A Digital Twin Model Updating Method to Capture Lifecycle System Degradation
Notice bibliographique
Résumé
Abstract Iterative update methods are important for digital twin (DT) models to learn from new data and maintain the DT performance during application. However, when considering system lifecycle degradations, current update methods fail to enable DT models to capture system responses affected by degradation over time. To alleviate this problem, degradation models of measurable physical parameters are often integrated into DT construction. This operation is costly since identifying the degradation parameters depends on prior knowledge of the system and requires expensive experiments. To overcome above limitations, this paper proposes a lifelong update method for DT models to capture the effects of degradation on system responses without any prior knowledge and expensive offline experiments on the system. In this work, the DT model is constructed as a feedforward neural network with a fixed structure, and the effect of system degradation is assumed to be reflected by the DT parameters obtained at each degradation stage. During the lifelong update process, an extreme learning machine is adopted to capture how the model parameters change in lifecycle for each layer. The constructed extreme learning machines could predict model parameters of the entire DT model at any future degradation stage. The proposed method is evaluated with the battery degradation dataset from Oxford University. The test results demonstrate that the proposed method could capture effects of system degradation on system responses during the lifecycle and outperform the conventional fine-tuning method in terms of prediction accuracy and robustness at future stages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».