⚡ electrical engineering

Time-Input State-Aware Calibration of Computer Models of Engineering Systems

本文介绍了一种时间输入状态感知校准（TISAC）框架，该框架利用协同演化神经网络和物理约束，通过在具有时间相关性和状态变化的运行条件下推断不确定参数和偏差偏差，来对工程模型进行校准。

原作者： Aryan Panchal, Fatih Canpolat, Abdul Mohammed, Sez Russcher

发布于 2026-08-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Aryan Panchal, Fatih Canpolat, Abdul Mohammed, Sez Russcher

原始论文采用 CC BY 4.0 许可（https://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，你正试图预测一辆汽车在暴风雨中的行驶路径。你拥有一本完美的物理教科书，它解释了发动机、轮胎和风是如何工作的。但当你试图利用这本教科书来预测汽车的实际路径时，它总是出错。为什么？因为教科书假设轮胎始终是新的，且发动机始终以稳定的温度运行。而在现实中，轮胎会随着你的驾驶而磨损（随“状态”变化），发动机也会随着运行时间的增加而变热（随“时间”变化）。这就是**模型校准（model calibration）**的核心：通过调整计算机模型的“旋钮”（其参数），使其预测结果与我们在现实世界中所看到的现象相匹配。几十年来，科学家们一直在努力解决一个棘手的问题：当模型出错时，是因为旋钮设置的数值不对，还是因为模型本身缺少了一块拼图？如果你没弄清楚这个问题，你可能会去转动一个并不需要转动的旋钮，或者错失了发现模型缺陷的机会。

这篇论文介绍了一种修复这些模型的巧妙新方法，称为时间-输入-状态感知校准（Time-Input State-Aware Calibration, TISAC）。把它想象成从一张静态地图升级到一套能随着你驾驶而学习的实时 GPS 导航系统。研究人员 Aryan Panchal 及其来自克莱姆森大学（Clemson University）的团队构建了一个系统，它不仅仅是猜测一个单一的数值，而是能够根据两件事来确定该旋钮在每一时刻应该如何变化：系统的当前状态以及运行了多久（时间）。他们首先在一个已知“正确答案”的虚拟数学问题上测试了这个想法，然后在真实的电网模拟中进行了验证。他们的结果表明，通过让模型的参数随着系统的状态和时间一起“起舞”并演变，我们可以比旧方法更好地将“坏掉的旋钮”与“缺失的物理规律”区分开来，从而为像我们的电网这样复杂且不断变化的系统提供更准确的预测。

问题所在：“一刀切”的陷阱

想象一下，你正在烤蛋糕，但你使用的食谱是为七月晴朗的日子编写的。如果你在暴风雪中尝试烤这个蛋糕，蛋糕就会塌陷。你可能会想：“我是不是放错了面粉的量！”于是，你调整了面粉。但真正的 problem 是，食谱没有考虑到寒冷的空气。在工程学中，这被称为模型差异（model discrepancy）。它是计算机模型的预测值与实际发生情况之间的差距。

长期以来，科学家们试图通过假设模型中的“旋钮”（例如桥梁的刚度或电池的电阻）是恒定的来解决这个问题。他们认为：“只要我找到这个旋钮的一个完美数值，模型就能永远奏效。”但现实世界是混乱的。电池并不仅仅有一种电阻；它的电阻会随着使用时间的增加和温度的变化而改变。桥梁也不仅仅以一种频率振动；它的行为会随着交通负荷的增减而改变。

旧方法有一个巨大的盲点。它们将“旋钮”视为固定的数字，并将模型的“错误”视为一个独立的、混乱的集合。这造成了一种令人困惑的混淆。如果模型出错了，计算机无法分辨是因为旋钮设置的数值不对，还是因为模型缺少了一条关于系统如何随时间变化的规则。这就像是在试图通过拧紧把手来修理漏水的水龙头，而实际问题可能是墙内的一根水管裂了。

解决方案：一个学会进化的模型

本文作者意识到，要解决这个问题，模型的旋钮需要是“有生命”的。它们需要随着系统的变化而变化。他们开发了一个名为 TISAC 的框架。

把 TISAC 想象成一个由三名数字侦探组成的团队，他们协同工作，并由神经网络（一种能从数据中学习模式的计算机大脑）驱动。

侦探一（状态相关旋钮）： 这位侦探观察系统的当前状况（例如输电线路上的负载），并据此调整旋钮。
侦探二（时间相关旋钮）： 这位侦探盯着时钟。它知道有些东西仅仅因为时间的流逝就会发生变化，比如电池的缓慢老化。
侦探三（差异侦探）： 这位侦探寻找“缺失的物理规律”。它试图找出前两位侦探无法解释的误差。

