基于自适应物理信息神经网络的数字孪生模型,结合了集成卡尔曼滤波器(Ensemble Kalman Filter)

《Computers & Chemical Engineering》:Adaptive physics-informed neural network-based digital twins integrated with Ensemble Kalman Filter

【字体: 大 中 小 】 时间:2026年03月09日 来源:Computers & Chemical Engineering 3.9

编辑推荐:

  德瓦夫拉特·托萨尔 | 阿比吉特·巴克特 | 齐奎·李 | 拉贾戈帕兰·斯里尼瓦桑 | 维纳伊·普拉萨德 阿尔伯塔大学化学与材料工程系,9211 116街 NW,埃德蒙顿,T6G 1H9,阿尔伯塔省,加拿大 **摘要** 随着工业4.0的到来,基于机器学习的预测模型

  德瓦夫拉特·托萨尔 | 阿比吉特·巴克特 | 齐奎·李 | 拉贾戈帕兰·斯里尼瓦桑 | 维纳伊·普拉萨德
阿尔伯塔大学化学与材料工程系,9211 116街 NW,埃德蒙顿,T6G 1H9,阿尔伯塔省,加拿大

**摘要**
随着工业4.0的到来,基于机器学习的预测模型在在线应用中的使用日益增加,这加速了它们作为“数字孪生”技术的普及。然而,大多数现有模型假设过程参数是恒定的,并且缺乏实时更新机制。实际上,过程参数会因各种因素而变化,基于物理的模型中的参数也可能不准确。这就突显了需要一种能够适应这些变化的参数敏感型数字孪生技术。在这项工作中,我们提出了一种基于物理信息神经网络(PINN)的新型、鲁棒的、自适应的数字孪生技术,该技术能够实时调整以维持预测模型的性能。模型更新是通过使用集合卡尔曼滤波器(EnKF)在深度神经网络上进行的。我们在聚甲基丙烯酸甲酯(PMMA)的实际聚合过程中实施了这种自适应数字孪生技术,考虑了涉及过程参数变化、模型与实际装置不匹配以及不同测量情况的各种场景。与不进行参数更新的数字孪生技术相比,结果显示准确率提高了10到20倍。与基于物理的模型预测器相比,自适应PINN的计算时间也减少了大约96%,使其非常适合在线应用。这表明基于物理的模型仅在离线训练PINN时是必要的,在在线实施过程中可以完全丢弃。这种方法提供了一种可模块化、可扩展、通用性强且能够在变化的环境条件下保持模型性能的递归混合建模框架。

**1. 引言**
数字孪生技术由于其在解决各种过程系统工程问题方面的灵活性和效率而越来越受到过程工业的关注(Peterson等人,2025年;Singh等人,2022年)。该术语最初是在航空航天领域提出的,指的是一种能够复制真实世界过程或系统行为的虚拟模型(Kritzinger等人,2018年)。数字孪生的一个关键特性是其预测能力,可以通过基于物理的建模或数据驱动的方法来实现(Pal等人,2025年)。传统上,基于物理的模型被用于预测,这些模型建立在机械原理和对底层物理过程的深刻理解之上(Dedhia和Palaparthi,2021年)。这些模型通常由基于传输现象和其他基本物理定律的微分-代数方程(DAEs)系统构成。相比之下,数据驱动模型作为一种强大的替代方案出现,这得益于机器学习的最新进展以及过程数据的日益丰富(Ismail等人,2024年;Nele等人,2024年;Daoutidis等人,2024年)。这些模型通常是黑箱性质的,缺乏物理可解释性,依赖于输入变量和输出变量之间的相关性来进行预测。

深度学习模型,特别是人工神经网络(ANNs)作为预测工具的效用已经得到了充分证明,因为它们能够高精度地捕捉复杂的非线性关系。尽管ANNs可以准确再现过程行为,但它们也存在明显的局限性(Bradley等人,2022年)。具体来说,它们往往难以解释,并且在应用于训练数据范围之外的场景时缺乏鲁棒性。为了缓解这些问题,提出了混合建模方法,将数据驱动的ANNs的灵活性与基于物理的模型的鲁棒性和可解释性结合起来(Sansana等人,2021年;Sharma和Liu,2022年;Schweidtmann等人,2024年)。特别是物理信息神经网络(PINNs)通过将其与第一性原理方程结合来训练机器学习模型(Raissi等人,2019年),从而生成能够在化学系统多个尺度上泛化的鲁棒预测模型(Srinivasan等人,2025年)。

混合模型在过程系统工程中的潜力日益明显,尤其是在机械描述不完整或数据稀疏的领域。例如,在生物加工领域,目前正在积极探索混合建模策略(Sokolov等人,2021年),并且在Riezzo等人(2025年)的研究中强调了它们作为数字孪生的用途,尤其是在机械理解有限的复杂生物过程中。通过结合机械和数据驱动的组件,混合模型提供了更高的灵活性和适应性,使其成为广泛工业应用的理想数字孪生技术。PINNs作为一种有前景的混合模型类别,在过程工业中开始受到重视。通过将物理原理直接嵌入机器学习目标函数中,PINNs结合了预测能力和物理一致性。它们的泛化能力和在数据有限和过程知识不完整的情况下仍能可靠运行的能力(Gallup等人,2023年;Thosar等人,2025a)使它们特别适合实时部署。

传统上,第一性原理模型被用作数字孪生中的预测器。然而,它们的效用经常受到模型与实际装置不匹配、计算成本高以及难以捕捉未建模动态的限制(Schweidtmann等人,2021年;Rebello和Nogueira,2025年)。PINNs通过将控制方程纳入神经网络训练中,提供了一种互补的方案,从而在保持机械可解释性的同时提供了机器学习的适应性和可扩展性。与需要数值积分复杂微分方程的机械数字孪生不同,PINNs使用离线残差最小化来近似系统动态(Raissi等人,2019年)。这种方法避免了实时求解器的沉重计算负担,使其特别适合在线部署,因为在线预测既需要准确又要计算高效。此外,即使标记数据有限,PINNs也具有很好的泛化能力,因为基于物理的残差提供了隐式的正则化。纯机械模型通常需要大量的参数校准,这可能既耗时又难以维护。此外,黑箱模型依赖于大量高质量的数据库,当数据稀疏时其实用性有限。因此,PINNs在数字孪生中处于独特的位置,平衡了物理真实性、计算效率和数据效率。最近的研究将PINNs视为下一代数字孪生的有前途候选者(Yang等人,2024年),强调了它们超越传统第一性原理方法的潜力。

