数字孪生是一组随着时间的推移不断发展的耦合计算模型，用来持续表示独特物理资产的结构、行为和上下文。我们正在开发的方法和算法能够创建预测性数字孪生。
本文所用的物理资产是定制的 12 英尺翼展无人机 (UAV)。我们构建了无人机的结构数字孪生体，用于监控结构健康状况并执行动态飞行计划决策。我们的预测数字孪生将机器学习与机理预测模型相结合。基于组件的降阶建模使该方法具有计算效率和可扩展性。
无人机数字孪生的演示视频可以访问这里。
1、预测性数字孪生的数学和计算基础
当前最先进的数字孪生通常需要定制实施，需要大量的部署资源和高水平的专业知识。我们为数字孪生提出了一个统一的数学基础，目标是从一次性的数字孪生实施转向大规模实施。具体来说，我们用六个关键量来定义组合资产孪生系统，如下图所示。
以这种方式定义系统使我们能够模拟物理资产及其数字孪生随时间的演变。数字孪生通过传入的观测数据来了解物理资产的状态。此信息用于更新内部数字孪生模型，然后对其进行评估以提供准确的分析和预测。这使数字孪生能够通过通知和/或发布智能控制输入来积极影响物理资产。我们使用下面的概率图模型对这个双向耦合系统进行建模，该模型说明了系统中数量随时间演变的依赖关系。
图模型是概率表示、推理和学习的强大工具，并已成功应用于从机器人技术和计算机视觉到语音识别和医学诊断的应用。我们提出的概率图模型作为定义和建模数字孪生的基础，以及为模型更新、预测和优化控制推导计算高效算法的基础。有关所提出的概率图模型公式的更多信息，以及我们如何使用该模型对无人机数字孪生进行原则性和可扩展的实验校准的演示，可以在我们的研究论文中找到。
2、数字孪生组件库
我们数字孪生的核心是一个基于物理的模型库，每个模型都代表不同的结构状态。我们使用基于组件的降阶建模方法，因此这些基于物理的模型即使在完整无人机结构的规模上也能准确且快速地进行评估。我们通过在模型中创建每个组件的多个版本来模拟不同的损坏状态。每个版本都有不同的损坏状态。在此示例中，我们在 UAV 的右翼中创建了两个组件的五个副本。每个副本的刚度降低介于 0%（原始情况）和 80%（最坏损坏情况）之间。在飞行中，我们使用机载结构传感器数据来估计哪个模型与无人机的当前状态最匹配，并在数字孪生中使用该模型。
3、可解释的机器学习
我们使用可解释的机器学习来训练一个最佳分类树，该分类树预测库中的哪个模型最匹配一组结构测量。这些树划分传感器测量的空间，以便每个结果区域对应于特定的损坏状态。当获得新的传感器测量值时，我们使用分类树来决定哪种损坏状态与数据最匹配。分类树是可解释的，因为它明确地表征了决策边界，并且它自然地实现了稀疏感知。
4、硬件平台
虽然我们开发的方法可以应用于广泛的实物资产，但我们用于这项研究的试验台是与Aurora Flight Sciences合作开发的定制的 12 英尺翼展固定翼无人机。该无人机配备了一套结构传感器，例如应变仪、加速度计和高频振动传感器。
5、动态决策
我们用一个说明性的无人机场景中展示了上述方法的好处。在这种情况下，无人机必须安全地穿过一组障碍物到达目标位置。无人机发生损坏事件，然后继续累积结构退化。
无人机必须在每个障碍物周围选择激进的飞行路径或更保守的路径。激进路径更快，但需要 UAV 进行急转弯，这会使 UAV 承受高结构载荷。更保守的路线速度较慢，但??会使无人机承受较低的结构载荷。
在原始状态下，飞机结构可以安全地承受较高的载荷，但随着飞机机翼结构的损伤累积，高载荷可能导致结构失效。如前面视频所示，具有自我意识的无人机使用快速更新的数字孪生来监控其不断发展的结构状态并动态估计其飞行能力。基于这些能力估计，无人机能够动态地重新规划任务，以最大限度地提高速度，同时避免结构故障。
原文链接：无人机数字孪生的开发 — BimAnt