在数字孪生生态系统中应对不确定性：一个统一的框架及关键挑战

《Journal of Industrial Information Integration》：Navigating uncertainty in digital twin ecosystems: A unified framework and key challenges

　　

• •
  本体论不确定性：数字孪生生态系统中不断演变的框架的新类别。
• •
  随机集合使得区分框架的灵活高效重构成为可能。
• •
  确定了八个系统性的不确定性传播和放大驱动因素。
• •
  一个六层框架可以减轻数字孪生生态系统中的三种类型的不确定性。
• •
  自动驾驶汽车和电池的案例研究验证了该框架的有效性。

引言

数字孪生是一组虚拟信息构造，它模仿了自然系统、工程系统或系统系统的结构、环境和行为，并通过其物理孪生的数据动态更新，具有预测能力，为决策提供支持从而创造价值[1]。物理孪生感知环境及系统的状态，这些信息被传递给数字孪生。数字孪生则执行分析和预测等任务，其结果用于影响其物理对应物。物理孪生和数字孪生通过通信网络交换信息进行互动，信息在各个组件之间分布[2]。数字孪生生态系统可能涉及大量组件，包括人类，在一个通常由流动环境塑造的复杂关系中发挥作用。这给信息整合带来了新的挑战，例如确保互操作性[3]以及融合数据以获得系统的无偏视图[3]。

由于数字孪生的诊断、预测和优化能力[8]，它们在能源[4]、通信[5]、医疗保健[6]和航空航天工程[7]等行业中的应用日益增加[4]。然而，它们受到多种不确定性来源的影响[9]。在这项工作中，我们采用了[1]中对数字孪生生态系统的定义，即由相互连接的数字孪生、它们对应的物理实体以及支持物理和数字领域持续双向互动和共同演化的数据、通信和计算基础设施组成的系统。数字孪生生态系统中的子系统之间的紧密互动导致这些不确定性以复杂且往往不受控制的方式传播[10]。物理孪生和数字孪生之间的频繁数据交换、反馈循环以及网络限制[11]进一步加剧了这一问题，削弱了系统的监控和控制效果。在轻微情况下，这会导致性能下降；在严重情况下，可能会导致灾难性后果[12]。

不确定性通常被分为两类：偶然性（随机性，例如传感器噪声和有限的传感器精度）或认知性（知识差距，例如不准确的模型参数和次优的估计方法）[13][14]。然而，这些分类未能涵盖数字孪生生态系统中由于区分框架动态重构而产生的不确定性。我们将区分框架定义为在数字孪生生态系统内操作的各种可能状态、假设或结果的集合。我们引入了本体论不确定性作为一个新的类别，这对于全面解决动态复杂数字孪生生态系统中的不确定性至关重要。这种三分法（偶然性、认知性、本体论）使人们对不确定性传播的系统驱动因素进行整体分析，弥合了传统不确定性量化方法与现代信息物理系统需求之间的差距。这种方法为统一框架奠定了基础，该框架整合了既有的和前沿的计算技术，以全面解决从先进制造和能源系统到精准医疗和环境监测等不同领域的不确定性问题[2]。

本文的主要贡献如下：

• •
  对数字孪生的不确定性进行了三分法分类，包括偶然性、认知性和本体论不确定性。
• •
  使用随机集合表示本体论不确定性；这种表示方法在数字孪生的背景下提供了灵活性、计算效率和适应性，同时便于将不确定性信息与其他来源和类别的数据集成。
• •
  提供了一种更新随机集合的机制，包括重新配置区分框架的步骤和确定当前框架内结果优先级的步骤。
• •
  确定了八个关键的系统性不确定性交互、传播和放大驱动因素。
• •
  提出了一个从基础到高级的六层框架，有助于在数字孪生生态系统中应对不确定性。
• •
  通过一个自动驾驶汽车（AEV）的例子来说明所提出的框架，并提供了关于AEV电池系统的详细案例研究，包括其在车对网（V2G）网络中的集成情况。

本文的其余部分组织如下：第2节概述了各种不确定性来源、不确定性分类以及当前不确定性缓解方法的局限性。第3节介绍了本体论不确定性，使用随机集合表示其数学模型，并提出了一种通过框架重构和结果优先级来确定随机集合更新的机制。第4节讨论了数字孪生生态系统中的关键系统性不确定性驱动因素。第5节提出了一个统一的框架来应对不确定性，第6节通过案例研究进行了支持。最后，第7节提供了结论性意见和未来工作的建议。

章节摘录

不确定性来源

信息物理系统的组成部分，即传感、通信、数据存储和管理、计算、建模和仿真以及控制和执行，构成了数字孪生的关键部分。每个组成部分都受到不确定性来源的影响，下面提供了一些例子。

介绍本体论不确定性

将不确定性传统上分为偶然性和认知性两类对于许多系统来说是公认的。然而，在以系统边界演变、跨领域动态互动和利益相关者需求持续变化为特征的数字孪生生态系统中，这种传统的分类在结构上变得不足[53]。这种局限性不仅由于系统复杂性的增加，还反映了从一个共同假设中产生的更根本的差距

数字孪生生态系统中的不确定性交互、传播和放大

不确定性在数字孪生生态系统中的交互、传播和放大程度由八个关键系统驱动因素决定，如图2所示并如下定义。

• 1.
  系统复杂性和互联性 - 系统复杂性指的是系统内的组件数量，互联性描述了这些组件相互影响的程度。
• 2.
  时间节奏和系统动态性 - 时间节奏指的是系统运作的速度，动态性

六层不确定性缓解框架

提出了一个六层框架来全面解决不确定性问题，从基础方法到更高级的技术。该框架在图4中以金字塔的形式表示，象征着管理数字孪生生态系统中的不确定性所需的不同复杂程度。偶然性和认知性不确定性可能只需要框架的较低两层，而本体论不确定性可能需要集成所有六层。

案例研究

使用真实世界数据的一个案例研究来说明所提出的六层框架的有效性。该研究从估计AEV中锂离子电池单元的内部电阻开始，然后继续估计电池单元的健康状态（SoH），并通过捕捉电池单元、模块和其他AEV组件之间的互动来研究不确定性如何在电池系统中传播

结论与展望

现代数字孪生生态系统的日益复杂性和物理环境与虚拟环境之间日益增长的相互依赖性突显了需要强大框架来有效应对不确定性的迫切需求。这些框架不仅必须解决偶然性和认知性不确定性，还要解决本体论不确定性，后者源于数字孪生生态系统中不断演变的区分框架的动态重构。与偶然性和认知性不确定性不同，

CRediT作者贡献声明

Ai Hui Tan:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件、资源、方法论、调查、资金获取、形式分析、数据管理、概念化。Teong Chee Chuah:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、方法论、调查、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。

致谢

本项工作得到了马来西亚高等教育部通过基础研究计划[FRGS/1/2024/TK08/MMU/01/1]和Telekom Research & Development Sdn Bhd[RDTC/241149]的支持。

Ai Hui Tan | Teong Chee Chuah