Twincompass:一种用于网络物理系统中数字孪生工程的多标准混合推理决策支持框架

《Journal of Industrial Information Integration》:Twincompass: A multi-criteria and hybrid reasoning decision support framework for Digital Twin engineering in Cyber-Physical Systems

【字体: 大 中 小 】 时间:2026年05月02日 来源:Journal of Industrial Information Integration 11.6

编辑推荐:

  侯赛因·马拉(Hussein Marah)、巴里什·特金·泰泽尔(Bar?? Tekin Tezel)、莫哈兰姆挑战者(Moharram Challenger)、汉斯·范赫卢韦(Hans Vangheluwe) 安特卫普大学与弗兰德斯制造学院,比利时安特卫普 **摘要*

  侯赛因·马拉(Hussein Marah)、巴里什·特金·泰泽尔(Bar?? Tekin Tezel)、莫哈兰姆挑战者(Moharram Challenger)、汉斯·范赫卢韦(Hans Vangheluwe)
安特卫普大学与弗兰德斯制造学院,比利时安特卫普

**摘要**
为网络物理系统(CPS)设计和开发数字孪生(DTs)需要在一个庞大的决策空间中进行导航,这包括选择合适的建模范式、形式化方法、计算工具、架构模式、部署框架和策略以及合规标准。当前的DT工程实践主要依赖于专家的临时判断和特定领域的经验,缺乏系统化的框架来整合基于既定领域知识和专业知识的结构化决策过程,并由先进的推理能力支持。本文介绍了TwinCompass,这是一个多标准和混合神经符号决策推荐框架,它将多标准决策制定(MCDM)方法与基于大型语言模型(LLM)的推理和符号逻辑推理相结合。TwinCompass利用了一个结构化和分层的决策数据模型,该模型封装了专家的DT领域知识,每个选项都由一组明确定义的特征(标准)来表征。为从根本上解决MCDM中手动标准权重的认知瓶颈,TwinCompass提供了手动专家驱动和基于LLM的自动化判断机制,从而实现可扩展、自适应和上下文感知的推荐生成。此外,该框架还包括一个确定性逻辑推理层,严格验证配置是否符合依赖性约束、兼容性和先决条件,确保DT设计的连贯性和结构一致性。全面的评估包括数据模型解析性能分析、判断一致性验证、执行时间相关性分析以及20位领域专家的定性评估,证明了该框架的有效性。实证结果证实,TwinCompass提供了强大的决策支持,在严格的过滤条件下获得了高数据准备度评分。这些发现确立了其推荐的可靠性及其在工业规模工程中的适用性。通过解决设计和部署DTs整个生命周期中的这一关键问题,本研究提供了一种原则性、透明和自动化的决策方法,将专家知识与计算智能相结合,以支持明智的工程选择。

**引言**
数字孪生(DTs)已成为现代网络物理系统和工业系统的核心,促进了物理资产与其虚拟对应物之间的实时同步[1]。通过整合数据采集、建模、仿真和分析,DTs实现了预测性维护、性能优化和自主控制。然而,设计一个有效的DT需要从广泛的建模范式(例如基于物理的、数据驱动的、混合的)、形式语言(例如SysML、本体)、建模形式化方法(例如Petri网、有限状态机、微分方程)、计算工具(例如MATLAB/Simulink、AnyLogic、FMI/FMU平台)以及设计和部署架构(例如边缘计算、云计算、联邦架构)中进行选择。由此产生的设计空间庞大且多维,降低了识别最佳实施策略的可行性,并在设计和开发阶段增加了复杂性。
在这种情况下,选择形式化方法、工具和部署策略的最佳组合是一项关键但非平凡的任务。每个决策都会影响系统性能、成本、互操作性和可维护性。目前,DT设计工作通常由启发式经验或试错驱动,而不是系统化评估或既定的方法论框架。此外,组件之间的依赖性(如工具兼容性、平台约束和语义对齐)很少被正式捕获,导致设计不一致。在复杂的决策层次结构中手动进行一致性检查也会带来显著的认知负担,随着标准数量的增加,判断质量往往会下降。因此,迫切需要一个原则性的框架来支持DT工程中的严格、结构化决策,同时减轻领域专家的认知负担。虽然工业框架、参考架构和标准化倡议提供了高级指导,但它们往往缺乏选择和验证配置及替代工程解决方案的正式机制。多标准决策制定(MCDM)方法可以结构化这些权衡,但其有效性取决于明确定义的标准权重,这些权重传统上是通过手动推断得出的(这一过程受到大规模手动标准权重提取的认知和资源密集型限制)。此外,新兴的人工智能(AI)范式,特别是大型语言模型(LLMs)和先进的神经符号技术,尚未与确定性逻辑系统地结合,以提供DT设计和工程中的定量决策支持。因此,文献中存在一个显著的空白,提供了探索和引入将上下文感知的、概率性的LLM推理与严格的、基于规则的符号逻辑无缝结合的框架的机会,以自动化和验证复杂的DT配置决策。

