基于概率机器学习的动力系统预测性与可解释性数字孪生
机器学习
2022-12-20 v1 机器学习
摘要
本文提出了一种基于物理函数库创建和更新动力系统数字孪生的框架。使用稀疏贝叶斯机器学习来更新并推导数字孪生的可解释表达式。提出了两种更新数字孪生的方法。第一种方法同时利用动力系统的输入和输出信息，而第二种方法仅利用输出观测来更新数字孪生。两种方法均使用代表特定物理的候选函数库来推断现有数字孪生模型中的新扰动项。在两种情况下，更新后的数字孪生所得表达式相同，并且对认知不确定性进行了量化。在第一种方法中，回归问题由状态空间模型导出；而在第二种方法中，仅输出信息被视为随机过程。利用 Itô 微积分和 Kramers-Moyal 展开的概念来推导回归方程。通过裂纹退化等高度非线性的动力系统验证了所提方法的性能。本文展示的数值结果几乎精确地识别出了动力系统中正确的扰动项及其相关参数。所提方法的概率特性也有助于量化与更新模型相关的不确定性。所提方法对数字孪生模型中的扰动提供了精确且可解释的描述，可直接用于更好的信息物理集成、长期未来预测、退化监测和模型无关控制。
引用
@article{arxiv.2212.09240,
title = {Probabilistic machine learning based predictive and interpretable digital twin for dynamical systems},
author = {Tapas Tripura and Aarya Sheetal Desai and Sondipon Adhikari and Souvik Chakraborty},
journal= {arXiv preprint arXiv:2212.09240},
year = {2022}
}