面向学习数字孪生体：非各向异性非理想旋转系统案例研究
系统与控制
2024-08-26 v1 系统与控制
摘要
在制造业中，数字孪生体 (DT) 正 becoming 一个核心主题。它有望提高制造机器的效率，并减少错误的频率。为了实现其目的，数字孪生体必须是其对应物理对象之足够精确的复制。然而，物理对象会经历其生命周期中的退化过程。因此，数字孪生体必须相应地进行修改，以满足准确性要求。本文引入了新的概念“学习数字孪生体 (LDT)，该概念专注于物理对象的时间行为，并突出数字孪生体的持续学习能力。首先描述了 LDT 的结构。然后，提供了实现 LDT 各个组件的各种算法的深入描述。该提议的 LDT 在非各向异性非理想旋转系统的模拟退化过程中得到验证。
引用
@article{arxiv.2408.13021,
title = {Towards learning digital twin: case study on an anisotropic non-ideal rotor system},
author = {Zhibo Zhou and Michael Walther and Alexander Verl},
journal= {arXiv preprint arXiv:2408.13021},
year = {2024}
}