动态数据驱动仿真综述

动态数据驱动仿真是一种“模型和数据相结合”的仿真范式,它将真实系统的观测(数据)持续注入仿真(模型),让数据动态地校正仿真(状态、参数),以此来提高基于仿真的估计和预测能力。由于动态数据驱动仿真融合了模型预测和实时观测两方面的信息,因此它能更准确地估计系统状态并预测状态的未来演化。梳理了动态数据驱动仿真的思想起源和基本概念,延伸介绍了“模型和数据相结合”的思想孕育的一系列仿真范式,并辨析了它们之间的联系和区别;介绍了基于粒子滤波的数据同化方法和identical-twin仿真实验方法;从应用场景、模型和数据、数据同化算法、与新技术的融合等4个维度综述了动态数据驱动仿真的研究现状;从仿真模型、观测数据、数据同化、运行效率、应用领域等5个方面对动态数据驱动仿真未来研究方向进行了展望。

基于源项估计的污染气体扩散数据驱动仿真

化工园区污染气体扩散的实时预测对于大气污染事故的应急管理具有重要意义。由于大气扩散模型中源项参数的未知以及输入参数的误差,传统的大气扩散仿真精度有限。因此提出了一种基于源项估计与粒子滤波的污染气体扩散数据驱动仿真方法。基于源项估计获取的源项参数,利用粒子滤波将无人机观测气体浓度数据实时注入扩散模型中以校正系统状态,获取更为准确的预测结果。实验表明,相比传统仿真方法更准确地预测了气体浓度分布,为应急处置提供有力的数据支撑。

基于数据驱动仿真的两设备系统元模型

半导体封装测试系统等复杂制造系统的性能分析是项非常困难的任务。利用仿真模型构建两设备系统元模型,并以元模型为基石构建面向大规模复杂系统的近似解析方法是分析复杂制造系统的有效手段。为了快速准确地构建两设备系统元模型,提出了一种基于数据驱动仿真技术及人工神经网络的元模型构建方法。该方法以考虑缓存输送时间的两设备制造系统为研究对象,采用AREAN的二次开发技术实现仿真模型的自动配置、运行、统计,以生成人工神经网络所需案例,并通过比较分析BP、RBF和Chebyshev这3类典型的函数逼近神经网络确定最优的人工神经网络模型。实验结果表明径向基函数密度为120的RBF神经网络模型表现最优,其结果误差最小,能够成为大规模复杂制造系统近似解析方法的基石。

动态数据驱动仿真模型在颅脑创伤护理学教学中的应用

目的探讨基于动态数据驱动仿真模型在神经外科护理学员颅脑创伤护理教学中的作用和效果。方法选取2021—2024年进入西京医院神经外科实习的共计240名护理学员为研究对象,随机分为传统教学组(对照组)和动态数据驱动仿真模型教学组(实验组),每组120名学员。通过构建动态数据驱动颅脑创伤虚拟仿真模型,利用虚实结合的仿真模型开展颅脑创伤护理教学实践。教学结束后,对比两组学生的理论知识掌握程度、实践能力和教学内容的满意度调查结果,综合评价教学效果。结果实验组学生的理论成绩和实践能力考核成绩分别为(92.50±12.37)(88.40±9.12)均高于传统教学组(86.92±7.43)(79.08±8.36)(P<0.05),理论成绩中主要是脑脊液漏护理、术后伤口护理知识掌握程度显著高于对照组(P<0.05),对教学模式及教学内容满意度调查显示,实验组对教学的总体满意率显著高于传帮带的传统教学方法组(P<0.05)。结论动态数据驱动仿真模型教学实现了颅脑损伤护理真实模拟操作教学,显著提高了教学效果,加强了护理学员的实践技能和学习兴趣,为培养合格的神经外科护理人员提供了良好的技术平台。