文献中开发的大多数PINNs假设环境和操作条件是稳定不变的。然而,为了使混合模型完全作为数字孪生技术得到集成,它们必须能够灵活适应动态条件,以确保高效和有效的过程操作。这导致了对能够根据系统参数的变化进行更新的自适应数字孪生的需求日益增加(Shah等人,2025年)。开发自适应数字孪生的主要目的是捕捉系统行为随时间的变化,以保持模型的准确性和可靠性。最近的研究探索了通过重新训练或逐步更新模型参数(如权重和偏置)来适应不断变化的过程条件(Kumar等人,2024年;Hammond等人,2025年)。这种策略通常被称为在线学习(Egg,2021年),使模型能够在动态环境中保持相关性。然而,这样的模型仍然本质上是黑箱的,并继承了通用性和外推能力差的局限性。为了保持模型的通用性和可解释性,即使在重新训练期间也必须采用混合方法。在这方面,Thosar等人(2024年)提出了一种框架,一旦检测到参数变化,就会对物理信息模型进行在线重新训练。虽然这种方法提高了泛化能力,但它存在计算效率低且随着变量数量的增加而扩展性差的问题,使得实时部署变得具有挑战性。总体而言,文献中缺乏一个计算效率高、能够在线适应变化的PINN框架。

实时状态和参数估计算法为适应变化的环境条件提供了补充策略。这些方法通常依赖于基于物理的模型作为预测器,通过卡尔曼滤波(Kalman,1960年)、移动视界估计(MHE)(Rao等人,2001年;Rao等人,2003年)或粒子滤波器(Arulampalam等人,2002年)等优化策略来更新时变参数,然后使用更新后的模型来增强数字孪生的预测能力。尽管这些方法被广泛采用,但对于复杂的非线性过程来说,由于它们依赖于详细的第一性原理模型,计算要求很高。其中,卡尔曼滤波器及其非线性变体(Khodarahmi和Maihami,2023年)已经得到广泛应用,尽管它们需要显式的模型方程进行估计。相比之下,MHE构建了一个实时优化问题,在高维设置中带来了可扩展性的挑战。为了减轻计算成本,提出了数据驱动的变体,如无迹卡尔曼滤波器(UKF)(Julier和Uhlmann,2004年)和集合卡尔曼滤波器(EnKF)(Burgers等人,1998年),这些方法避免了完整雅可比矩阵的计算。任何此类估计算法的有效性都取决于底层模型对参数变化的敏感性。混合模型非常适合解决这一问题。例如,Bavdekar和Patwardhan(Bavdekar和Patwardhan,2012年)展示了一种灰盒贝叶斯状态估计器,它结合了基于物理的和数据驱动的模型,尽管这仍然涉及实时解决受限优化问题。在这方面,PINNs为状态估计算法提供了自然的补充,因为它们的架构可以嵌入基于物理的约束,同时保持数据驱动的灵活性,使模型对参数变化敏感,并提高数字孪生的适应性和可扩展性。

将PINNs与状态和参数估计算法结合起来为数字孪生的实时维护提供了有希望的方向。例如,卡尔曼滤波器等估计器提供了递归校正和不确定性处理,而PINNs作为对参数变化敏感的紧凑型、基于物理的预测器。它们的结合利用了估计和基于物理的机器学习的互补优势,使得模型既具有适应性又计算高效。一些最近的研究探索了这种集成。例如,Arnold和King(2021年)在状态估计器中使用了PINN作为预测模型,将其用作扩展卡尔曼滤波器和Burger方程的模型预测控制框架中的状态空间模型。然而,这种方法不能用于模型维护,因为他们的PINN对参数变化不敏感。Shi等人(2025年)将PINN与卡尔曼滤波器结合用于检测换热器网络中的故障位置,但他们开发的稳态PINNs无法捕捉过程动态。Lu等人(2025年)提出了一种基于PINN的迭代EnKF,使用遗传算法来优化集合以提高鲁棒性。这些研究突显了结合这两种方法的兴趣日益增长。然而,这些提出的方法中没有一种能够跟踪参数变化,也没有一种明确展示了它们在动态工业环境中的使用。因此,系统地开发这样的集成框架仍然是文献中的一个开放挑战。

本研究提出了一种基于PINN的数字孪生框架,提供了一种准确、自适应且计算高效的预测模型,适用于实时部署。该框架从开发一种新型自适应PINN开始,该PINN采用专门设计的神经网络架构来捕捉过程动态,同时保持对过程参数变化的敏感性。该架构借鉴了神经状态空间模型(Suykens等人,1995年)和PI-NARX模型(Thosar等人,2025a)的灵感,能够在不需要直接测量所有状态变量的情况下准确预测状态转换。将参数作为输入是一种更完整的方法,可以将物理信息纳入神经网络,并且与在状态估计框架中将这些参数作为增强状态包含的方式一致。为了实现实时适应性,PINN与集合卡尔曼滤波器(EnKF)结合使用,后者用于同化装置测量数据,以更新状态估计和过程参数。EnKF特别适用于复杂化学过程,因为它可以很好地扩展到高维系统和非线性动态,而不需要显式依赖基于物理的模型。其基于集合的采样自然地结合了过程和测量不确定性,从而在依赖详细第一性原理模型计算成本过高时实现稳健的实时估计。这使得它特别适合与参数敏感的神经网络框架集成,允许模型动态适应变化的过程条件,同时保持预测准确性。在在线实现中,PNN作为EnKF中的预测器,消除了对机械方程的持续依赖。虽然在离线训练期间使用了基于物理的方程,但在部署期间可以省略它们,从而实现计算效率高且灵活的实现。此外,这种方法放宽了对完美精确的机械模型的要求,因为来自工厂数据的反馈通过参数更新实现了校正和适应。总体而言,所提出的框架结合了混合建模的可解释性和泛化能力以及数字孪生在动态工业环境中所需的适应性。其有效性在一个代表性案例研究中得到了证明:即在连续搅拌罐反应器(CSTR)中聚合甲基丙烯酸甲酯(MMA)为聚甲基丙烯酸甲酯(PMMA)。本文的其余部分组织如下:第2节详细介绍了所提出的框架,包括PNN的构建、EnKF的实现及其集成。第3节概述了应用于PMMA反应器的PNN的离线训练程序,并介绍了本研究中考虑的不同测量场景。第4节讨论了在测量噪声和各种参数扰动下所提出框架的性能,同时考虑了完全和部分状态测量的情况。第5节讨论了所提出方法的潜在适用性,并对其在现实世界化学工程应用中的影响进行了展望。最后,第6节总结了研究的主要发现并概述了未来的研究方向。

