《基于元学习的水下系统（鱼雷）数字孪生解决方案》

本文介绍了基于元学习概念实现数字孪生的初步研究。迈向建立理想数字孪生的第一步的主要目标是评估适合国防工业环境的适当方法。主要的挑战是如何在数据稀缺的情况下训练和验证模型，这也是国防领域的一个共同主题。目前的用例是先进的水下防御系统中使用的锂离子电池，旨在创建一个可用于维护和设计目的的数字人工制品。最初的实施采用了循环神经网络（RNN）和模型诊断元学习（MAML）来实现内部和外部学习循环，以达到学习者能够快速适应新任务的目的。基础学习器利用电池退化的开放数据集为元模型生成梯度。研究结果凸显了数字孪生作为水下防御系统明智决策、提高可靠性和准备状态的宝贵工具的潜力。

图：理想情况下，数字孪生可支持系统的整个生命周期，包括设计、制造、使用和服务/维护。

2022 年底，萨伯公司向瑞典国防物资管理局（FMV）和瑞典武装部队交付了最先进的鱼雷系统萨伯轻型鱼雷（SLWT），如图 所示。该鱼雷长约 2.85 米，直径 0.4 米，总重量约 340 千克。SLWT 的推进系统集成了一个泵喷射驱动装置、一个带变速箱的直流电动机和一个可充电锂离子电池。

国防工业数字孪生的利益与挑战

国防工业数字孪生技术的数据基础设施所面临的挑战是多方面的，需要仔细考虑。数据收集和整合是重大障碍。数字孪生依赖于来自各种传感器、平台和系统的大量异构数据。以标准化格式整合和协调这些数据是一项复杂的任务，尤其是在处理可能具有不同协议和安全要求的遗留系统和机密信息时。顾名思义，数字孪生系统必须使用物理资产记录的数据来构建，这就联系到本文的基本研究问题。在人工智能时代，数据显然至关重要，但航空航天和国防（以及其他领域）需要高度发达的数据保护程序，因此数据隐私和安全保证已成为人工智能发展的重要义务。个人数据和专有数据泄露、误用和滥用的风险显然令人担忧，尤其是基于云的解决方案和其他分布式解决方案，因为这些解决方案的基本基础设施掌握在第三方手中。要构建防御系统的数字孪生技术，在选择 ML 技术时必须考虑有限的数据访问和严格的数据处理程序。在国防领域，确保数据的安全性和保密性至关重要。考虑到数据泄露对军事行动的潜在影响，保护敏感信息免遭未经授权的访问或网络威胁至关重要。实施强大的加密、访问控制和安全数据传输机制对于维护数字孪生数据基础设施的完整性和保密性至关重要。

另一个核心问题是可扩展性和实时数据处理，因为它们构成了重大挑战。国防应用通常需要实时决策，这就要求数据基础设施能够处理大量数据并快速处理这些数据，以支持具有时间敏感性的行动。

同样明显的是，在与不同国防机构或盟国（如北约内部）合作时，数据互操作性仍然是一个挑战。建立通用的数据标准和协议对于确保数字孪生系统之间的无缝数据交换和有效互操作性至关重要。要应对这些挑战，需要采取整体方法，涉及国防机构、技术提供商和决策者之间的合作，为国防工业中的数字孪生创建稳健、适应性强的数据基础设施。

在本文中，所需的数字孪生的主要目的是实现对所选 SLWT 资产进行实时监控和预测性维护的工具。通过根据每个资产的高保真模型模拟其电池的行为，可以深入了解每个资产电池的健康、性能和 RUL 方面的情况。通过探索各种运行条件和配置，有望促进优化和性能提升。从长远来看，这反过来又可对电池参数进行微调，以在不同情况下实现最佳性能，特别是对于未来设计和其他系统概念而言。此外，预计数字孪生技术还将有助于风险评估和缓解。通过将虚拟电池置于模拟的极端条件和故障场景下，有可能找出并解决漏洞，从而提高整个 SLWT 的可靠性和安全性。因此，数字孪生技术有望促进更好地了解电池与系统中其他组件的相互作用，从而提高系统集成和整体效率。

本研究中介绍的数字孪生是一项正在进行中的工作，因此本节的重点是展示迄今为止取得的成果。使用 MAML 以及在牛津电池降解数据集上训练的基础学习器构建有效数字孪生的过程仍在进行中，有待进一步完善。尽管如此，所取得的成果为元学习器预测电池行为的潜力提供了宝贵的启示。本节介绍了数字孪生设计的基本思想，接下来的章节将介绍当前的研究成果，展示数字孪生方法在实际应用中优化电池管理和性能预测的可行性和广阔前景。