因果数字孪生的随机公式化：卡尔曼滤波算法
机器学习
2021-05-12 v1 系统与控制
系统与控制
摘要
我们提供了不同类型数字孪生的一些基本且合理的定义，以及关于何时和如何使用它们的建议。继我们最近发表的《学习因果数字孪生》之后，本文报道了该问题的随机公式化与求解。用于因果估计的结构向量自回归模型（SVAR）被重新表述为状态空间模型。然后采用卡尔曼滤波器（及平滑器）来估计连通机器轴承系统中的因果因素。先前的神经网络算法与卡尔曼平滑器产生了非常相似的结果；然而，卡尔曼滤波器/平滑器对于来自工业物联网源的噪声数据可能表现出更好的性能。
引用
@article{arxiv.2105.05236,
title = {Stochastic Formulation of Causal Digital Twin: Kalman Filter Algorithm},
author = {PG Madhavan},
journal= {arXiv preprint arXiv:2105.05236},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2104.05828