提出的在线框架包括基于PNN的数字孪生与EnKF估计器的集成。数字孪生是作为一种PNN实现的,该PNN仅使用来自控制微分方程的基于物理的残差损失进行离线训练。这突出了该框架的一个主要优势,即它不需要任何标记的输入-输出数据。为了评估性能,考虑了两种类型的数字孪生:常规PNN和自适应PNN。常规PNN采用了受PI-NARX(Thosar等人,2025a)启发的网络架构,而自适应PNN则将过程参数作为其输入,从而能够对参数变化敏感并更准确地再现真实过程动态。在在线部署期间,如果过程参数偏离其名义值,模型精度可能会下降。为了保持预测性能,自适应PNN与数据驱动的EnKF相结合,后者实时同化工厂测量数据。EnKF提供了状态变量和参数的过滤估计值,然后这些估计值被反馈到PNN中。更新后的PNN随后预测当前状态向量,从而完成适应循环。整个框架在图1中以示意图形式展示。

相比之下,常规PNN无法利用工厂反馈进行参数估计,因为它对过程参数不敏感。在我们的先前工作中(Thosar等人,2025b),提出了一个用于监控和实施在线学习的框架,该算法系统地识别何时需要更新,并使用逆PNN进行重新训练。然而,这种方法涉及大量的超参数,可能限制了其在复杂过程中的实际适用性。在当前工作中,常规PNN在不进行参数适应的情况下离线训练,并将其预测性能与自适应PNN框架进行比较,以突出纳入参数敏感性的好处。

我们考虑了一个由常微分方程(ODEs)系统表示的真实过程,如方程(1)、(2)所示:(1)x?=f(xt,ut,θt)+wt (2)yt=g(xt,ut,θt)+vt 这里,t是当前时间实例,x∈Rn和y∈Rm分别是状态向量和测量向量,u∈Rd是包含受控输入和其他相关过程输入(测量和未测量的)的向量,θ∈Rb是包含过程参数的向量。w和v分别是过程噪声和测量噪声,具有已知的分布。f和g分别代表真实过程和测量模型的非线性函数。在以下小节中,首先描述了基于PNN的数字孪生的开发方法,然后介绍了EnKF估计器。

2.1 基于PNN的数字孪生
数字孪生是使用具有非线性状态空间架构的PNN开发的。自适应PNN的数学表示为 (3)x?t=fPI(x?t?1,ut?1,θ?t?1),其中fPI是将先前时间实例的自回归状态、受控输入和参数映射到当前时间实例的状态的非线性映射。符号x?表示这些量是估计值而不是真实值。神经网络结构可以解释为PI-NARX(Thosar等人,2025a),它是传统NARX模型的混合变体。该架构在图2中示意性地展示。它由l个隐藏层组成,第i层中有ni个神经元。如方程(3)所示,PNN架构以先前时间实例的状态、受控变量和过程参数作为输入,以当前时间实例的状态变量作为输出。这种结构允许使用第一性原理方程进行训练,因为神经网络可以访问状态而不仅仅是测量值。重要的是,将过程参数作为输入还包括使用实时状态估计器进行更新。假设受控输入和过程参数在采样间隔内是分段常数。

在传统的PNN公式中,模型训练利用了标记数据和从控制物理构建的残差,其中残差项可以在不需要直接测量的情况下进行评估。然而,在许多实际过程系统中,定义数据损失项所需的全状态测量数据不可用、不可靠或获取成本过高。受此限制的启发,当前工作仅通过基于物理的残差来训练PNN。当有高质量标记的状态测量数据可用时,可以结合额外的数据损失项来进一步指导训练。然而,在当前框架中,测量信息是通过EnKF在线纳入的,EnKF在操作过程中纠正状态和参数估计值。因此,仅基于残差的训练公式是一种实用的初始化策略,补充了后续的数据同化阶段。训练过程通过最小化使用描述系统动态的微分方程f生成的残差来进行。为了生成残差,在fPI的输入空间Rn+d+b中随机采样nr个数据点。这些样本包括来自可接受操作域的状态、输入和参数值,采用这里采用的一步向前PI-NARX公式,采样的状态值隐式地定义了相应一步预测的初始条件。因此,不需要显式强制执行稳态一致性,因为通过每个采样转换的物理信息残差在本地强加了动态一致性。每个配置点通过前馈网络传播,产生预测的状态向量x?。然后在这些预测处评估微分方程的残差,并用于更新网络参数。因此,训练目标函数可以计算为 (4)Lr=1/nr∑i=1/nr∑j=1n(x??i,j?fj(x?i,ui,θ?i)),其中x?i是对应于先前时间实例xt?1的状态变量i的采样输入子集。类似地,θ?i是对应于θt?1的采样过程参数。术语x??i,j表示数据点i的状态j的时间导数,它使用有限差分方法计算:(5)x??i,j=x?i,j?x?i,jΔt,其中x?i=fPI(x?i,ui,θ?i),Δt是采样时间。方程(5)中的差分项将预测状态与输入中的相应先前状态值联系起来,通过强制执行状态导数的有限差分近似来约束神经网络遵循系统动态。这种一阶近似适用于当前的概念验证研究,而在未来研究中可以考虑更准确的高阶导数近似,用于具有更快或更复杂动态的系统。通过在配置点生成期间采样θ?并将这些样本嵌入残差计算中,引入了参数敏感性。因此,自适应PNN内部化了θ对系统动态的影响。通过优化Lr来驱动神经网络再现由控制微分方程f描述的过程行为。使用适当的无约束基于梯度的优化算法来最小化Lr,并获得神经网络的最佳权重和偏置。由此产生的自适应PNN作为数字孪生,其输出近似于过程的真实状态变量。在在线实现期间,神经网络的权重和偏置是固定的,适应仅通过调整EnKF估计器获得的参数估计值对应的输入来进行。

为了评估自适应方案的实用性,还考虑了一个常规PNN模型作为参考。该模型与自适应PNN具有相同的架构,不同之处在于省略了参数输入,如图2所示。这两个模型都以相同的方式离线训练。然而,在在线实现过程中出现了关键差异。由于过程参数不能直接作为输入包括进来,常规PNN缺乏在参数变化时进行适应的能力。这种设置使得可以系统地比较自适应PNN和常规PNN在计算和预测性能方面的差异。以下小节描述了在自适应PNN中使用的EnKF估计器。

