引言
根据水力研究所的数据，流体传输基础设施是现代工业领域中最重要的能源消费者之一，约占工业化国家总发电量的20%[1]。在全球能源需求不断增加和碳减排目标日益严格的双重压力下，减少这些大型水力网络的碳排放并优化其运行变得日益重要。为了释放巨大的节能潜力并适应波动的运营需求，现代工程范式正向先进的机电干预措施转变。其中，广泛集成变频驱动器（VFD）与智能控制架构[[2], [3], [4]]是突出的趋势。然而，对高能源效率的持续追求往往使这些信息物理系统接近其物理极限。当系统频繁在约束边界附近运行时，其对机械退化和动态环境不确定性的敏感性显著增加。
历史上，这些高能耗资产的运营管理主要由确定性优化框架主导。为了简化复杂的水力问题，系统特性通常被假定为静态的[5,6]，主要集中在通过线性[7,8]、非线性[[9], [10], [11]]和动态规划[12]进行离散的开/关调度。虽然这些方法在理想化场景下计算效率高，但现代流体传输严重依赖跨异构并行泵的连续实变量速度控制。当将传统的确定性方法应用于这些耦合的非线性运营环境[13]时，其纯粹基于效率的逻辑容易受到干扰的影响。这些确定性模型不仅无法收敛到数学上的局部最优解[14]，还严格最小化了运营余量，而没有考虑组件健康状况或随机噪声。因此，它们可能会无意中将系统推向次优运营状态，导致频繁的水力约束违规，加速设备疲劳，并损害整个系统的可靠性。
为了克服传统基于梯度技术的固有局限性，自20世纪90年代以来，元启发式算法（如遗传算法（GA）和粒子群优化（PSO）得到了广泛应用。它们无需梯度的灵活性被证明有助于解决复杂的非凸离散运营问题[15,16]。例如，Wu等人[17]将水力约束作为惩罚函数嵌入遗传算法中，以同时优化系统效率和可靠性，而Lai等人[18]使用粒子群优化来限制偏差，以达到最佳效率点（BEP）。与这些算法进展并行的是，人工智能的普及提高了流体机械的建模精度[[19], [20], [21]]。近期文献中提到了深度学习架构和人工神经网络（ANNs）在高精度流场重建[26,27]和离心泵性能预测[[22], [23], [24], [25]]中的应用。值得注意的是，已经开发了定制的数据驱动替代模型来描述特定子系统的动态，例如使用轴功率预测器评估VFD和电机效率[28]，或在简化的分布回路中绘制流体动力学[29]。然而，尽管在元启发式优化和AI驱动建模方面取得了这些协同进展，当前的泵控制范式仍面临两个关键限制：依赖于静态确定性模型以及“仿真到现实”之间的退化差距。
首先，传统的优化框架主要依赖于静态的确定性目标函数，将泵组合推向数学边界以最大化节能效果。然而，物理系统本质上受到认知不确定性和测量噪声的影响。缺乏不确定性量化，这种确定性方法容易过度利用资源，在未见或波动的条件下运行时会导致严重的水力约束违规。因此，需要从确定性点估计过渡到一种概率性、风险意识的建模范式，从而在运营决策周围建立统计余量。
其次，在长期工业应用中，由于不可预测的机械磨损，会出现显著的“仿真到现实”差距。内部效率退化高达25%的泵在实际运行中的表现往往与初始离线模型有显著差异[30,31]。由于现场水力测试受到结构限制，特征曲线很少实时更新。因此，在退化的物理环境中维持静态的离线优化策略会导致巨大的能源损耗[32,33]；过时的算法可能会无意中将退化的泵推向高阻力区域，从而导致显著的能源损失。因此，仅依赖离线数据驱动的神经网络[[34], [35], [36], [37]]或静态混合模型[[38,39]]是不够的。需要一种能够动态跟踪退化并实时执行的适应方案。
最近，将先进的机器学习技术整合到可靠性工程中，推动了流体机械健康评估的进步。基于物理的深度学习架构，如物理信息神经网络（Physics-Informed Neural Networks）和PI-LSTMs，已成功用于可解释的磨损检测和剩余使用寿命估计[40,41]。同时，利用图卷积网络（Graph Convolutional Networks）和动态分布适应（Dynamic Distribution Adaptation）的高级诊断框架在复杂运行条件下表现出色[42,43]。此外，像克里金算法（Kriging）这样的替代模型在多维不确定性量化和低概率可靠性评估方面也显示出能力[44]。然而，当前的研究前沿主要仍局限于“被动感知”——即检测故障、评估可靠性或预测寿命。在复杂的工业应用中，系统往往不能在检测到不对称机械退化时立即停止维护。关于如何在认知不确定性下执行“主动安全控制”以防止物理边界违规和级联故障，仍存在一个关键差距。
为了弥合这些工程差距，本研究提出了一个自适应概率数字孪生（APDT）框架，用于实现对异构并行泵送系统的风险意识和节能控制。虽然高斯过程回归（GPR）、可行性概率（PoF）和信任区域贝叶斯优化（TR-BO）等技术在机器学习社区中是成熟的方法，但将这些方法集成到动态退化的流体机械控制中仍然是一个重大的工程挑战。因此，这项工作的新颖性不在于算法本身的发明，而在于将这些概率工具在架构上整合起来，以解决物理退化下的“主动安全控制”问题。具体来说，该集成工程框架的主要贡献如下：
•通过概率集成实现的风险意识统计护栏：该框架不依赖于确定性惩罚函数，而是采用概率替代模型，将GPR与五成员CSMLP集成，以量化泵的功率和流量特征的认知不确定性。通过将受限的预期改进（cEI）与可行性概率（PoF）相结合，算法能够自主退出高风险不确定区域，建立统计护栏，防止过度利用和液压违规。
•异构退化跟踪和负载重新分配：该研究指出了传统均匀建模假设的局限性，表明不考虑不对称组件老化会导致严重的能源损失。APDT框架作为一个主动感知模块，能够捕捉单个效率偏差，使总体控制策略始终能够在不同程度的机械退化下获得更好的全局最优解。
•动态在线适应和“战略性卸载”：在不可预测的现场退化情况下，APDT会在线动态更新其替代模型。通过采用稳定的信任区域贝叶斯优化（TR-BO）作为物理速率限制器，该框架防止了严重的控制振荡，并确保平稳、单调的能源优化。此外，在这种概率集成的驱动下，系统自主执行物理合规的“战略性卸载”操作——数学上将负载分布从退化组件转移开，从而有效减轻高负载边界处的非线性能源损失。
