] 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 13

一句话总结

本文提出了一种数据驱动的数字孪生框架，利用可解释的机器学习方法——特别是最优分类树（OCTs）——根据实时传感器数据动态更新基于物理的模型。通过在一组降阶模型库的仿真数据上训练OCTs，系统能够推断无人飞行器（UAV）的结构损伤状态，从而实现基于稀疏传感器测量的实时任务重规划与可解释的健康评估。

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.

研究动机与目标

• 开发一种可扩展的数据驱动方法，用于创建能够根据传感器数据适应物理资产状态演变的预测性数字孪生。
• 通过可解释的机器学习自动化数字孪生更新，克服人工校准的局限性。
• 利用可解释模型，从稀疏传感器测量中实现可解释的结构评估。
• 利用机器学习分类器的可解释性，指导最优传感器布局。
• 在真实世界的无人机案例研究中，通过结构损伤检测与任务重规划，验证该框架的有效性。

提出的方法

• 构建一组基于物理的降阶模型库，代表无人机的各种结构状态，包括损伤情景。
• 通过在气动载荷下对每个模型进行应变测量仿真，生成训练数据，并添加噪声以模拟真实传感器数据。
• 训练最优分类树（OCTs），将带有噪声的观测应变特征映射到库中最可能的基于物理的模型。
• 在线使用OCTs对实时传感器数据进行分类，从模型库中选择最匹配的模型，实现数字孪生的动态更新。
• 将更新后的数字孪生集成到无人机的决策系统中，实现基于结构健康状况的任务重规划。
• 利用OCTs的可解释性分析特征重要性，指导最优传感器布局。

实验结果

研究问题

• RQ1 可解释的机器学习能否用于自动且动态地基于实时传感器数据更新基于物理的数字孪生？
• RQ2 在真实无人机场景中，最优分类树在稀疏、噪声应变测量下，对结构损伤状态的推断能力如何？
• RQ3 机器学习模型的可解释性在多大程度上增强了可解释性，并支持传感器布局决策？
• RQ4 该数字孪生框架能否实现对结构退化情况的自主任务重规划？
• RQ5 模型库在捕捉未知或新型损伤状态方面存在哪些局限性？如何检测这些情况？

主要发现

• 最优分类树成功地从带有噪声的应变测量中推断出结构损伤状态（例如，刚度降低40%），实现了准确的数字孪生更新。
• 该框架使无人机在检测到40%刚度降低后，能够动态地将飞行路径从激进模式切换为保守模式，避免结构失效。
• OCTs的可解释性使得关键应变计测量的识别变得清晰，并指导了最优传感器布局策略。
• 该方法在噪声条件下表现出稳健性能，即使仅使用20个应变计，也能实现准确的模型选择。
• 通过根据实时数据从库中选择正确的降阶模型，数字孪生保持了高预测保真度。
• 该方法揭示了模型库覆盖范围是关键局限，未来工作应包含检测资产状态超出库范围的机制。