生成式数字孪生：一种基于稀疏长短期记忆网络（Sparse-xLSTM）的自进化混合建模方法，用于复杂设备的仿真与分析

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Generative digital twin: A Sparse-xLSTM based self-evolution hybrid modeling approach for complex equipment

　　

Kunyu Wang|Lei Zhang|Lin Zhang|Dusit Niyato|Qingsha S. Cheng|Xiaoge Zhang|Hongbo Cheng|Han Lu|M. Jamal Deen

摘要

将生成式人工智能（GenAI）整合到数字孪生（DTs）中，为表征复杂设备的非线性动态提供了变革性潜力。然而，由于基于Transformer的架构在计算上的局限性以及传统循环网络长期记忆能力的不足，实现高保真度、自我演化的生成式数字孪生仍然具有挑战性。为了解决这些限制，本文提出了一种由物理引导的稀疏xLSTM驱动的新型生成式数字孪生（GDT）方法。首先，我们构建了一种稀疏xLSTM架构，旨在高效地模拟高维时间动态。通过利用指数门控和矩阵记忆，该架构在实现线性计算复杂度的同时，能够有效捕捉长距离依赖关系，克服了传统注意力机制的二次方瓶颈。进一步结合了稀疏注意力策略，从噪声传感器数据中提取出独特的状态特征，增强了表示的鲁棒性。其次，为了确保物理一致性和泛化能力，设计了一种混合建模机制。将物理先验作为输入特征，并将控制方程作为物理约束纳入优化目标中，从而有效地将生成解空间限制在物理上可行的轨迹范围内，减少了模型幻觉现象。第三，为了解决持续适应的需求，开发了一种基于低秩适应（LoRA）的自我演化引擎。该机制使GDT能够利用有限的流式数据进行在线更新，通过微调低秩矩阵来实现与物理实体时变状态的快速同步，而不会出现灾难性遗忘。在CNC机床磨损数据集上的实验验证表明，所提出的方法在预测准确性和适应效率方面均显著优于现有基线方法，为复杂设备的智能预测性维护提供了一个可靠的范例。