A Continual Validation, Updating, and Decision-Making Framework for Self-Adaptive Digital Twins via Robust Model Predictive Control: A Case Study in Additive Manufacturing
作者: Yi-Ping Chen, Ying-Kuan Tsai, Vispi Karkaria, Seul Lee, Daniel Apley, Wei Chen
分类: cs.LG, cs.AI, math.ST
发布日期: 2026-07-20
💡 一句话要点
提出自适应数字双胞胎框架以解决模型退化问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 数字双胞胎 模型预测控制 概念漂移 低秩适应 统计验证 增材制造 自适应学习
📋 核心要点
- 现有自适应框架在检测模型更新需求、从有限数据中高效适应模型及认证更新效果方面存在不足。
- 提出的框架结合Fisher分数漂移检测、低秩适应和Mann-Whitney U检验，实现了高效的模型更新与验证。
- 在随机线性系统和增材制造案例中，该框架成功检测到漂移并恢复了预测准确性，表现出显著的性能提升。
📝 摘要（中文）
数字双胞胎依赖代理模型实时反映物理系统，但随着操作条件的变化，这些模型可能会退化，称为概念漂移。保持代理模型在漂移下的准确性，尤其是在捕捉随机不确定性时，仍然是一个开放的挑战。现有的自适应框架缺乏有效的机制来检测何时需要更新、如何从有限的流数据中高效适应模型，以及如何认证更新是否真正提高了预测性能。本文提出了一种自适应数字双胞胎框架，集成了基于Fisher分数的多变量漂移检测器、低秩适应（LoRA）用于参数高效的持续学习，以及Mann-Whitney U检验用于在线统计验证。该框架通过Fisher分数向量监控代理模型的置信度，在检测到漂移时触发少于1%的模型参数的针对性微调，并在部署更新的代理之前进行统计认证。应用于随机线性系统和定向能量沉积增材制造过程的案例研究中，该框架成功地检测到分布变化并恢复了预测准确性和不确定性量化。
🔬 方法详解
问题定义：本文旨在解决数字双胞胎在操作条件变化时模型退化的问题，现有方法在漂移检测和模型更新方面存在不足，难以保持代理模型的准确性和可信度。
核心思路：提出的框架通过集成多种技术，实时监控模型性能并在检测到漂移时进行针对性微调，以确保模型的持续适应性和准确性。
技术框架：整体架构包括三个主要模块：Fisher分数漂移检测器用于监控模型置信度，LoRA用于高效的参数更新，Mann-Whitney U检验用于统计验证更新效果。
关键创新：框架的创新点在于结合了多种统计和机器学习技术，形成了一种系统化的自适应机制，显著提高了模型在动态环境中的表现。
关键设计：在参数设置上，框架仅微调少于1%的模型参数，采用低秩适应技术以减少计算负担，同时使用Mann-Whitney U检验确保更新的统计显著性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架在随机线性系统和增材制造过程中成功检测到分布变化，恢复预测准确性和不确定性量化，显著提高了模型的性能，验证了其有效性。
🎯 应用场景
该研究的潜在应用领域包括智能制造、机器人控制和实时监测系统等，能够显著提升数字双胞胎在动态环境中的可靠性和适应性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Digital Twins rely on surrogate models to mirror physical systems in real time, yet these models can degrade as operating conditions evolve, a phenomenon known as concept drift. Maintaining surrogate fidelity under drift, particularly when models must also capture aleatoric uncertainty, remains an open challenge. Existing adaptive frameworks lack principled mechanisms for detecting when updates are needed, for efficiently adapting models from limited streaming data, and for certifying that updates genuinely improve predictive performance. Here we present an adaptive Digital Twin framework that integrates a Fisher score--based multivariate drift detector, Low-Rank Adaptation (LoRA) for parameter-efficient continual learning, and a Mann--Whitney $U$ test for online statistical validation. The framework monitors surrogate-model confidence via Fisher score vectors, triggers targeted fine-tuning of fewer than 1% of model parameters upon drift detection, and statistically certifies predictive improvement before deploying the updated surrogate. Applied to a stochastic linear system and a directed energy deposition additive manufacturing process as case studies, the framework successfully detects distributional shifts with short delays and restores both predictive accuracy and uncertainty quantification under abrupt and incremental drift. These results establish a statistically rigorous and computationally tractable pathway for sustaining the trustworthiness of neural-network--based Digital Twins throughout their operational life cycle.