面向不确定性下非线性动态结构虚拟感测的物理引导可学习图 Kalman 滤波器
机器学习
2026-04-30 v1 应用物理
摘要
数字孪生体为工程系统的诊断与预测任务提供了强大的范式；然而，其在复杂结构中的部署面临模型形式不确定性——源于未知非线性动力学，以及稀疏传感——这两者限制了基于纯物理或纯数据驱动方法实现可靠在线状态估计的能力。本文引入 Physics-Guided Graph Neural ODE(PiGGO)框架，一种受物理约束的基于图的贝叶斯状态估计方法，其中学习图神经常微分方程(GNODE)作为连续时间状态转换模型嵌入扩展卡尔曼滤波器。图表示显式定义系统状态空间，while physics-guided inductive biases 编码已知的结构关系并约束非线性动力学的学习。通过将图本体学习动力学与递归贝叶斯滤�相结合，所提出的 PiGGO 框架实现了针对模型形式未知的非线性系统的在线虚拟感测与不确定性感知状态估计，同时保持对相似拓扑结构的泛化能力。数值案例表明，PiGGO 在应对模型不确定性和测量噪声方面表现出更好的鲁棒性，在在线预测任务中优于开环图神经模型和传统滤波方法。
引用
@article{arxiv.2604.26593,
title = {PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty},
author = {Marcus Haywood-Alexander and Gregory Duthé and Eleni Chatzi},
journal= {arXiv preprint arXiv:2604.26593},
year = {2026}
}