2.2 集合卡尔曼滤波器
为了更新提供给自适应PNN的状态和参数,采用了EnKF。EnKF属于基于粒子的滤波器类,并使用蒙特卡洛采样初始状态估计和噪声序列来估计创新的协方差(Prakash等人,2010)。从概念上讲,它是一种在线的、递归的近似贝叶斯估计器,属于卡尔曼滤波器家族,并且与其他此类滤波器相比具有良好的维度扩展性(Evensen,2003)。由于状态和参数是同时估计的,我们使用扩展的状态向量xa=xθT。EnKF包括两个步骤:1. 预测步骤和2. 更新步骤。在预测步骤中,从它们已知的相应分布中生成N个过程和测量噪声的随机样本。还使用估计误差协方差矩阵Pt?1|t?1生成N个随机样本x?a,t?1|t?1。这些样本用于使用方程(3)模拟过程以生成一组预测{x?a,t|t?1(i):i=1,2...,N}。对于每个样本,状态转移方程为 (6)x?t|t?1(i)=fPI(x?t?1|t?1(i)+wt?1(i),ut?1,θ?t?1|t?1(i))。索引“t|t?1”表示给定时间实例t之前的信息下的条件分布。如前所述,假设过程参数在采样间隔Δt内是分段常数。因此,参数θ?t|t?1(i)的转移可以表示为 (7)θ?t|t?1(i)=θ?t?1|t?1(i)。在预测步骤中,扩展的状态可以计算为 (8)x?a,t|t?1=1/N∑i=1Nx?t|t?1(i)θ?t|t?1(i)。预测的协方差为 (9)Pt|t?1=E[(x?a,t|t?1(i)?x?a,t|t?1)(x?a,t|t?1(i)?x?a,t|t)T]。在更新步骤中,使用来自工厂的反馈测量yt对预测进行过滤。样本i的过滤后的扩展状态向量为 (10)x?a,t|t(i)=x?a,t|t?1(i)+Kt(yt+vt(i)?Cax?a,t|t?1(i)),其中Kt是计算为 (11)Kt=Pt|t?1CaT(CaPt|t?1CaT+R)?1 的卡尔曼增益。(12)Ca=C0,这里的C是定义为 (13)yt=Cxt 的测量矩阵。最后,计算过滤后的扩展状态和更新后的协方差为 (14)x?a,t|t=1/N∑i=1Nx?a,t|t(i) (15)Pt|t=E[(x?a,t|t(i)?x?a,t|t)(x?a,t|t(i)?x?a,t|t)T]。扩展状态x?a,0|0和协方差P0|0的初始估计是超参数,需要根据关于过程的最佳可用知识来选择。对于具有高斯白噪声的线性模型,已经证明当N→∞时,P矩阵趋向于卡尔曼滤波器获得的协方差,后者是线性系统的最小方差无偏估计器(Katzfuss等人,2016);因此,较高的N值是可取的。样本数量的选择取决于所需的计算效率和预测准确性的权衡。

为了基准测试所提出的自适应PNN的计算效率,还使用传统的基于物理的方程(方程(6)–(7)中的状态预测器来实现EnKF。在这种配置中,状态转移方程修改为 (16)x?t|t?1(i)=f(x?t?1|t?1(i)+wt?1(i),ut?1,θ?t?1|t?1(i))。每次调用f都涉及每个集合成员在每个时间步骤的数值积分,这可能计算量很大。相比之下,所提出的自适应框架用PNN评估替换了这些昂贵的积分,从而在保持估计准确性的同时显著减少了运行时间。所提出的自适应PNN框架在一个聚甲基丙烯酸甲酯(PMMA)聚合过程中得到了展示。训练和在线实现在接下来的章节中描述。系统描述:本文通过一个涉及MMA聚合的案例研究来展示所提出框架的实用性。聚合过程遵循附录A中详细说明的一系列反应。该过程在CSTR中进行,反应器模型由方程(A.1)–(A.6)描述,用于表示真实的PMMA工厂。该过程包含六个状态变量。x是包含过程状态的向量,即x=CiCmTTcD0D1T。进料流量F和冷却剂流量Fc是可操控变量,这导致u=FFcT。浓度Ci和Cm的单位是mol/L,温度T和Tc的单位是K,流量F和Fc的单位是m3/h。本研究中使用的过程参数见表1。

假设参数k0i随时间变化,模拟引发剂效率的下降,可能导致数字孪生的性能下降。这导致θ=k0i。扩展状态向量xa为xa=xθT。因此,n=6,d=2且b=1。为了保持没有凝胶效应的假设,PMMA反应器需要以较低的转化率运行(Shenoy等人,2010年;Kottakki等人,2014年)。考虑到这一点,稳态流量F和Fc分别选择为1.25 m3/h和0.1588 m3/h。所有测量的采样时间Δt假设为1小时。选择1小时的采样时间是为了与文献中研究的CSTR中PMMA聚合动力学的特征时间尺度相匹配(Silva-Beard和Flores-Tlacuahuac,1999年)。尽管对于特定系统来说采样时间可能较长,但所提出的框架是通用的,如果需要捕捉更快的动态,可以使用更小的采样间隔。使用Python中的“solve-ivp”包中的RK45方法对真实工厂进行仿真。此外,系统中的过程噪声假设为均值为0的高斯白噪声,协方差矩阵Q=diag(4×10^-10 0.0225 0.2250.2254×10^-10 0.0225)。在这些操作条件下模拟过程得到的稳态结果为xss=0.0203 kg/mol, F=1.2583 kg/mol, T=29.2022 K, Tc=345.8911 K。表1给出了过程参数。

我们在这项研究中检查了两种测量情景。第一种是全状态测量,其中每个状态变量都能实时获得。在这种情况下,测量向量是y=CiCmTTcD0D1T。这种情景产生了一个观测矩阵C=I,并假设测量值受到均值为0、协方差矩阵为R=0.09I的高斯白噪声的干扰,其中I是n=6维的单位矩阵。扩展系统的观测矩阵Ca=I0。为了计算扩展系统的可观测性,围绕稳态线性化常微分方程(ODE)以获得雅可比矩阵Φ。使用Ca和Φ,可以构建观测矩阵CaCaΦ2CaΦ3CaΦ?CaΦ?CaΦ?。扩展系统的观测矩阵的秩计算为7,表明所有状态和参数都是可观测的。这是一个理想化的情景,在化学过程中并不总是可能的。

由于仪器限制,一些变量难以实时测量。第二种情景考虑了更现实的情况,即只能测量温度,其他变量需要估计。在这种情况下,测量向量是y=TTcT。矩阵Ca=0 0 1 0 0 0 0 0 0 0 0,测量的协方差设为R=0.09 0 0 0 0 0 0 0 0。对于部分状态测量情景,在稳态xss下观测矩阵的秩计算为5,表明系统不是完全可观测的。进一步分析观测矩阵的零空间表明,在这种情景下两个聚合物时刻D0和D1变得不可观测。通过这两个情景展示了所提出方法的有效性,并对结果进行了比较。第一步是使用基于物理的方程开发离线PINN,这将在下一小节中描述。

