🔬 applied physics

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty

本文介绍了 PiGGO，这是一个集成了扩展卡尔曼滤波的物理引导图神经微分方程框架，旨在为模型形式未知且传感稀疏的非线性动态结构实现鲁棒的、具备不确定性感知能力的在线虚拟传感与状态估计。

原作者： Marcus Haywood-Alexander, Gregory Duthé, Eleni Chatzi

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Marcus Haywood-Alexander, Gregory Duthé, Eleni Chatzi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你试图理解一座巨大而复杂的桥梁如何在风中摇摆。你只在桥梁的少数几个位置安装了传感器（如加速度计），但你需要确切知道每一个位置发生了什么，包括那些没有传感器的位置。这被称为“虚拟传感”。

问题在于，桥梁是混乱的。它们会弯曲、扭转，并以复杂、非线性的方式做出反应，很难用简单的数学来预测。此外，传感器存在噪声，而且我们往往不知道每一根梁的确切重量或刚度。

本文介绍了一种名为PiGGO（物理引导图神经常微分方程）的新工具来解决这一问题。以下是其工作原理，分解为简单的概念：

1. 地图：以图的方式思考

PiGGO 不是将桥梁视为一团巨大而令人困惑的数据，而是将其视为一张连接图（图）。

节点：桥梁上的关节或点。
边：连接它们的梁或缆索。
类比：想象一张蜘蛛网。如果你拉动一根丝线，整张网都会振动。PiGGO 理解某一点的振动完全取决于其邻居。它利用“图神经网络”来学习这些连接如何相互“交流”。

2. 导师：物理作为引导

纯粹的计算机学习（人工智能）就像一个从未见过桥梁的学生；它试图通过观察少数几个例子来猜测答案。如果桥梁发生微小变化，这个学生就会感到困惑。
纯粹的物理就像一个严格的老师，它完美地掌握了规则，但如果现实世界与教科书不完全匹配（由于未知的裂缝或材料缺陷），它就会感到沮丧。

PiGGO 是完美的师生搭档：

物理部分：它了解梁如何拉伸和弯曲的基本规则（牛顿定律）。它充当“护栏”，防止人工智能做出不可能的猜测。
人工智能部分：它学习教科书规则所遗漏的未知混乱部分（非线性怪癖）。
结果：人工智能学习得更快、更好，因为它不是从零开始；它只是在填补物理老师留下的空白。

3. 安全网：卡尔曼滤波器

即使有优秀的老师和聪明的学生，错误也会发生。如果你尝试仅使用人工智能连续预测桥梁的运动 10 分钟，小错误会像滚下山坡的雪球一样累积，最终酿成灾难（这被称为“漂移”）。

为了解决这个问题，PiGGO 使用卡尔曼滤波器。

类比：想象你在浓雾中开车。你有一个 GPS（人工智能模型）告诉你应该在哪里，但你也有眼睛（真实传感器）看到实际在哪里。
卡尔曼滤波器就是那位不断将 GPS 与你的眼睛进行核对的司机。如果 GPS 说“左转”，但你的眼睛看到“前面有墙”，司机会立即修正路线。
在 PiGGO 中，该滤波器利用真实传感器数据不断修正人工智能的预测，即使模型略有错误或传感器存在噪声，也能保持估计的准确性。

4. 两步训练过程

本文指出，PiGGO 在两个不同的阶段工作：

离线学习（课堂）：首先，人工智能在桥梁的计算机模拟上进行训练。它学习桥梁运动的一般“形态”。它非常擅长理解物理规律和非线性怪癖。
在线传感（现实世界）：一旦训练完成，该模型就被放入卡尔曼滤波器这个“安全网”中。现在，它可以用于不同的桥梁（稍大一些或材料略有不同的桥梁）。因为人工智能学习的是游戏的规则，而不仅仅是某场比赛的具体得分，所以它能够泛化。安全网（卡尔曼滤波器）会捕捉训练桥梁与真实桥梁之间的任何微小差异。

他们发现了什么？

研究人员在两种棘手结构上测试了这种方法：

随机的弹簧网（像一张混乱的蜘蛛网）。
关节处存在“间隙”的桥梁，只有当桥梁移动到一定程度时这些间隙才开始工作（一种非常非线性的行为）。

结果：

没有安全网：如果仅使用人工智能，预测会变得混乱，并随着时间的推移偏离现实，特别是如果桥梁与训练时的桥梁略有不同。
使用 PiGGO（人工智能 + 安全网）：系统保持了准确性。即使传感器存在噪声且桥梁存在未知变化，它也能预测桥梁上没有传感器的部分的运动。它比仅使用人工智能或仅使用传统数学要稳健得多。

结论

PiGGO 是一种为复杂结构“填补空白”的聪明方法。它将物理的可靠性与人工智能的灵活性相结合，然后利用持续的“现实检查”（卡尔曼滤波器）确保预测保持准确，即使现实世界混乱且不确定。它使工程师能够在不需要在每一英寸结构上都安装传感器的情况下，了解结构内部正在发生什么。

