物理实体很容易理解,就是我们的实验平台之类的。数字孪生体,我们姑且认为它就是个仿真体。我们对物理实体可以做不同的实验获得它的各种不同的特性,但是都要付出相当的代价,要不是时间,要不是金钱。与实验相对应的,我们可以对仿真体开展不同的的计算(仿真),一样也能获得很多不同的特性。在很多情况下能显著的减少成本。
可是,如何让我们在物理实体上做的实验能够在数字孪生上做呢。中间需要一个过程,就是模型校准。就是让你的仿真体在一定范围内就能体现真实的物理实体。我们把这个过程可以看成是参数估计,看成是模型辨识。总之,就是从物理实体获得一定范围内能符合实际的数字孪生体。
这是我们大多数人做仿真干的事。就是建立模型,改变参数,看我们关注的参数会如何变化。稳态的呢,就属于获取不同的静态特性。动态的呢,就是获取不同的动态特性。
建立模型的时候,实际上模型里头有很多的参数。如果这些参数和真实的情景有差异,那么由此所获得的解跟真实情况就会有差异。我们实际上是要调整这些参数,在一定范围内使得仿真的结果和我们真实的测量数据最为接近。这就是参数估计。不过这些参数可能很多,不可能简单的用眼睛瞅一瞅就能找到最合适的参数。但是从这个参数估计的描述过程来讲,就是一个优化问题。构建一个优化问题,其变量是这些可以调节的参数,目标函数就是仿真值和真实值差异最小。(这是最朴素的理解,至于贝叶斯优化什么的,我们姑且不论。)
所以相对仿真这样的正问题来说,这实际上已经属于反问题了。
那这样的参数估计出来的实际上还有另外的作用的,就是像软测量、故障诊断等。
软测量,我们举两个例子来说。管道流动中,如果摩擦阻力和粗糙度的关系我们是已知的,而我们如果有一条管道的测试数据,我们从模型如果能够通过一个参数估计过程获得摩擦阻力,也就是可以用来测粗糙度。燃料电池中,我们说质子交换膜的含水情况与电阻变化相关,如果从测试数据通过一个参数估计过程能够获得电阻这样的参数,也就可以用来测含水情况。
这里的故障诊断也是有所特指的。我们仍然举个例子来说明一下。有一个供水管网,如果某时某地发生了有害物质进入管网,量还已知,那么按照管网模型,在若干个观测点测试的数据应该可以通过仿真计算出来的。现在如果在一些测点观测到了异常,那么请问原始的故障发生的时间地点量都如何呢?我们可以把三个变量当成模型参数,就是调节这些参数使得模型仿真的结果和测试结果最接近,从而把参数确定下来。这就是基于参数估计的故障诊断。当然也可能用到机器学习等其他一些数据驱动的办法。