**本文的主要方法论贡献包括:**
• 一个基于XML的分层决策数据模型,通过将选项和标准分类到目标、架构、形式化和标准四个维度,从而形式化庞大的DT设计空间。
• 一个新颖的混合神经符号推荐框架(TwinCompass),通过深度整合AHP和TOPSIS与基于LLM的自动化推理,动态调整标准权重以适应需求和描述场景,从而消除了手动密集型专家知识提取的认知瓶颈。
• 一个确定性符号逻辑推理层,利用自定义的领域特定语言(DSL)和Prolog推理器来强制执行结构有效性,防止不可能的配置状态、组件不兼容性并检测选择之间的依赖性。
• 对框架性能、一致性和实际实用性的多维度评估,由20位领域专家验证,实证证明了混合方法的有效性。

**关键的是,这项工作的方法论贡献不在于单独应用AHP、TOPSIS或LLMs(这些方法本身都很成熟),而在于将它们架构化为一个统一的神经符号决策流程。** 以往的DT工程文献中没有框架同时解决三个关键限制:(i)传统成熟MCDM中固有的手动标准权重的认知瓶颈,通过基于LLM的推理引擎通过自动化、上下文感知的权重提取来解决;(ii)纯粹生成式AI方法的幻觉风险,通过增加可扩展的知识(结构化的DT知识数据模型)来显著减少和缓解,以使建议具有上下文适应性;以及(iii)在任何推荐发出之前严格执行关系和逻辑约束的确定性规则层(Prolog)。这种混合集成构成了多层次的推理能力,提供了优于现有方法的优越优势,并且如第4节所示,得到了实证证据的支持。总体而言,这证明了混合架构提供了强大的工业级决策支持,并解决了单独任何一种方法都无法单独实现的多种问题。

**基于这些贡献,本文提出了以下研究问题(RQs)以指导研究。**
第一个问题探讨了管理多样化DT设计选项复杂性的结构和方法论挑战。它探讨了需要一个结合结构化数据表示和定量评估技术的统一框架。第二个问题研究了知识获取的机制,重点是如何弥合人类专业知识和计算系统之间的差距。它检查了手动专家输入与自动化推理的整合,以确保决策支持的深度和可扩展性。第三个问题关注设计过程的自动化和验证。它旨在确定是否可以利用先进的AI技术并将其与其他决策方法结合,以可靠地生成技术上合理且上下文适当的建议。DTs融入CPS改变了工业工程,实现了物理资产和过程的丰富虚拟表示,支持持续监控、仿真和决策支持[2]、[3]、[4]。在制造和工业CPS环境中,DTs作为同步的双重表示,结合了实时数据流、行为模型和操作逻辑,促进了自适应控制和生命周期优化。CPS的固有异质性——涵盖机械、电气、软件和网络子系统——需要支持平滑设计和明智决策部署的框架。因此,需要概念性和实用性的方法来减轻从业者面临的认知、设计和集成负担[5]。

