因果表征学习驱动的数字孪生仿真优化：轴系振动响应生成新范式

本文提出因果因子分解-重组网络(CFRN)，通过结构因果模型(SCM)编码转速与载荷对轴系振动的因果机制，创新性采用双编码器架构与双向交叉注意力机制，在未知工况下实现98.06%关键频率准确率的振动响应生成，为数字孪生(DT)实时仿真提供新思路。

　　

亮点

1. 1.

   提出因果因子分解-重组网络(CFRN)，攻克数字孪生(DT)轴系建模中未知工况振动响应生成的难题；

2. 2.

   创新设计双编码器架构，通过因果一致性损失与因果独立性损失优化，精准捕捉因果因子的潜在中介变量；

3. 3.

   开发双向交叉注意力融合机制，实现不同工况组合下中介变量的公平整合；

4. 4.

   实验证明该方法在未知工况下生成振动信号的关键频率准确率达98.06%，为复杂机械系统DT开发提供新视角。

结论

本文提出的因果驱动方法为缓解数字孪生仿真高耗时问题提供新范式。通过正交实验设计构建代表性样本集后，CFRN利用双编码器架构解耦转速与载荷的潜在中介变量，结合创新的注意力重组机制，在Adams软件构建的轴系数据集上验证了其生成未知工况数据的优越性。该方法不仅显著提升仿真效率，更通过因果推理突破传统生成对抗网络(GAN)、变分自编码器(VAE)等方法在分布外(OOD)数据生成的局限性。