基于多保真度时序代理模型的数字孪生结构健康监测技术研究

针对动态系统结构健康监测(SHM)中时序数据预测精度不足及建模成本-精度平衡难题，北京理工大学团队提出融合自回归最小二乘多保真高斯过程回归(LS_MFGPR)的数字孪生(DT)框架。该研究通过构建轮抬升高度载荷识别模型解决数据模态差异，引入自回归项捕捉时序自相关性，在自主移动机器人(AMR)悬架结构应力监测中实现95.2%的预测精度，为复杂装备预测性维护提供新范式。

　　

在工业4.0时代，机械系统如同不知疲倦的钢铁巨人，日夜不休地承担着社会生产的重任。然而这些"巨人"在长期服役过程中，难免遭受机械载荷、环境侵蚀和材料老化的三重打击。传统"定期体检"式的维护方式存在严重滞后性——要么过度维护造成资源浪费，要么突发故障导致安全事故。更棘手的是，像自主移动机器人(AMR)这类动态系统，其悬架结构的应力变化具有强时序相关性，常规监测方法难以捕捉这种"记忆效应"。

北京理工大学机械工程学院（Key Laboratory of Industry Knowledge & Data Fusion Technology and Application, Ministry of Industry and Information Technology）的Lingkang Li、Haokun Li等研究人员在《Journal of Industrial Information Integration》发表的研究，犹如为这些钢铁巨人装上了"数字心电图"。团队创新性地将数字孪生(Digital Twin, DT)技术与多保真建模相结合，构建出能"记忆"历史状态的智能监测系统。这项研究直击三大行业痛点：仿真与实测数据的"鸡同鸭讲"、建模成本与精度的"鱼与熊掌"、以及时序预测的"刻舟求剑"难题。

关键技术包括：1)通过角位移传感器、振动传感器和加速度计融合构建载荷识别模型，破解数据模态壁垒；2)提出最小二乘多保真高斯过程回归(LS_MFGPR)算法，采用启发式规则自动优化超参数；3)在模型中嵌入自回归项，使预测时能"温故知新"。研究人员特别设计了五工况验证实验，数据来源涵盖测试函数、仿真数据和物理实验三重验证。

【数字孪生框架构建】
研究团队搭建的DT框架包含物理-数字双空间：物理空间通过传感器网络实时采集AMR状态；数字空间则包含载荷识别模型和自回归LS_MFGPR模型。这种"虚实共生"的结构，使得系统能像老中医把脉般，通过"望闻问切"预判悬架健康状态。

【多保真时序建模】
针对传统高斯过程回归(GPR)在时序预测中的"健忘症"，研究创新性地引入自回归项。这相当于给模型添加了"记忆芯片"，使其能识别应力数据中的"因果律"。实验显示，该模型在阶跃载荷下的预测误差较传统方法降低62.3%。

【五工况验证】
在平地行驶、越障等五种工况下，DT系统展现出令人惊喜的适应性。特别在随机载荷工况中，预测结果与实测数据的相关系数达0.952，证明模型具备捕捉非线性、非平稳特征的"火眼金睛"。

讨论部分指出，该研究的三大突破犹如"三箭齐发"：载荷识别模型打通了多源数据"任督二脉"；自回归设计赋予模型"以史为鉴"的能力；而LS_MFGPR算法则实现了建模成本与精度的"黄金分割"。值得注意的是，系统在10ms内即可完成应力预测，这种"秒级响应"为实时决策提供了可能。

这项研究不仅为AMR悬架监测提供了具体解决方案，更开创了"时序感知型"数字孪生的新范式。就像给工业装备装上了"预言水晶球"，使得预测性维护从科幻走向现实。未来，该框架有望拓展至航空发动机、风力发电机等复杂装备的健康管理，为智能制造铺就一条"未病先防"的康庄大道。