Een fysica-gebaseerd deep-learning benadering van multibody digital twins voor de schatting van toestand/belasting/parameters

We betreden het tijdperk van de digitale tweeling: fysieke componenten zijn vergezeld van hun digitale dubbelganger met daartussenin meet- en numerieke gegevensstromen. Dit heeft duidelijke voordelen in technische toepassingen, met kortere tijden en hogere nauwkeurigheid in de ontwerp-, voorspellings- of onderhoudsfasen.

In dit geval is het meten van de relevante grootheden uitermate belangrijk om een up-to-date model te verkrijgen dat het echte systeem correct weergeeft. Hoewel sommige hoeveelheden relatief eenvoudig te meten zijn, kunnen andere moeilijk te verkrijgen zijn op een goedkope, niet-invasieve manier. In mechanische systemen zijn acceleratie sensoren bijvoorbeeld typisch gebruikelijk en economisch, terwijl de bestaande krachten en koppels sensoren om geometrische of economische redenen onpraktisch zijn om te monteren. In dit geval kan de discipline van de toestandschatting, die de modellen combineert met de beschikbare sensordata, helpen.

Desalniettemin zijn niet alle modellen gelijk: complexe mechanismen worden typisch gemodelleerd als systemen met meerdere lichamen, wat leidt tot de karakteristieke differentiële algebraïsche vergelijkingen in redundante co\"ordinaten die niet zonder meer kunnen worden toegepast in gangbare schattingsschema's.

In dit werk wordt een raamwerk voorgesteld om een generiek, d.w.z. software- en formulerings-agnostisch, multibody-model terug te brengen tot onafhankelijke coördinaten, wat resulteert in gewone differentiaalvergelijkingen.

Een dergelijke methodologie vereist dat de redundant-onafhankelijke coördinatentransformaties beschikbaar zijn: aangezien dit zelden het geval is, wordt vervolgens voorgesteld om ze te benaderen door gebruik te maken van deep learning. Een fysisch geïnformeerd neuraal netwerk combineert een referentiesimulatie en de onderliggende multibody-dynamica om de optimalisatie uit te voeren en overmatige aanpassing te vermijden.

Op dit punt is het verkregen gewone differentiaalvergelijkingsmodel ingebed in een Kalman-filter, precies voor het schatten van onbekende invoerkrachten of koppels; bovendien wordt aangetoond dat het mogelijk is deze voorspelling louter op versnellingsinformatie te baseren.

Ten slotte wordt het raamwerk uitgebreid om het multibody-model puur op basis van gegevens te bouwen: hoe de toewijzingen van bijgehouden lichaamspunten en bij benadering onbekende traagheids- of krachttermen kunnen worden opgehaald, wordt getoond.

Voor elk van de bovengenoemde stappen worden validatiecases gepresenteerd ter verificatie.

Samenvattend stelt dit werk voor om de betrouwbaarheid van de multibody-fysische informatie te combineren met de beschikbare meetgegevens door middel van de benaderingsmogelijkheden van deep learning, om relevante (multibody) modellen en (toestand / invoer / parameter) schattingen te verkrijgen.