#翻译#Digital twin approach for damage-tolerant mission planning under uncertainty

Digital twin approach for damage-tolerant mission planning under uncertainty

DOI: https://doi.org/10.1016/j.engfracmech.2019.106766

数字映射（Digital twin） 或译作数字孪生，指在信息化平台内模拟物理实体、流程或者系统，类似实体系统在信息化平台中的双胞胎。借助于数字映射，可以在信息化平台上了解物理实体的状态，甚至可以对物理实体里面预定义的接口元件进行控制。
数字映射是物联网里面的概念，它指通过集成物理反馈数据，并辅以人工智能、机器学习和软件分析，在信息化平台内建立一个数字化模拟。这个模拟会根据反馈，随着物理实体的变化而自动做出相应的变化。理想状态下，数字映射可以根据多重的反馈源数据进行自我学习，从而几乎实时地在数字世界里呈现物理实体的真实状况。数字映射的反馈源主要依赖于各种传感器，如压力、角度、速度传感器等。数字映射的自我学习（或称机器学习）除了可以依赖于传感器的反馈信息，也可以是通过历史数据，或者是集成网络的数据学习。后者常指多个同批次的物理实体同时进行不同的操作，并将数据反馈到同一个信息化平台，数字映射根据海量的信息反馈，进行迅速的深度学习和精确模拟。
数字映射可以应用在各种行业（目前主要是工业）对核心设备、流程的使用进行优化，并简化维护工作。

摘要：

• 诊断、预测和计划任务

1.介绍

我们主要解决三个关键的问题：

• 信息融合——得到全方位的诊断和现阶段系统健康评估
• 研究有效的预测和不确定性量化算法——预测系统的健康程度、性能、可靠性
• 研究任务计划决策算法——保证未来计划的可靠性和安全性
  

1.1 损伤可能性检测

通过处理数据、物理模型或两者结合，可以反推出损伤检测结果。

1.2 损伤可能性预测

损伤生长最小化问题

• 整体表面准则
• 局部断裂准则

1.3在不确定性下的负载优化

两种方法：

• 鲁棒性设计优化
• 基于可靠性的设计优化

2.方法

2.1. Probabilistic damage diagnosis

在本文中我们使用两种方法（检测裂纹扩展）

• 高清晰度成像
• 间歇超声导波

2.1.1. 贝叶斯估计&信息融合 for damage diagnosis

马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo)，简称MCMC，产生于19世纪50年代早期，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法(Monte Carlo)。该方法将马尔科夫(Markov)过程引入到Monte Carlo模拟中，实现抽样分布随模拟的进行而改变的动态模拟，弥补了传统的蒙特卡罗积分只能静态模拟的缺陷。

Lamb wave
Lamb waves propagate in solid plates. They are elastic waves whose particle motion lies in the plane that contains the direction of wave propagation and the plane normal (the direction perpendicular to the plate).

2.1.2. Numerical model of the governing physics

neural networks, chaos polynomials(多项式混乱), Gaussian process regression(高斯过程回归)

2.1.3. 模型误差评估 (暂时未读

2.2. Probabilistic damage prognosis

linear elastic fracture mechanics(LEFM) with small-scale plasticity

2.2.1. 裂纹扩展模型

采用了 Forman等式

2.2.2. 不确定性来源

2.2.3. 物理模型 and 替代模型的建立

2.2.4. 物理模型参数评估

2.2.5. 贝叶斯网络 for probabilistic crack growth prognosis

• a finite element model
• a GP surrogate model
• an LEFM-based fatigue crack growth model

2.3. Load profile optimization under uncertainty

3. Illustrative experiment

3.1. Probabilistic damage diagnosis

为什么是七个数据点

3.2. Probabilistic damage prognosis

3.2.1. Model parameter estimation

福尔曼等式中的C和m，表示不确定度

3.2.2. Work performed by the applied loading

3.3. Load profile optimization

分为三个block

4. Results and discussion

4.1. GP surrogate models for probabilistic diagnosis

验证了GP模型在检测中的可用性

4.2. GP surrogate models for probabilistic prognosis (SIF and work performance computation)

论述了GP模型的精度

4.3. Crack growth model parameter estimation

Metropolis-Hastings算法（具体内容及实现）

4.4. Load profile optimization: laboratory experiment