**最近的研究略微增加了对结构化决策的关注,以解决系统工程中的决策程序挑战。** Li和Starly[6]展示了知识图谱如何丰富制造服务发现,而Carlin等人[7]提出了一个基于本体的框架,通过考虑替代设计选项来指导复杂的设计决策。在工业智能领域,Qu等人[8]提供了针对特定场景的DTs的形式化建模架构,[9]引入了一种基于本体的方法来管理工程工作流和执行轨迹。此外,最近的一项调查[10]对十四个开源DT框架进行了自下而上的比较,突出了它们的能力、局限性和应用领域。

**与这些方法并行,最近的研究集中在定量评估和应用选择上,经常利用MCDM方法。** Dodero等人[11]开发了一种在智能制造中选择开发环境的方法论,将它们分类为仿真、机器人技术和游戏引擎,而Gorski等人[12]展示了工业工具和过程的整合,以增强和促进制造操作。此外,为了改进选择合适应用程序的过程,Mayer等人[13]最近提出了在产品服务阶段选择DT应用程序的价值-努力分析,利用了分析网络过程(ANP)和TOPSIS。Sajadieh和Noh[14]研究了循环经济中的DT技术,提出了一种评估部署机会的定量方法。Liu等人[15]提出了一种用于车间的DTs的多维建模方法,通过捕获异构设备和材料之间的耦合来构建通用的生产资源模型,并在四个维度(几何、物理、行为和基于规则的)上开发DT表示。此外,基于本体的管道,如G?ppert等人[5]所描述的,支持互操作性和自动化部署。然而,尽管这些框架和调查展示了定量决策层的可行性,但它们通常严重依赖于手动专家输入,往往缺乏处理复杂组件依赖性的灵活性,并且缺乏对灵活和自动化工作流程的支持。**

**同时,LLMs已经开始通过实现对文本要求的推理和自动化建模来重新定义系统设计[16]。** 在DT领域的早期应用包括生成需求工件[17]和开发用于自动化优化的LLM增强型企业DT系统[18]。这些研究表明,基于LLM的推理可以促进交互式、上下文感知的决策生态系统。尽管有这些进展,但仍存在一个重大差距:现有方法通常将决策制定、语义和逻辑推理以及LLM推理视为独立的孤岛。没有一种既定的方法将用户需求上下文化、专家知识提取、上下文感知的MCDM权重和依赖性解决整合到一个强大的框架中。** 本文通过将MCDM方法与基于LLM的推理和基于上下文的结构化数据上的逻辑推理相结合,解决了这一差距,实现了DT开发的自动化、上下文敏感的建议。

**本文的其余部分组织如下。** 第2节介绍了基础概念,包括MCDM、LLMs和逻辑推理。第3节详细介绍了TwinCompass框架。第4节展示了定量和定性评估结果。第5节讨论了发现和有效性威胁,第6节总结了本文。TwinCompass 通过整合多标准决策(AHP-TOPSIS)、基于大型语言模型(LLM)的上下文感知推理以及基于 Prolog 的符号逻辑推理,解决了在复杂的、多维的设计空间中进行导航这一关键挑战。该框架具有层次化、可扩展性,并且基于结构化 XML 决策数据模型进行运作。作者贡献声明如下:Hussein Marah 负责写作(审稿与编辑、撰写初稿、可视化、验证、软件开发、项目管理和方法论研究、形式化分析以及数据整理与概念化);Bar?? Tekin Tezel 负责写作(审稿与编辑、方法论研究及概念化);Moharram Challenger 负责写作(审稿与编辑、项目监督及方法论研究);Hans Vangheluwe 负责写作(审稿与编辑、项目监督及方法论研究)。关于利益冲突的声明:作者声明他们没有已知的财务利益冲突或可能影响本文研究结果的个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号