数字孪生赋能的多代控制协同设计:基于深度强化学习
机器学习
2025-10-14 v1
摘要
控制协同设计(CCD)将物理系统设计与控制系统设计相融合,以提升动态自治系统的性能。尽管不确定性感知型 CCD 方法已取得进展,现实世界中的不确定性仍然高度不可预测。多代设计通过考虑产品的完整生命周期来应对这一挑战:每一代所采集的数据为下一代的设计提供信息,从而使鲁棒性与效率得以渐进式提升。数字孪生(DT)技术通过创建随生命周期演化的虚拟表征(借助实时感知、模型更新与自适应再优化)进一步强化了这一范式。本文提出一种由数字孪生赋能的 CCD 框架,集成深度强化学习(DRL)以联合优化物理设计与控制器。DRL 通过使控制器能够持续从数据中学习并适应不确定环境,加速了实时决策。在此基础上,该框架采用多代范式:每一次部署、运行与再设计的循环都利用所采集的数据来精化 DT 模型、通过分位数回归改进不确定性量化,并为下一代物理部件与控制器的设计提供信息。该框架在主动悬架系统上得到验证,其中由数字孪生赋能的从路况与驾驶行为中学习的过程产生了更平滑、更稳定的控制轨迹。结果表明,该方法显著提升了动态性能、鲁棒性与效率。本文的贡献包括:(1)将 CCD 拓展为面向生命周期的多代框架;(2)利用数字孪生实现持续模型更新与有信息支撑的设计;(3)采用 DRL 加速自适应实时决策。
引用
@article{arxiv.2510.10694,
title = {Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning},
author = {Ying-Kuan Tsai and Vispi Karkaria and Yi-Ping Chen and Wei Chen},
journal= {arXiv preprint arXiv:2510.10694},
year = {2025}
}
备注
to be published in Journal of Mechanical Design