以下是论文《PiGGO：用于不确定性下非线性动态结构虚拟感知的物理引导可学习图卡尔曼滤波器》的详细技术总结。

1. 问题陈述

本文解决了在模型形式不确定性和稀疏感知条件下，复杂非线性动态结构中虚拟感知（即估计未测量位置的结构响应）的挑战。

现有方法的局限性：
- 纯物理模型： 难以准确表征由材料效应、连接机制或离散反馈力引起的复杂非线性。它们通常无法捕捉固有的操作变异性。
- 纯数据驱动模型（例如标准 GNN）： 虽然灵活，但在在线设置中容易遭受误差累积，特别是在泛化到具有不同参数或拓扑结构的系统时。它们也难以处理稀疏测量。
- 标准卡尔曼滤波器（EKF）： 需要准确且可微的状态转移模型，而这对于复杂的非线性系统往往不可用。
核心挑战： 开发一个框架，能够在面对测量噪声和模型不确定性时保持鲁棒性，同时对具有未知或部分已知控制方程的非线性系统执行可靠的在线状态估计。

2. 方法论：PiGGO 框架

作者提出了PiGGO（物理引导图神经 ODE），这是一个将**图神经常微分方程（GNODE）与扩展卡尔曼滤波器（EKF）**相结合的统一框架。

A. 图表示与状态空间

结构系统被建模为图 $G = \{X, E, A\}$ ，其中节点代表结构组件，边代表连接（例如弹簧/阻尼器）。
状态变量： 节点特征包括位移、速度和加速度；边特征包括连接延伸量、速率和几何属性（角度）。
物理引导归纳偏置： 架构明确编码了结构力学：
- 等变性： 特征被设计为对坐标系变换保持不变（使用角度的正弦/余弦）。
- 力平衡： 状态演化被分解为已知的线性物理分量（ $C_{phy}$ ）和学习的非线性分量（ $C_{bb}$ ）。

B. 物理引导 GNODE（离线训练）

状态演化： 连续时间状态转移由一个可学习的微分方程定义： $\dot{Z} = F_{ev}(Z, G)$ 。
混合动力学： 演化函数 $F_{ev}$ $F_{e v}$ 结合了：
1. 基于物理的项： 源自已知力学（刚度、阻尼）的标准线性力平衡。
2. 黑盒项： 一个图神经网络（GNN），用于学习剩余的非线性力（例如立方刚度、间隙非线性）。
训练目标： 模型并非仅最小化观测误差，而是使用基于力平衡残差（ $r_i = m\ddot{u} + \xi - f$ ）的物理信息损失进行训练。这确保了学习到的动力学遵循牛顿定律，减少了对海量数据集和手动损失权重调整的需求。

C. 图扩展卡尔曼滤波器（在线推理）

集成： 预训练的 PiGGO 模型在 EKF 循环中充当状态转移模型。
不确定性量化： EKF 通过以下方式处理模型形式不确定性和测量噪声：
- 传播状态均值和协方差。
- 计算卡尔曼增益，基于稀疏且有噪声的测量值修正预测。
- 为所有状态变量提供感知不确定性的估计（置信区间）。
策略： 该框架采用解耦训练策略：
1. 离线： 训练 PiGGO 以学习系统动力学的可泛化表示。
2. 在线： 将训练好的模型嵌入 EKF，以校正实时偏差和噪声。

3. 主要贡献

统一框架： 引入了 PiGGO，这是首个将物理引导 GNODE 与递归贝叶斯滤波相结合，用于非线性结构在线虚拟感知的框架。
物理引导归纳偏置： 证明了将结构力学（力平衡、几何等变性）嵌入 GNN 架构中，如何提高泛化能力并减少对数据的依赖。
对不确定性的鲁棒性： 表明混合方法在处理以下情况时优于开环 GNODE 和标准 EKF：
- 模型形式不确定性： 训练期间未见的结构参数变化（例如刚度、阻尼）。
- 稀疏感知： 即使 75–87.5% 的节点未测量，也能进行准确估计。
感知不确定性的预测： EKF 分量提供后验协方差估计，有效捕捉模型误差和噪声，为安全关键应用提供可靠的置信区间。

4. 结果

该框架在两个数值案例研究中进行了评估：

随机桁架阵列： 具有立方非线性刚度的系统。
桥梁桁架阵列： 具有非平滑角度间隙非线性的系统。

主要发现：

离线性能： PiGGO 模型在训练期间准确学习了动力学，其位移、速度和加速度与真实值吻合。
在线泛化：
- 开环 GNODE： 当应用于具有不同参数的更大、未见过的结构时，开环模型由于累积的积分误差而遭受显著的相位漂移和幅度误差。
- PiGGO-EKF： 滤波方案显著降低了误差。对于随机阵列，位移的归一化均方误差（NMSE）从开环的 24.5 降至 EKF 的 0.3。
- 桥梁桁架： 观察到了类似的改进，EKF 校正了开环预测中固有的偏差和漂移。
不确定性估计： EKF 的后验协方差估计成功包络了真实系统响应，而开环模型未提供任何不确定性量化。

5. 意义与影响

结构健康监测（SHM）的数字孪生： 这项工作为结构健康监测（SHM）提供了一种可扩展、鲁棒的解决方案，使得创建数字孪生成为可能，即使系统参数知识不完整且传感器数据有限，也能可靠运行。
弥合差距： 它有效地弥合了基于物理模型的可解释性与数据驱动学习的灵活性之间的差距。
实际适用性： 解耦的训练/推理策略使该方法在计算上适用于实时应用，避免了端到端训练神经 EKF 的高昂成本。
未来方向： 作者建议扩展该框架以处理局部非平滑行为（例如局部损伤），并探索自适应图拓扑，其中邻接矩阵本身是一个潜在变量。

总之，PiGGO 代表了**物理增强机器学习（PEML）**的重要进展，提供了一种可靠的方法来监测复杂的非线性基础设施，而在这些场景中，传统方法由于不确定性和稀疏性而失效。