3.3. 训练方法
自适应PINN最初是为了预测过程的行为而开发的。神经网络架构是将输入映射到当前时间点的状态的自动回归映射,如方程(3)所示。模型的输入是六个状态、两个可操控变量以及在之前时间点发生变化的过程参数。该架构有三个隐藏层,分别有100、200和100个神经元。超参数是通过针对不同案例在测试数据上计算预测损失来通过有限的试错实验选择的。模型预测当前时间点的六个状态x。

为了训练模型,在输入空间R?内使用LHC采样方法采样nr=10000个随机数据点,这些数据点在每个输入的适当范围内。LHC采样的下限和上限分别为xal=0.0165 963 473 305.76×10^-4 19.46 0.91 0.1575 1.792×10^18T和xau=0.0256 273 523 342 0.94×10^-4 50.41 1.59 0.160 13.792×10^18T。需要根据对过程的了解仔细选择上下限。对于PMMA过程,通过观察不同操作条件下模拟状态变量的变化来选择这些点。生成的数据点通过神经网络来生成基于物理的残差,如方程(4)所述。使用L-BFGS优化器最小化所得的损失函数来训练神经网络。PINN的训练和实现都是使用Python中的PyTorch库完成的。类似的方法用于训练常规PINN,不同之处在于输入空间排除了参数输入。在R?内采样nr=10000个随机点,并使用L-BFGS优化器进行训练。nr的选择反映了计算成本和模型分辨率之间的权衡。这里选择了一个相对较高的值,以确保充分覆盖输入空间,因为没有标记数据来指导训练。为了保持一致性,在训练常规PINN时,所有超参数(包括隐藏层的数量、神经元数量、激活函数和优化器)都保持一致。常规PINN和自适应PINN的训练损失显示在图B.1a中。可以看出,两个模型都达到了低损失值,表明网络已经成功训练。使用Python中的“time”包计算出的离线训练时间分别为常规PINN的456秒和自适应PINN的493秒。虽然离线训练时间不是本工作的重点,但在这里报告是为了完整性,并表明两个模型需要相当的 effort。

3.4. 模型测试
为了测试训练效果,我们设计了一种多级伪随机序列(MPRS)输入方案(Godfrey,1993年),通过改变输入来测试模型的性能,如图3所示,使用与采样输入相同的上下限(xal和xau)。初始状态设置为稳态x0=xss,然后使用方程(3)预测后续状态。为了评估模型的预测能力,将相同的输入序列应用于控制微分方程以生成真实状态轨迹,然后将它们与图4中的PINN预测结果进行比较。对于这种评估,真实状态值xt-1作为输入提供给PINN,从而可以直接评估其再现系统动态的能力。

结果表明,当提供准确的状态值xt-1时,常规PINN和自适应PINN都能可靠地预测在不同输入流量下的后续状态xt。测试序列还用于在训练期间验证模型,相应的测试损失绘制在图B.1b中。测试损失的低值表明模型对未见数据有很好的泛化能力。尽管模型是仅使用基于物理的残差离线训练的,并且在过程参数恒定的假设下进行训练,但仍实现了这种预测能力。因此,PINN有效地充当了替代状态空间模型,并在实时实施为数字孪生方面具有潜力。值得注意的是,自适应PINN还训练了以纳入动力学参数k0i的影响,使其能够捕捉系统对这一参数的敏感性。在后面的章节中将探讨模型在k0i变化下的性能。由于跟踪时变参数的变化对于适应至关重要,接下来将描述用于此任务的EnKF的设计。

3.5. 集成卡尔曼滤波器
为了实现实时适应,自适应PINN的目标是准确高效地估计过程状态和参数,这些参数作为预测模型的输入。在这种情况下,离线训练的PINN被用作EnKF中的模型预测器,如方程(6)所示。在每个时间点,生成N=100个随机样本作为增强状态x?a,t?1|t?1,其协方差为Pt?1|t?1。N的选择取决于文献中的普遍共识,通常建议50-100个采样点就足够了(Gillijns等人,2006年)。在这项工作中,我们选择了一个最坏情况来基准测试框架的计算效率。初始协方差矩阵P0|0=10Q0 0 0 0.01。假设过程和测量噪声的协方差矩阵Q和R是已知的,为wt?1和vt?1生成100个随机样本。EnKF按照方程(6)–(15)实施。在EnKF中使用了两种类型的预测器,如方程(6)、(16)所述。基于PINN的预测器提供了一种直接的方法,因为自适应PINN通过简单的前馈架构将前一个时间步的状态、输入和参数映射到当前状态。相比之下,使用基于ODE的预测器需要数值方法在采样间隔内积分函数f。这种方法增加了基于物理的EnKF的计算成本,因为采样间隔需要许多迭代积分步骤。在这里,每个积分步骤被细分为10次迭代,每次迭代应用欧拉积分,最终迭代作为预测结果。可能有更有效的数值积分方案可以为当前案例研究提供更好的计算性能。然而,研究替代求解器超出了本工作的范围,因为这里的主要目标是使用一个相对简单的示例来基准测试所提出的框架。建立这个基线很重要,因为增加模型复杂性将不可避免地导致更高的计算需求,无论选择哪种积分方法。

接下来研究了三个关键挑战:(i) 由于第一性原理模型的不准确导致模型与工厂的不匹配,(ii) 系统中存在未测量的干扰,以及(iii) 过程参数的变化跟踪。在这些条件下对PMMA过程评估了所提出的自适应PINN框架。