TISAC 的魔力在于这三位侦探是**共同演化（co-evolve）**的。他们一起训练，互相学习。如果侦探一试图通过转动旋钮来解决问题，但侦探三说：“等等，那实际上是一个缺失的物理规则，”他们就会进行调整。这防止了他们互相干扰。论文使用了一种特殊的技巧——灵敏度分析（sensitivity analysis），以确保“旋钮”调整和“缺失规则”调整看起来不会混淆。这就像是确保那个修理水龙头的侦探不会误把修理墙内水管的工作也揽到自己头上。

测试过程：从数学到电网

为了验证这种新方法是否有效，团队进行了两次测试。

测试 1：合成谜题
首先，他们创建了一个受控的虚拟世界，其中他们知道确切的“真实答案”。他们设置了一个数学问题，其中的旋钮理应根据时间和状态进行变化，并且存在一个隐藏的“缺失物理规律”的误差。

结果： 当他们使用旧有的“恒定旋钮”方法时，模型陷入了混乱。它无法区分变化的旋钮和缺失的规则，因此其预测结果偏差巨大。但当他们使用 TISAC 时，模型成功识别出了旋钮是如何变化的，以及缺失的规则是什么。误差从极高的百分比（如 63%）降到了极小的水平（约 3%）。这就像是从靠猜天气变成了拥有完美的预报。

测试 2：电网挑战
接下来，他们将其应用于一个现实场景：复杂的电力网络。电网非常复杂，因为负荷（用电量）在不断变化，而且电网的“惯性”（即稳定性）会随着负荷的移动和时间的推移而改变。

设置： 他们使用了一个带有逆变器（将功率转换的设备）的高保真电网模拟系统。他们想要预测三项指标：功率输出、电压和频率。
结果： 在校准之前，模型的表现非常糟糕，误差高达 108%（意味着预测结果完全错误）。应用 TISAC 后，误差大幅下降。对于训练数据，误差降至 2% 以下。更令人印象深刻的是，当他们使用从未见过的新数据（“留出集”）测试模型时，误差依然保持在较低水平（约 9-11%）。这表明模型不仅仅是记住了答案，它实际上学习了电网行为的规则。

为什么这很重要

论文指出，TISAC 是理解动态系统（即那些始终在运动和变化的事物）的强大工具。通过将“变化的旋钮”与“缺失的规则”分离，工程师可以构建更加可靠的数字孪生（Digital Twins）（现实系统的虚拟副本）。

这对于以下领域至关重要：

电网： 在需求激增或天气变化时保持供电稳定。
电池： 精确了解电池何时发生退化，以防失效。
航空航天： 预测喷气发动机的性能如何随其老化及飞行速度的变化而偏移。

作者谨慎地指出，这只是基于模拟和受控实验的一种建议，而非解决世界上所有问题的万能药。他们指出，该方法最适用于相对稳定且平滑的系统。如果一个系统的变化过于剧烈或突然，该方法可能需要进一步改进。然而，结果是令人鼓舞的。他们证明了，通过让我们的计算机模型随时间和状态一起演化，我们可以停止猜测，开始理解支撑现代世界的复杂且充满活力的系统。

技术摘要：时间-输入状态感知校准 (TISAC)

1. 问题陈述

基于物理的模型在对工程系统进行建模时，通常依赖于连接状态变量（运行工况）与不确定输入参数的控制方程。然而，模型预测与现实之间的差异源于不确定参数、参数误设定以及物理表示的不完整性。

传统的模型校准框架（例如著名的 Kennedy 和 O'Hagan (KOH) 方法）通常假设校准参数是全局常数，或者仅随时间或状态独立变化。对于许多现代工程系统（如退化的电池、老化的航空发动机或并网逆变器）而言，这种假设是不充分的，因为这些系统的参数会随系统状态和时间共同演化。当参数被视为静态或仅随时间变化，而实际上是随状态变化时，校准过程会遭受混淆（confounding）：模型无法区分是由错误参数值引起的误差，还是由结构性模型缺陷（差异/discrepancy）引起的误差。这会导致参数估计出现偏差，并在变化的运行条件下表现出较差的预测性能。

此外，现有方法通常依赖高斯过程（GP）进行代理模型构建和差异建模。虽然 GP 在解析上是可行的，但在处理高维或大规模时间序列数据时面临计算瓶颈（三次时间复杂度， $O(n^3)$ ），这往往迫使研究者采用假设平稳性的降维手段。

2. 方法论：TISAC 框架

作者提出了**时间-输入状态感知校准（TISAC）**框架，该框架显式地将校准参数建模为系统状态 $x$ 和时间 $t$ 的函数，同时推断一个随时间及状态变化的差异场。

2.1 数学公式

观测模型表述为：
$y_{obs}(t, x) = \eta(t, x, \theta_t(x, t), \theta_s(t)) + \delta(x, t) + \epsilon(t)$
其中：

$\eta$ 是基于物理的模型。
$\theta_t(x, t)$ 代表随状态和时间共同演化的参数。
$\theta_s(t)$ 代表仅随时间演化的参数。
$\delta(x, t)$ 是模型差异场。
$\epsilon(t)$ 是实验噪声。

