渐进与突变系统变化下的在线贝叶斯校准

贝叶斯模型校准是数字孪生与计算机实验的核心，它通过估计校准参数并校正系统性模型偏差，使模型输出与现场观测保持一致。经典贝叶斯校准引入了潜在参数与偏差函数来建模偏差，但受困于参数-偏差混淆，且通常被构建为平稳数据生成假设下的离线过程。这些限制在现代数字孪生应用中具有局限性，因为系统随时间演化，并可能表现出渐进漂移与突变体制转换。虽然数据同化方法能够实现序贯更新，但它们通常不显式建模系统性偏差，且在突变情况下效果较差。我们提出了贝叶斯递归投影校准（BRPC），这是一种针对仿真器不匹配与非平稳性下流数据的在线贝叶斯校准框架。BRPC 将投影校准扩展至在线场景，将用于校准参数的无偏差粒子更新与用于偏差的条件高斯过程更新分离开来，在保持可辨识性的同时，实现了渐进系统演化下的偏差感知自适应。为应对突变，BRPC 集成了能够检测体制转换并重置校准过程的重启机制。我们为这两个组件建立了理论保证，包括渐进演化下的跟踪性能以及重启机制的虚警与检测行为。在合成与工厂仿真基准上的实证研究表明，BRPC 在渐进变化下提高了校准准确性，而与滑动窗口贝叶斯校准及数据同化基线相比，增强重启的 BRPC 在突变体制转换下进一步提升了鲁棒性与预测性能。