利用机器学习进行鲁棒预测性维护的数字孪生框架：增强轮胎健康监测

我们提出了一种用于长期物理系统预测性维护的新型数字孪生框架。以轮胎健康监测为应用，我们展示了数字孪生框架如何用于提升汽车安全性和效率，以及如何通过三步方法克服技术挑战。首先，为管理长时间运行跨度中的数据复杂性，我们采用数据缩减技术，利用历史性能和使用数据简洁地表示物理轮胎。基于这些数据，为实现快速实时预测，我们在简洁数据集上离线训练了一个基于Transformer的模型，以预测未来的轮胎健康状态，表示为剩余胎体潜力（RCP）。基于我们的架构，模型同时量化了认知不确定性和偶然不确定性，为预测的RCP提供可靠的置信区间。其次，为纳入实时数据，我们在数字孪生框架中更新预测模型，借助混合建模和差异函数确保其在整个生命周期内的准确性。第三，为辅助预测性维护中的决策，我们实现了轮胎状态决策算法，该算法基于Transformer模型预测的RCP战略性地确定轮胎更换的最佳时机。该方法确保我们的数字孪生准确预测系统健康，持续完善其数字表示，并支持预测性维护决策。我们的框架有效地体现了物理系统，利用大数据和机器学习实现预测性维护、模型更新和决策。