2.2 协同演化神经网络架构

TISAC 采用了一个由三个在训练过程中协同演化的前馈神经网络组成的统一架构：

参数网络 ( $NN_{\theta_t}, NN_{\theta_s}$ )：用于推断校准场。其结构通过双曲正切激活函数输出受限的点估计，并利用该函数对残差进行修正，以限制残差范围。
差异网络 ( $NN_{\delta}$ )：用于推断差异场 $\delta(x, t)$ ，并通过正则化使其捕捉平滑且系统的模型形式误差，而非随机噪声。
响应网络（可选）：在缺乏显式可微控制方程的情况下（例如电力系统案例），使用代理网络将输入和推断的参数映射到输出。在合成基准测试中，响应是通过使用可微的前向欧拉方案对控制 ODE 进行积分获得的。

2.3 损失函数与正则化

该框架最小化一个由多个项组成的联合目标损失函数 ( $L_{total}$ )：

数据拟合损失 ( $L_y$ )：衡量预测响应与观测响应之间的差异，并按经验标准差进行缩放。
结构先验 ( $L_{\theta, prior}$ )：编码预期的依赖类别和光滑趋势。
光滑度与范围惩罚 ( $L_{\theta, smooth}, L_{\theta, range}$ )：强制执行物理上的容许性和在空间与时间上的光滑性。
差异正则化 ( $L_{\delta}$ )：包括能量、光滑度（一阶和二阶导数）、边缘（边界归零）以及频谱惩罚。频谱惩罚旨在抑制差异中的高频成分，防止其吸收测量噪声或发生过拟合。
分离损失 ( $L_{sep}$ )：这是一项关键创新，它惩罚差异向量与校准参数敏感性向量之间的对齐程度。这鼓励差异在与参数变化正交的方向上进行修正，从而减少混淆。

2.4 优化与编码

为了解决前馈神经网络的频谱偏差（spectral bias）问题（即难以学习高频变化），输入采用了傅里叶位置编码进行映射。优化过程使用带有小批量（mini-batching）、预热阶段和余弦学习率衰减策略的随机梯度下降（Adam）。

3. 核心贡献

联合状态-时间校准：该框架显式地解耦了随状态和时间共同演化的参数，填补了文献中将时间相关性和状态相关性分开处理的空白。
降低混淆：通过引入基于 ODE 敏感性向量的分离损失并强制执行结构先验，TISAC 显著降低了校准参数与模型差异之间的可识别性问题。
可扩展的神经代理模型：使用神经网络取代高斯过程，能够高效处理高维时间序列数据，避免了协方差矩阵求逆带来的三次复杂度成本。
物理信息约束：该方法通过控制 ODE（通过 ODE 积分或敏感性分析）直接将控制物理集成到损失函数中，确保了参数推断的物理意义。

4. 结果

4.1 学术案例研究（合成基准）

该框架在具有已知参数和差异真值的合成 ODE 系统上进行了测试。

性能：TISAC 成功恢复了真实的随状态和时间变化的校准场以及差异场。
对比：与标准的 KOH 式贝叶斯校准（使用 GP 代理模型和常数参数）相比，TISAC 大幅降低了预测误差。在测试用例（测量 3）中，响应的均方根误差（RMSE）从 63.83%（贝叶斯方法）降至 3.21%（TISAC）。
参数推断：校准参数的推断误差从 22.31% 降至 1.83%，差异推断误差从 33.63% 降至 14.48%，证明了分离机制的有效性。
数据场景：该框架在不同的数据采样密度（状态丰富型 vs 时间丰富型）以及稀疏数据间隙下均保持了鲁棒性。

4.2 电力系统应用

该方法被应用于集成输配电系统中的构网型逆变器的高保真模型。

设置：模型在变化的负载条件下推断了电网阻抗（随时间变化）和电网惯量（随状态和时间变化）。
结果：
- 训练区域：功率、电压和频率的归一化 RMSE 从预校准时的约 96-108% 分别下降至 1.4%、1.1% 和 0.9%。
- 留出区域（Holdout Region）：模型在未见的运行段和未来时间步内保持了准确性，误差分别降至 10.9%（功率）、9%（电压）和 9.5%（频率）。
- 差异：推断出的差异正确捕捉了留出区域中模型形式误差的方向，为改进响应预测提供了必要的修正。

5. 意义与主张

本文声称 TISAC 为动态工程系统的性能监测和运行管理提供了一种具有物理基础的方法。其主要意义在于能够：

通过准确分离参数不确定性与模型结构误差，支持在变化的现实运行条件下进行更可靠的决策。
为复杂、随时间演化的系统提供一种可扩展的、替代高斯过程校准的方法。
为参数并非静态而是随系统状态共同演化的系统，实现“具有物理基础的数字孪生”工作流。

作者指出，该方法目前最适用于具有稳定动力学特性和平滑残差行为的系统，未来仍需进一步研究以应对快速、不连续的响应。该框架被视为迈向更稳健校准的重要一步，适用于航空推进、智能制造和电池监测等复杂领域。