仿真数据驱动的长期服役电梯导轨故障迁移诊断方法

现有的电梯导轨故障诊断研究存在水平振动分类数据稀缺,训练和测试数据集分布差异较大等问题。提出了一种仿真数据驱动的长期服役电梯导轨故障迁移诊断方法。首先构建电梯轿厢的水平动力学模型,将不同类型的导轨故障激励作为系统输入进行仿真,获得丰富的轿厢水平异常振动数据;然后融合残差网络和卷积注意力机制来提取故障特征,采用子领域自适应方法实现无监督场景下源域与目标域条件分布的对齐;最后使用不同工况下的电梯水平振动数据作为目标域对所提方法进行验证。实验结果表明,所提方法在无监督跨域场景下具有较高的故障诊断精度,为解决长期服役电梯的故障数据稀缺问题提供了参考。

面向数字孪生的动态数据驱动建模与仿真方法

信息物理系统(cyber-physical system,CPS)是支撑信息化和工业化深度融合的综合技术体系,传统的建模与仿真方法难以满足其应用需求。因此,提出面向数字孪生的动态数据驱动建模与仿真方法,通过随机有限集对CPS中的物理实体和传感器进行数据驱动建模,并使用基于贝叶斯推理的预测与校正过程支持数据驱动的仿真模型运行。该方法能够很好地实现数字孪生机制下虚实结合的仿真运行,并实现数据驱动的CPS仿真模型解算,通过以实利虚的方式有效提高了仿真结果的准确性和可信性。最后,通过水面舰艇作战应用案例,验证了该方法的可行性和有效性。

数据驱动下小型纯电动汽车充电策略研究

随着能源危机和环境污染的日益加剧,电动汽车凭借自身低碳环保的特性使得纯电动汽车市场得到广泛关注并迅速扩张。然而,有限的电池容量、多样化的出行需求、充电设施的服务与需求不匹配等诸多问题逐渐成为电动汽车发展的瓶颈问题。考虑用户日常出行需求,优化电动汽车的续驶里程是解决这一问题的可行途径之一。通过对驾驶和充电行为进行建模,提出了一种用于电池电动汽车(BEV)最佳行驶里程的仿真方法。BEV用户的驾驶和充电模式是通过从中国上海收集的实际数据来重构日常出行链。同时,在日常出行链中定义了日常出行和每次出行的相互依赖的行为变量。为满足练习场的适应度目标,采用蒙特卡罗方法建立了一个随机模拟框架。最后,在考虑用户异质性的情况下,分析了不同充电场景下的最优续航里程。结果表明:通过每日出行和每次出行的行为变量可以重构每日出行链,Copula函数检测的变量之间存在相关性;不同日常出行需求的用户有不同的最优续航里程;在选择纯电动汽车时,建议用户考虑每天行驶的车辆公里数不超过电池续航里程的34%;增加充电次数和充电功率更有利于日常出行需求高的用户;在满足出行需求的前提下,增加快充功率的有益效果将逐渐减弱。

基于仿真数据驱动的空间信息网络建模方法

针对复杂空间信息网络系统仿真建模研究的问题,提出了一种基于仿真数据驱动的空间信息网络建模方法,设计了空间信息网络性能指标的深度自编码网络和随机森林回归的混合预测分析模型。针对空间信息网络性能指标维度高,样本分布宽的特点,利用深度学习自编码网络进行空间信息网络性能指标编码解码网络的构建,并结合随机森林回归建立空间信息网网络设计参数到性能指标的关系模型。最后通过案例分析,表明该混合模型既能直接预测空间信息网络性能指标,又可以对网络设计参数进行灵敏度分析。

基于动态数据驱动的柔性制造系统调度模型研究

柔性制造系统的生产调度问题是一个典型的非多项式困难问题。在整个调度过程中,常会发生各种意想不到的事情,从而影响原定的调度计划。文章详细讨论生产过程中可能出现的各类不确定性事件,并基于动态数据驱动仿真的思想,采用多智能体技术建立柔性制造企业生产线调度模型,给出模型的总体结构和各功能模块的详细说明,在此基础上,阐述模型的运行机制,为解决柔性制造系统的生产调度问题提供一种新的思路和方法。