4. 结果
4.1. 模型与工厂的不匹配
化学工业面临的主要问题之一是使用基于物理的模型对过程的不准确表示。这导致了模型与工厂的不匹配(MPM),强调了基于物理的建模中的差异会导致基于机器学习的数字孪生的性能下降。为了证明这一点,假设最初用于训练PINN的参数值k0i∈{1.792×10^18, 3.792×10^18}是不正确的,而真实工厂的实际操作值是1.292×10^18,超出了这个范围。首先考虑了一个完整的测量情景,其中所有状态都被测量。初始状态向量为x?0|0=xss,初始参数估计为θ?0|0=3.792×10^18。实施了集成框架,并将结果绘制在图5中。可以看出,集成框架改善了结果,并减少了基于物理模型的EnKF和所提出的自适应PINN的MPM。此外,所提出的框架(在图中标记为“自适应PINN”)比使用错误θ?值的常规PINN有显著改进。对于常规PINN,参数k0i没有更新,这导致数字孪生的性能下降。无论在EnKF中选择哪种模型预测器,所提出的框架都能减少MPM。还观察到,使用基于物理的EnKF的PINN比自适应PINN收敛得更快。在模型与植物不匹配且具有完整状态测量的情况下,基于PINN的数字孪生的预测。为了比较性能,表2给出了EnKF的总体均方根误差(RMSE)值及其相应的平均计算时间。总RMSE的计算公式为RMSE=1/6 ∑j=1/6 (xjj?x?j)2,其中j是每个状态变量的索引,T是样本总数。为了获得更稳健的RMSE估计值,本工作中报告的所有RMSE值和计算时间都是基于十次蒙特卡洛风格模拟的平均值,每次模拟都使用不同的过程和测量噪声实现。对于MPM情况,T=20小时。计算时间使用Python中的“time”包来确定。结果表明,基于物理的EnKF的自适应PINN和常规PINN的RMSE值相当,前者略微具有更好的准确性。然而,自适应PINN在计算时间上大幅减少。这突出了所提出方法在计算性能方面的实际优势。

表2. MPM的RMSE和计算时间。

空单元格
完整测量
部分测量

空单元格
RMSE
计算时间(秒)
RMSE
计算时间(秒)

常规PINN
0.2972
NA
0.2966
NA

基于物理的EnKF的自适应PINN
0.0258
11.897
10.0296
81.8667

基于物理的EnKF的自适应PINN
0.0295
0.0566
60.0375
70.0554

EnKF的状态和参数估计结果如图6所示。可以看出,使用EnKF的状态和参数估计值无论是使用哪种模型都能收敛到真实值。基于PINN的EnKF的估计值最终被用作自适应PINN的输入。这为数字孪生提供了非常准确的输入,从而提高了数字孪生的性能,如图5所示。这些结果展示了所提出的集成EnKF-PINN框架的实用性。

下载:下载高分辨率图像(508KB)
下载:下载完整尺寸图像

图6. 在模型与植物不匹配且具有完整状态测量的情况下,使用EnKF得到的状态和参数估计。

在第二种情况下,只测量了温度T和Tc。对于这种情况,框架使用了前几节中解释的修改后的Ca和R矩阵进行实现。数字孪生在MPM情况下的性能在图7中绘制。可以从图中观察到,即使只有部分测量数据,MPM也能得到准确的结果。这表明,即使不是所有测量数据都可用,或者在系统无法完全观测的情况下,所提出的框架也能正常工作。为了比较数字孪生在部分测量情况下的预测性能,表2显示了所有情况的RMSE值和计算时间。与完整状态测量的情况相比,部分测量略微降低了性能,从RMSE值可以看出这一点。然而,在在线实施过程中,MPM仍然得到了改善,并且新的稳态被跟踪到。这也证明了即使基础物理模型与真实过程不匹配,最初训练的PINN也具有良好的泛化能力。

下载:下载高分辨率图像(441KB)
下载:下载完整尺寸图像

图7. 在仅测量T和Tc的情况下,基于PINN的数字孪生的预测。

图8. 在部分测量的情况下,使用EnKF得到的状态和参数估计。尽管系统无法完全观测,EnKF仍能产生准确的状态和参数估计。特别是对于不可观测的状态D0和D1,这一点尤为明显。需要注意的是,可观测性矩阵的秩是使用围绕原始稳态线性化过程得到的雅可比矩阵计算的,当过程偏离该操作点时,秩可能会改变。尽管如此,所提出的框架确实提供了一种适应变化操作条件的数字孪生解决方案。

下载:下载高分辨率图像(486KB)
下载:下载完整尺寸图像

图8. 在仅测量T和Tc的情况下,使用EnKF得到的状态和参数估计。

总体而言,完整测量相比部分测量具有更好的准确性,这是意料之中的。值得注意的是,可以使用不完美的基于物理的模型离线开发基于PINN的数字孪生,并且在在线部署时不需要它,自适应PINN在保持准确性的同时显著提高了计算效率。

4.2. 未测量的干扰

为了评估所提出框架的鲁棒性,我们考虑了一个未测量且不可预见的现象(如缓慢演变的故障)导致系统行为逐渐变化的场景。在这项研究中,通过引入引发反应活化能EAi的缓慢时间变化来模拟故障,根据方程(17)EAi,t=1.2877×10^5+t。这种设置代表了一个具有挑战性的估计问题,其中框架的任务是估计一个名义上恒定的参数,而真实的偏差来源来自于另一个未建模参数的演变。这样的场景反映了现实的操作条件,其中故障或设备老化效应没有明确包含在预测模型中。当框架使用完整状态测量时,基于PINN的数字孪生预测结果如图9所示,使用集成框架得到的相应EnKF过滤后的状态和参数估计结果如图10所示。可以看出,尽管存在未测量的干扰,系统状态仍被准确估计出来。尽管真实干扰表现为EAi的逐渐变化,但估计参数会适应这种演变的不匹配,从而维持数字孪生的预测准确性。这说明了框架能够将未建模的动态纳入估计参数集并保持整体模型性能的能力。然而,这种行为依赖于系统对未建模干扰的可观测性。在当前情况下,可用的测量数据提供了足够的信息来推断活化能演变和估计的动力学参数的综合效应。由于活化能和频率因子以互补的方式进入速率表达式,框架能够调整估计参数以补偿活化能(EAi)的缓慢漂移,并保持准确的状态预测。

下载:下载高分辨率图像(673KB)
下载:下载完整尺寸图像

图9. 在具有完整状态测量的情况下,存在未测量干扰时,基于PINN的数字孪生的预测。

下载:下载高分辨率图像(734KB)
下载:下载完整尺寸图像

图10. 在具有完整状态测量的情况下,使用EnKF得到未测量干扰的状态和参数估计。

如果未满足与未测量故障相关的可观测性条件,这种情况下观察到的自适应行为不能得到保证。在这种情况下,参数估计可能会偏离到物理上不合理的值。此外,多种参数组合也可能同样好地解释测量输出,或者表面的补偿可能会掩盖真正的不匹配来源,而不会提高预测的准确性。在这种情况下,估计的参数应被视为有效或集总的数量,而不是真实的物理参数。为了解决这个限制,可能需要额外的测量、通过信息输入激发系统,或者明确增强模型以包括与故障相关的状态/参数,以恢复可观测性。

接下来,考虑了只有反应器温度T和冷却剂温度Tc可用的部分测量场景。相应的数字孪生预测结果如图11所示。尽管测量数据有限,数字孪生在存在未测量干扰的情况下仍能保持准确的状态预测,这突显了PINN-EnKF框架在有限可观测性下的有效运行能力。

