随着工业4.0和智能制造的进步，制造业正在从传统的生产模式向数字化和智能化系统进行深刻转型。这一转型显著增加了现代制造系统的复杂性和动态性[1]。时变系统（TVS）具有动态演变的特点，在当前的制造环境中无处不在，其中操作条件、过程状态和统计特性在整个生产过程中不断变化[2]。与参数和状态相对稳定的时不变系统相比，TVS更准确地捕捉到了现实世界制造过程的内在动态性，这归因于参数漂移、操作条件或模式的改变以及非平稳统计行为等因素[3]。然而，这些固有的时变特性也给制造系统中的实时监控、精确控制和可靠的产品质量预测带来了重大挑战[4]。
在动态系统的分析和控制中，关键事件被定义为在系统运行过程中特定时间点或短时间内发生的突然变化或异常状态，这些事件对系统性能或稳定性有显著影响[5]。在复杂的制造过程中，此类事件通常表现为设备故障、过程参数的偏差或严重的环境干扰[6]。为了保持系统稳定性，准确捕捉全局动态模式的偏差和局部统计特性的波动是可靠质量预测的基本前提。未能有效检测到这些事件将阻止系统的及时调整，最终可能导致产品质量下降[7]。因此，关键事件的识别已成为工业智能领域的一个活跃研究焦点。
传统方法主要依赖预定义的阈值规则或专家知识来识别关键事件[8]。尽管这些方法在某些情况下可能是有效的，但它们往往适应性有限，误报率较高，并且在应用于高维、非线性和强耦合的TVS时实时性能不足[9]。更重要的是，大多数现有方法将事件识别和质量预测视为两个独立的任务，从而忽略了特定的生产背景以及它们对下游产品质量指标的传播路径和影响机制[10]。因此，所得到的质量预测准确性往往无法满足实际工业需求。在实际的时变制造过程中，这种分离也限制了监控结果的可解释性和可用性：在参数漂移和制度转换的情况下，事件警报可能会频繁触发，但仍然难以确定关键事件对应于哪种生产场景以及它可能如何影响下游质量指标。结果，事件信息难以转化为可操作的调整措施，质量预测在关键事件期间可能会变得不稳定。
近年来，数字孪生（DT）技术作为一种变革性范式出现，为上述挑战提供了新的解决方案[11]。通过构建物理实体的高保真虚拟表示，DT实现了物理空间和虚拟空间之间的实时交互和数据融合，从而为TVS的建模、监控和预测提供了强大的技术支持[12]。尽管有这些优势，但在将DT技术应用于TVS时仍存在重大挑战[13]。
首先，传统的DT模型往往无法充分捕捉动态系统的固有时变特性，导致虚拟模型与其物理对应物之间的同步性和一致性不足，从而在漂移和制度演变的情况下降低了在线监控的可靠性[14]。其次，现有的关键事件识别方法通常难以同时模拟长期时间依赖性和局部突变，这限制了它们对时变过程中非结构化参数波动和干扰模式的敏感性[15]。最后，大多数研究尚未建立关键事件特征、操作条件和产品质量之间的可量化语义映射模型，这使得难以在生产背景下解释事件原因，并限制了DT在质量预测和在线质量控制中的有效性[16]。
为了解决上述挑战，我们提出了一种时变数字孪生系统（TV-DTS）用于关键事件识别和质量预测。在本研究中，DT通过在线参数推断实现，以在漂移过程中保持一个不断演变的动态基线，关键事件由物理-虚拟差异触发。事件-场景语义推理进一步为场景感知的质量预测提供了上下文特征。本文的主要贡献总结如下：（1）提出了一个TV-DTS框架，该框架将动态系统建模、关键事件识别和质量预测集成在一个统一的架构中，以应对时变连续制造环境中的复杂性和不确定性。该框架支持从时变监控到以质量为导向的决策支持的一致闭环工作流程，并在烟草松散和调理案例研究中证明了其可行性，为其他具有类似时变特性的连续过程提供了可复用的参考。（2）通过将全局时间重建误差与多维局部统计特征相结合，开发了一种复合关键事件识别策略。这种策略利用全局-局部互补设计来克服单一指标方法的局限性。通过同时捕捉结构偏差和局部波动，它在参数漂移和制度演变的情况下提高了识别可靠性，为时变过程提供了可靠的早期预警。（3）建立了一种事件-场景语义推理机制，以弥合数据驱动的异常与物理生产背景之间的语义差距。通过结合基于规则的推理和互信息量化，该机制为检测到的关键事件派生并分配场景语义，将其置于可解释的生产背景中。这种语义基础提高了可解释性，并进一步提供了连接上游监控结果与下游质量预测的场景感知上下文描述符。（4）提出了一种基于事件-场景交互融合的质量预测方法，该方法构建了从事件识别到质量影响分析的完整推理链。本研究为基于数字孪生和场景自适应调整的决策优化提供了初步的实证演示和实际见解。
与传统的在线流程（这些流程松散地连接过滤、事件检测和质量预测）相比，TV-DTS将数字孪生视为一个共享载体，在时变动态下输出一个不断演变的参考基线和物理-虚拟差异线索。这使得在漂移和制度转换的情况下仍然有意义的差异驱动事件触发，并进一步支持事件-场景语义基础，以将事件警报与生产背景联系起来，为以质量为导向的决策支持提供支持。
本文的其余部分组织如下：第2节对相关文献进行了系统回顾。第3节提出了问题陈述并介绍了所提出的TV-DTS框架，包括其架构和信息流。第4节讨论了关键事件识别和事件-场景匹配方法，并介绍了一种基于事件-场景融合的质量预测方法。第5节使用实际工业案例研究验证了所提出方法的有效性。最后，第6节总结了本文并概述了未来的研究方向。