基于仿真数据的三点弯曲峰值荷载预测方法

三点弯曲试验是广泛采用的抗拉强度参数测试方法之一。通过数值模拟分析发现,岩石三点弯曲峰值荷载与预制裂缝倾角等人为可控因素和杨氏模量、抗拉强度等岩石物性因素都具有正相关关系,而与预制裂缝长度呈现出负相关关系。由于影响因素众多且物理实验工作量大,难以建立多因素数学拟合模型,因此目前尚未有针对峰值荷载的普遍可行的预测方法。基于此,提出在数值模拟的基础上生成大量仿真数据,建立并训练人工神经网络模型,对含预制裂缝岩石三点弯曲试验峰值荷载进行预测。研究表明,基于仿真数据的含预制裂缝岩石三点弯曲峰值荷载神经网络预测模型对于已知数据具有很好的预测性能,并且对于未知数据具有良好的泛化能力和外推能力。

功能涂层在多场多尺度仿真下的设计理论及研究进展

功能涂层设计需要考虑从纳米级到米级的多场多尺度效应,这对于功能涂层的设计理论和仿真计算仍是一项巨大挑战。梳理当前功能涂层的多尺度仿真方面存在一些问题,如多场耦合理论有待加强、多尺度数值方法计算效率有待提高、大尺度湍流数值仿真仍存在较大模型误差等。综述了功能涂层设计理论与仿真的现状与趋势,重点讨论了多场多尺度设计理论、动力学设计理论、数据驱动仿真方法以及强度与寿命评价方法等方面的最新进展。在此基础上,提出功能涂层设计理论与仿真的未来重点发展方向。指出面向工业应用的多场多尺度设计技术、动载荷性能设计、数据驱动仿真和搭建仿真软件平台是功能涂层仿真设计所面临的技术难点,并给出面向关键技术难点的研究建议,为后续多场多尺度仿真在功能涂层设计领域中的应用提供参考。

虚实共生复杂体系仿真实验支撑技术研究

复杂体系仿真实验技术是对于复杂体系运用研究十分重要。作战体系是典型的复杂体系,在平行系统、共生仿真、数字孪生等理念的基础上,归纳了虚实共生复杂体系仿真实验的主要特点。以复杂体系仿真实验环境架构设计为重点,对实验环境体系结构、混合式仿真驱动机制、虚实数据接入模式进行了研究,为实现多域联合、数据融合、资源综合、人机融合的复杂体系实验,开展"整体、动态、对抗"的复杂体系综合运用提供了可行的方法和途径。

基于子领域自适应的液压系统故障诊断方法

针对液压系统故障数据采集困难和数据量有限导致其故障诊断模型精度低的问题,提出基于子领域自适应的故障诊断方法。通过液压系统仿真模型模拟不同的故障类型,获得丰富的故障仿真数据,并与有限的实测故障数据结合用于模型构建;将1维卷积神经网络(One-dimensional-Convolutional Neural Network, 1D-CNN)与子领域自适应方法结合,利用1D-CNN构建多传感器信息融合网络全面提取液压系统的故障信息,在域自适应层采用局部最大平均差异(Local Maximum Mean Discrepancy, LMMD)减小源域和目标域特征之间的全局分布差异和子领域分布差异,构建出故障诊断模型。结果表明,所提方法在各类故障实测样本仅有1个的情况下,故障的诊断准确率达到100%,优于所对比的其他智能故障诊断方法。

仿真数据驱动的改进无监督域适应轴承故障诊断

现有无监督的轴承跨域故障诊断研究往往采用充足的试验台数据构建源域,且难以兼顾领域间的边缘分布和条件分布对齐,此外在域适配过程中全体源域样本被赋予相同的重要性。针对以上挑战,提出了一种仿真数据驱动的改进无监督域适应轴承故障诊断新方法。采用仿真所得的故障信息丰富,标签数据充足的轴承故障数据构建源域,降低对试验台资源的依赖。设计了一种嵌入联合最大均值差异的改进损失函数,在无监督场景下实现了不同域间边缘分布和条件分布的同时对齐。开发了一种源域样本权值分配机制,通过领域预测误差衡量源域样本与目标域样本的相似性从而自适应地分配其权值以抑制负迁移。使用两组试验台数据作为目标域对所提方法进行验证,结果表明:所提方法能够充分适配仿真域和实验域的深层特征分布,提高无监督跨域场景下的故障诊断精度。