通过上下文感知、物理导向的深度学习桥接数字孪生现实差距

数字孪生 (DTs) 能够提供强大的预测分析能力，但仿真与真实系统之间的持续性差异——即称为现实差距——削弱了其可靠性。该术语最初源自机器人学领域，如今已适用于数字孪生领域，其中差异源于上下文不匹配、跨域相互作用和多尺度动力学。其中，上下文不匹配尤为紧迫且鲜有探讨，因为数字孪生的准确性取决于捕捉运营上下文，而这些上下文往往只能部分被观察到。然而，数字孪生具有关键优势：仿真器可以系统性地变更情境因素，探索难以或不可能通过经验观察到的情景，从而为推断和模型对齐提供信息。虽然仿真到现实迁移（如领域适应）在机器人领域显示出前景，但其应用于数字孪生面临两个关键挑战。首先，与一次性策略迁移不同，数字孪生需要在资产生命周期内持续校准——这要求结构化的信息流、及时检测失步状态以及整合历史数据和新数据。其次，数字孪生通常执行逆向建模，即从可能反映多个演化上下文的观测结果中推断潜在状态或故障。这类需求超出纯数据驱动模型的承受范围，风险违反物理一致性。虽然某些方法通过降阶模型保留有效性，但大多数领域适应技术仍缺乏此类约束。为此，我们提出了用于数字孪生的现实差距分析 (RGA) 模块，该模块持续整合新的传感器数据、检测不匹配情况，并通过查询-响应框架对数字孪生进行校准。我们的做法将对抗性深度学习与降阶仿真器指导相结合，以提高上下文推断并保持物理一致性。我们在位于匹兹堡帕尔顿大桥的结构健康监测案例研究中展示了 RGA 模块，显示其实现更快的校准和更好的现实世界对齐。