下载:下载高分辨率图像(740KB)
下载:下载完整尺寸图像

图11. 在仅测量T和Tc的情况下,存在未测量干扰时,基于PINN的数字孪生的预测。

即使在测量数据有限且存在未测量干扰的情况下,EnKF也能递归地调整数字孪生,使其能够随时间保持满意的预测性能。完整测量和部分测量情况的定量性能指标总结在表3中。

下载:下载高分辨率图像(871KB)
下载:下载完整尺寸图像

图12. 在仅测量T和Tc的情况下,使用EnKF得到未测量干扰的状态和参数估计。

正如预期的那样,自适应基于PINN的数字孪生在跟踪准确性方面显著优于常规PINN。此外,当作为EnKF中的预测模型使用时,自适应PINN相比依赖于完整物理模型的EnKF实现,计算成本显著降低。

表3. 在存在未测量干扰的情况下,跟踪的RMSE和计算时间。

空单元格
完整测量
部分测量

空单元格
RMSE
计算时间(秒)
RMSE
计算时间(秒)

常规PINN
0.0254
2
NA
0.0255
4
NA

基于物理的EnKF的自适应PINN
0.0037
8
4
2.08
19
0.0091
8
12.31
76

自适应PINN
0.0031
9
9
0.08
12
0.0075
4
10.06
21
8
4.3. 跟踪参数变化

下一个考虑的情况是过程参数随时间变化。对于PMMA过程,我们假设催化剂会随时间变化(失活),导致参数k0i的值发生变化。动力学参数的变化会导致数字孪生性能的下降。为了避免这种情况,使用所提出的集成框架的自适应PINN来跟踪这些变化、估计它们并保持模型性能。为了演示这一点,考虑了两种情况:首先是阶跃变化,其次是更真实的渐变变化,这可以模拟催化剂随时间的毒化情况。所提出的框架为这些情况进行了实现,结果在以下小节中讨论。

4.3.1. 阶跃变化

最初假设过程在已知参数θ?0=2.792×10^18的稳态下运行。根据(18)引入参数的真实值的变化方案k0i,t=3.792×10^18,如果200≤t<400;1.792×10^18,如果600≤t<800;否则2.792×10^18。首先考虑完整状态测量的情况,并从稳态xss开始部署自适应数字孪生。在t=200h时引入阶跃变化,然后在1000小时内评估自适应PINN的性能。结果如图13所示。可以看出,使用原始的、过时的参数值的常规PINN与真实过程行为的偏差很大。相比之下,基于物理的EnKF的PINN和所提出的自适应PINN都能准确跟踪状态轨迹并保持高预测准确性。在稳态下,常规PINN的性能与自适应PINN相当,因为其自回归和外生输入在训练范围内。因此,模型最终能够以与自适应PINN相似的准确性跟踪稳态行为。这种情况的准确性和计算时间总结在表4中。

下载:下载高分辨率图像(500KB)
下载:下载完整尺寸图像

图13. 在具有完整状态测量的情况下,存在阶跃变化时,基于PINN的数字孪生的预测。

与MPM情况类似,在完整状态测量下,基于物理的EnKF的自适应PINN和所提出的自适应PINN的数字孪生预测的总体RMSE值相当。然而,与基于物理的EnKF的自适应PINN相比,自适应PINN的计算时间显著减少。如表4所确认的,常规PINN的RMSE显著更高,这突出了在不进行参数更新时预测准确性的下降。

表4. 在跟踪阶跃变化的情况下,RMSE和计算时间。

空单元格
完整测量
部分测量

空单元格
RMSE
计算时间(秒)
RMSE
计算时间(秒)

