Probabilistischer Digital Twin für misspezifizierte Struktursysteme

Ein neues Forschungsprojekt präsentiert einen probabilistischen Digital‑Twin‑Ansatz, der die Vorhersage von dynamischen Systemen ermöglicht, deren physikalische Modelle unvollständig oder fehlerhaft sind. Durch die Kombination von Gaussian‑Process‑Latent‑Force‑Modellen (GPLFM) und Bayesian Neural Networks (BNN) wird eine end‑to‑end‑Uncertainty‑Aware‑Inference‑Pipeline geschaffen.

Im Diagnose‑Schritt werden Modell‑Form‑Fehler (MFE) als latente Eingangs­kräfte in ein nominal lineares Dynamikmodell eingebracht. Mit GPLFM werden diese latenten Kräfte zusammen mit den Systemzuständen aus Sensordaten geschätzt. Anschließend lernt ein BNN aus den posterioren Stichproben eine probabilistische, nichtlineare Zuordnung von Zuständen zu MFEs und erfasst dabei die diagnostische Unsicherheit.

Für die Prognose nutzt das System diese Zuordnung, um Pseudo‑Messungen zu erzeugen, die anschließend über einen Kalman‑Filter zur Zustandsvorhersage verwendet werden. Auf diese Weise wird Unsicherheit systematisch von der Diagnose bis zur Vorhersage propagiert – ein entscheidendes Merkmal für vertrauenswürdige Digital Twins.

Die Methode wurde an vier nichtlinearen Beispielen getestet: einem ein‑Grad‑of‑Freedom‑Oszillator, einem Mehr‑Grad‑of‑Freedom‑System sowie den etablierten Bouc‑Wen‑Hysterese‑System und dem Silverbox‑Experiment. In allen Fällen zeigte sich eine hohe Vorhersagegenauigkeit und eine robuste Leistung trotz Modell‑Misspezifikation.