本研究由浙江大学流体动力与机电系统国家重点实验室及浙江省先进制造技术重点实验室的 Xiaoyang Zhu 和 Yangjian Ji 完成,论文发表于 Journal of Manufacturing Processes 第102卷,于2023年8月10日在线发表。该研究面向流程工业中数字孪生(digital twin, DT)模型构建所面临的高度非线性、大规模及动态复杂系统等挑战,提出了一种基于自适应本征正交分解(adaptive proper orthogonal decomposition, APOD)并结合模态系数学习(modal coefficient learning)的降阶模型(reduced order model, ROM)。研究旨在提高生产过程状态监测的精度、工艺调整的及时性以及产品质量的稳定性,通过建立具备自适应更新能力的降阶模型,实现流程工业中数字孪生系统的高效、准确运行。
流程工业中的物理场通常由多物理场耦合而成,具有强非线性、时变性和历史依赖性,传统全阶模型(full order model, FOM)虽然在精度上具备优势,但计算成本极高,难以满足数字孪生对实时性的要求。降阶模型通过将高维系统投影至低维子空间,能够在保持主要物理特征的前提下大幅降低计算复杂度。然而,现有降阶模型大多采用离线构建方式,缺乏对动态工况变化的自适应能力,且模态基函数更新后对应的模态系数往往需要重新计算,导致计算负担沉重。针对上述问题,该研究提出了一种“更新而非重建”的降阶模型构建思路,通过自适应本征正交分解对新增工况数据进行属性评估与判别,进而决定对原有降阶基函数集合进行增加、替换或缩减,并配合基于最小二乘支持向量回归(least squares support vector regression, LS-SVR)的自适应系数学习算法快速获取新基函数对应的模态系数,从而在保证精度的同时显著提高计算效率。
研究所提方法的具体工作流程可分为离线建模与在线计算两个阶段。在离线阶段,首先通过拉丁超立方采样或时间间隔采样获取描述物理场主要变量的快照矩阵(snapshot matrix)。对快照矩阵进行本征正交分解后,得到一组按能量大小降序排列的正交基函数,并根据累计能量贡献率选择前若干阶模态以截断系统表达。以案例中光纤预制棒拉丝过程为例,原始快照矩阵包含24个参数维度和300个时间采样点,前7阶模态累计能量贡献率超过99.99%,因此选择前7阶模态构建初始降阶模型。基函数确定后,利用最小二乘支持向量回归拟合模态与模态系数之间的映射关系,将原本复杂的时域系数求解问题转化为代理模型回归问题。
在线计算阶段,当新增工况数据进入系统后,自适应本征正交分解首先对原始快照矩阵与更新后的快照矩阵进行属性评估。属性评估包含四个维度:信息熵(information entropy)用于判断新增数据是否代表异常工况;信息增益率(information gain ratio)用于衡量特征重要性并辅助相似度评价;相似度(similarity degree)基于调整余弦相似度计算新数据与原始数据之间的综合距离;冗余缩减(redundancy reduction)则通过瑞利商(Rayleigh quotient)评估新增数据是否导致协方差矩阵出现奇异性或信息冗余。基于上述属性评估结果,系统进一步通过特征值贡献判断、基函数精度比较及矩阵秩检验,决定对原模态基函数集合执行三种不同操作路径:第一,若新增主特征值对系统能量捕获有显著贡献且新数据与原数据相似度低、未造成冗余,则增加模态阶数;第二,若新增数据相似度高但基函数精度不足,则在保持阶数不变的情况下替换某一基函数;第三,若新增数据导致矩阵降秩且冗余明显,则缩减模态阶数。自适应本征正交分解的核心优势在于避免了每次工况变化时重新执行完整矩阵分解,而是基于已有分解结果进行增量修正,从而大幅降低在线更新的计算代价。
与模态基函数更新相对应,模态系数的快速学习算法同样具有自适应性。研究中考虑了三种典型情况:当基函数维数增加时,核函数矩阵由k阶扩展为k+1阶,新矩阵的逆可通过分块矩阵求逆公式由原逆矩阵直接推导;当基函数维数减少时,从原矩阵中收缩对应行列即可获得降阶后的逆矩阵,算法复杂度由O(k³)降至O(k²);当基函数维数不变但发生替换时,可视为先缩减后增加的两步组合过程。上述策略使得在在线运行阶段,系统无需计算高阶矩阵逆,而能够基于离线阶段所得结果快速推导模态系数,避免了复杂的矩阵分解和求逆运算。
研究以光纤预制棒拉丝过程为案例进行验证。该过程是典型的流程工业场景,涉及热传导、热对流、热辐射及流固耦合等多种物理场,具有强非线性、不可逆和大批量连续生产特征。实验数据包含980根预制棒拉丝的完整过程记录,每根棒采集2500至3500条数据,每条数据含14个维度,总数据量超过4000万。研究中利用 COMSOL Multiphysics 6.0 软件构建了二维轴对称数字孪生模型,提取了杆径、供料区张力、拉丝区张力、温度和动态粘度等五个关键监测指标。通过对比全阶模型、传统本征正交分解模型和所提自适应本征正交分解模型的结果,研究发现:在杆径控制方面,三种方法均能满足80%以上的合格率要求,但自适应本征正交分解模型的平均合格杆径为24.114 mm,更接近全阶模型的24.131 mm,而传统本征正交分解模型为24.088 mm;在2000秒时刻选取的10个观测点上,自适应本征正交分解模型的平均相对误差仅为0.074%,低于传统本征正交分解模型的0.214%。在温度和动态粘度分布方面,三维后处理图像显示自适应本征正交分解模型能更准确地再现炉区加热软化程度,而传统本征正交分解模型在加热区表现出偏低粘度和偏高温度,导致杆径过度拉伸。在供料区和拉丝区张力监测中,自适应本征正交分解模型对全阶模型的拟合精度显著优于传统本征正交分解模型,最大绝对误差在8 N以内。
网格独立性验证进一步证实了上述结论的可靠性。在四种不同网格密度(自由度分别为32355、45805、82742和116817)条件下,自适应本征正交分解模型的计算耗时分别仅为19秒、24秒、35秒和41秒,而全阶模型分别为386秒、581秒、939秒和1227秒。随着自由度增加,自适应本征正交分解模型的计算效率提升倍率从20.32倍逐步提高至29.93倍,表明该模型在复杂工况下具有更强的计算优势。
该研究的主要结论如下:自适应本征正交分解能够根据新增工况数据动态优化降阶基函数集合,避免全阶模型重建的高昂成本;基于最小二乘支持向量回归的自适应模态系数学习方法可有效规避高维特征空间中的复杂计算,快速获得更新后的模态系数;案例研究表明所提模型在多个关键工艺指标上均能以高精度逼近全阶模型,同时实现显著的计算时间节约。该研究为流程工业数字孪生模型提供了一种兼具精度与效率的自适应降阶建模方法,对提升复杂过程状态监测与产品质量控制具有重要的科学价值和应用前景。研究还指出,当前方法在处理数据缺失、异常数据识别、最小二乘支持向量回归稀疏性以及高耦合多维参数特征选择等方面仍存在局限,未来研究可围绕更高效的数据处理算法、训练集剪枝策略及参数降维与解耦方法进一步深入。