[发明专利]一种基于变结构动态贝叶斯网络的数字孪生建模推理方法

权利要求书

1.一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，其特征在于：所述方法包括以下步骤：

步骤1：针对目标系统，确定构建其结构数字孪生框架所涉及的各类数据，并将其划分为5类数据；所述5类数据包括变量D、变量M、变量F、变量Q、变量O，其中，变量D表示与工程系统物理状态相对应的数字状态；变量M表示用于模拟、分析结构状态的数字模型；变量F表示结构实际服役载荷环境；变量Q表示无法从模型直接得到的感兴趣的响应量；变量O表示可观测数据；变量D包含实际结构在数字空间中的结构状态、结构响应和损伤；变量M包括模型形式、模型参数和模型置信度；变量F包含载荷类型、作用时间和作用位置；变量Q包含剩余使用寿命、失效应力和结构可靠度兴趣量；变量O包含可测量的应变、加速度和裂纹长度；

步骤2：围绕上述5类数据，确定各变量之间的相互依赖关系，所构建的数字孪生系统可以采用动态贝叶斯网络加以表征；

步骤3：围绕步骤1中的5类数据，进一步建立可变结构动态贝叶斯网络，以表征包含多损伤模式的数字孪生框架；所述可变结构动态贝叶斯网络为结构能够自适应变化的贝叶斯网络；所述可变结构动态贝叶斯网络描述了5类数据之间的相互关系，即数字状态D通过相关的数字模型M结合F计算得到，进而进一步计算最终感兴趣的响应量Q；可观测数据O是结构实际状态的一种可观测的表现形式，因此由D决定；在动态贝叶斯网络中，每个时间片由一个贝叶斯网络描述，而不同时间片之间的连线描述了相邻网络之间的数据传递过程，其中，不同M之间的连线描述了模型随时间的演化过程，而不同D之间的连线代表着前一时刻结构的最终状态会作为下一时刻的初始状态，影响后续的状态演化，采用上标0，1，2，…代表变量处于不同时刻；根据诊断结果，动态贝叶斯网络的结构会自适应变化，使其能够并行跟踪原始损伤和新诊断损伤，两种模式之间的相互作用通过相应的有向弧加以描述，而不同损伤也都将影响结构的剩余使用寿命和可靠性；由于后期出现了多种损伤模式，因此，采用不同的下标1,2来区分不同损伤对应的变量M、D、O；

步骤4：对结构的历史健康状态数据进行统计分析，确定网络中各节点的概率分布；

步骤5：基于步骤3和4建立的动态贝叶斯网络，进行结构诊断与预测推理。

2.根据权利要求1所述的一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，其特征在于：步骤4中，所述的网络概率分布包括：父节点和观测节点的先验概率分布，以及各个节点间的条件概率分布，其中，父节点和观测节点的先验概率分布用π(M⁰)、π(F⁰)和π(O⁰)表示，各个节点之间的条件概率分布用π(D^t|D^t-1,M^t,F^t)、π(M^t|M^t-1)、π(Q^t|D^t)以及π(O^t|D^t)表示。

3.根据权利要求1所述的一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，其特征在于：步骤5中，所述结构诊断，指基于传感监测数据诊断结构状态，确定损伤程度以及是否故障，从而驱动模型更新；所述预测，指基于更新后的模型，预测损伤演化趋势、结构剩余寿命和未来服役可靠性感兴趣量，从而优化维护和任务规划决策。

4.根据权利要求3所述的一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，其特征在于：所述诊断是指，一旦获取了观测数据O，就用它来校准D；在数学上，表示为一个求解后验概率的问题：

5.根据权利要求4所述的一种基于变结构动态贝叶斯网络的数字孪生建模推理方法，其特征在于：所述预测推理指，根据父节点的先验概率和父子节点之间的条件概率，推理出感兴趣的子节点的概率分布，在数学上，表示为：

π(Q^t)＝∫π(Q^t|D^t)π(D^t)dD^t

π(D^t)＝∫π(D^t|D^t-1,M^t,F^t)π(F^t)π(M^t|M^t-1)π(D^t-1)dD^t-1dM^t-1dF^t。