常规PINN
0.0377
2
NA
0.0371
7
NA

基于物理的EnKF的自适应PINN
0.0050
7
3
2.12
4
3
0.0058
6
4
2.49
10

自适应PINN
0.0049
7
6
0.08
19
0.0073
2
9
0.07
34

在完整状态测量下,使用EnKF得到的状态和参数估计结果如图14所示。从图中可以看出,无论是使用基于物理的模型还是PINN作为预测器,EnKF都能准确跟踪变化,这随后在表4的结果中得到了验证。接下来,考虑了部分状态测量的情况。使用温度测量信息实施EnKF,并再次从稳态开始部署自适应PINN。图15展示了具有部分观测的自适应数字孪生的性能。可以看出,即使在部分观测的情况下,自适应框架也能准确跟踪由过程参数变化引起的变量变化。结果与完整测量情况相当,尽管预测略微嘈杂。这一点通过表4得到了确认,该表比较了不同测量情况下的准确性和计算时间。如在MPM案例中观察到的那样,减少测量次数会导致RMSE略有增加。正如预期那样,所有场景下的计算时间保持相似,自适应PINN相比基于物理的EnKF的自适应PINN具有显著优势。追踪性能 further 通过图16中显示的状态和参数估计图得到了说明。下载:下载高分辨率图片(612KB)下载:下载全尺寸图片图14. 在使用全状态测量的情况下,通过EnKF获得的状态和参数估计。下载:下载高分辨率图片(574KB)下载:下载全尺寸图片图15. 在仅测量T和Tc的情况下,基于PINN的数字孪生的预测。这种趋势持续存在,自适应数字孪生在计算时间上优于基于物理的EnKF的自适应PINN,并且整体RMSE没有显著下降。这些结果证明了所提出方法在准确追踪阶跃变化方面的有效性。接下来,在参数k0i发生变化的情况下实施了该框架。下载:下载高分辨率图片(711KB)下载:下载全尺寸图片图16. 在仅测量T和Tc的情况下,通过EnKF获得的状态和参数估计。4.3.2. 斜坡变化为了模拟更真实的场景,根据以下方程引入了参数k0i的斜坡变化,该变化模拟了随着时间推移启动剂效率的降低:(19)k0i,t=3.792×10^18?2×10^15t 这种参数的逐渐变化反映了催化剂效率的缓慢下降,这是许多化学过程中的常见现象。为了考虑这种逐渐变化并保持模型性能,采用了自适应PINN框架。在时间t=0时,假设过程处于稳态,并且初始参数估计x?0|0是已知的。这导致了以下初始条件:x?0|0=xss和θ?0|0=3.792×10^18。首先在全状态测量情况下实施自适应数字孪生框架,以评估其在追踪参数随时间变化方面的性能。使用该框架获得的预测结果如图17所示。自适应数字孪生成功追踪了过程变量的斜坡变化,证明了其适应过程参数逐渐变化的能力。相比之下,常规PINN的预测在整个模拟过程中持续偏离,因为它没有考虑过程参数的变化。下载:下载高分辨率图片(529KB)下载:下载全尺寸图片图17. 在使用全状态测量的情况下,基于PINN的数字孪生的预测。表5提供了模型之间RMSE和计算时间的详细比较。可以观察到,与阶跃变化的情况类似,RMSE值相当,而自适应数字孪生的计算时间大幅减少,突显了它们在实时监控和控制应用中的适用性。图18进一步说明了在斜坡变化下使用EnKF进行状态和参数估计的准确性,显示了自适应框架即使在参数动态变化的情况下也能保持模型性能的有效性。表5. 追踪斜坡变化的RMSE和计算时间。空单元全测量部分测量空单元RMSE计算时间(秒)RMSE计算时间(秒)常规PINN0.07381NA0.07379NA基于物理的EnKF的自适应PINN0.0039832.20040.0040152.2010基于物理的EnKF的自适应PINN0.0036150.070190.0049410.08855使用自适应PINN或基于物理的模型作为预测器的EnKF的结果显示了高准确性,从而获得了精确的数字孪生预测,如先前所观察到的。与阶跃变化的情况类似,自适应数字孪生框架也适用于部分测量情况,特别是仅使用温度数据的情况。图19显示了在这种情况下数字孪生的预测结果。与之前的情况类似,即使是在部分测量的情况下,自适应数字孪生框架也有效地保持了其预测能力,尽管过程参数在持续变化。表5中的准确性和计算时间比较进一步支持了这一点,其中比较了全测量和部分测量场景的结果。随着测量次数的减少,整体RMSE略有增加。然而,在计算时间方面,自适应PINN仍然具有显著优势。下载:下载高分辨率图片(555KB)下载:下载全尺寸图片图18. 在使用全状态测量的情况下,通过EnKF获得的状态和参数估计。下载:下载高分辨率图片(625KB)下载:下载全尺寸图片图19. 在仅测量T和Tc的情况下,基于PINN的数字孪生的预测。图20给出了在部分测量情况下,斜坡变化下状态和参数的EnKF估计结果。尽管估计值比全测量场景下的更嘈杂,但它们能够有效维持数字孪生的性能。结果强调了所提出方法可以应用于各种具有参数变化的场景,无论可用测量的类型或程度如何,都能保持预测性能。此外,该框架允许在任何时候使用少量数据恢复到基于物理的模型,重新估计其参数并随后重新训练PINN。尽管训练涉及求解微分-代数方程,但预测和模型的适应性随着系统维度的增加而良好扩展。除了适应性和可扩展性之外,还可以使用自适应PINN模块化过程和模型,类似于基于第一原理的模型,从而在处理全厂建模框架时降低复杂性。这归因于自适应PINN继承了基于物理模型的关键属性,包括显式考虑参数及其值对系统状态和输出的影响、增强状态的可观测性以及模型的物理一致性。值得注意的是,该框架允许在任何时候恢复到基于物理的模型。我们的方法通过使用基于物理的神经网络架构来解决对过程物理保真性的问题,特别是在PI-NARX公式中,该架构嵌入了自回归结构。通过将状态和操控变量以及过程参数作为神经网络的输入,确保了可解释性。输出包括状态估计,PINN在基于第一原理模型的数据上进行训练,从而保持了物理保真性。一旦训练完成(即优化网络权重之后),PINN的预测仅涉及代数评估,允许高效的实时使用。这表明,尽管训练涉及求解微分-代数方程,但预测和模型的适应性随着系统维度的增加而良好扩展。除了适应性和可扩展性之外,还可以使用自适应PINN模块化过程和模型,类似于基于第一原理的模型,从而在处理全厂建模框架时降低复杂性。这种方法旨在最小化此类干预,使PINN能够在初始离线训练后独立运行。6. 结论本研究提出了一个强大的集成自适应数字孪生框架,该框架利用自适应PINN框架和EnKF来估计变化的过程参数,从而确保预测的持续准确性。通过有效结合这两种方法,该框架推进了自适应数字孪生的实际应用。数字孪生与EnKF耦合,使用PINN作为预测器,并与使用基于物理的模型作为预测器的传统EnKF进行了比较。本研究的一个关键创新是将过程参数作为输入到代表传统非线性状态空间模型的神经网络架构中。然后训练网络使用可用的基于物理的知识来学习过程动态。该框架在多个案例和测量场景中得到了应用和测试,用于实际的PMMA过程。研究表明,虽然使用过时参数值的常规PINN性能会下降,但自适应框架能够在存在MPM(未测量的干扰)、阶跃变化和斜坡变化的情况下保持模型性能。即使基于物理的模型不完美,自适应PINN框架仍然能够提供准确的结果,增强了其在实际应用中的潜力。值得注意的是,即使在部分测量和有限可观测性的情况下,该框架也表现出良好的性能,证明了其在各种测量场景中的鲁棒性。这项工作强调了自适应PINN如何通过结合预测模型和数据驱动的状态估计技术(如EnKF)来有效维持数字孪生的性能,从而增强了两种方法的优势。未来的工作将重点探索在该框架中参数方程未知或基于物理的模型结构不正确时的可行性。此外,评估多个参数同时变化对模型性能的影响也很重要。虽然该框架在处理不可观测参数时展示了有希望的结果,但在可观测性有限的系统中可能不总是表现良好。另外,开发一个高效且鲁棒的超参数调整框架也很重要,尽管这通常是在离线进行的。最后,该框架在更复杂、更高维度系统中的适用性也将被探索。与传统的机器学习模型维护技术相比,这种方法大幅降低了计算成本,使得实时应用更加可行和成本效益更高。在更广泛的范围内,能够在测量有限或昂贵的环境中(如远程位置或高风险行业)监控和控制复杂系统。此外,处理不完美或不完整物理模型的能力为更耐用和灵活的系统铺平了道路,使得该框架在全球提高运营效率和可持续性的努力中具有重要意义。cRediT作者贡献声明Devavrat Thosar:写作 – 审稿与编辑,写作 – 原始草稿,可视化,验证,方法论,调查,数据管理,概念化。Abhijit Bhakte:写作 – 审稿与编辑,方法论,调查,数据管理。Zukui Li:写作 – 审稿与编辑,监督。Rajagopalan Srinivasan:写作 – 审稿与编辑,可视化,验证,监督,资源,方法论,调查,资金获取,数据管理,概念化。Vinay Prasad:写作 – 审稿与编辑,可视化,验证,监督,资源,方法论,调查,资金获取,数据管理,概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号