论文推荐 | 瑞典斯德哥尔摩大学：AI在数字孪生中的应用综述

Artificial intelligence in digital twins—A systematic literature review

Tim Kreuzer, Panagiotis Papapetrou, Jelena Zdravkovic

Department of Computer and Systems Sciences, Stockholm University, Borgarfjordsgatan 12, Kista, 16455, Sweden

Abstract

Artificial intelligence and digital twins have become more popular in recent years and have seen usage across different application domains for various scenarios. This study reviews the literature at the intersection of the two fields, where digital twins integrate an artificial intelligence component. We follow a systematic literature review approach, analyzing a total of 149 related studies. In the assessed literature, a variety of problems are approached with an artificial intelligence-integrated digital twin, demonstrating its applicability across different fields. Our findings indicate that there is a lack of in-depth modeling approaches regarding the digital twin, while many articles focus on the implementation and testing of the artificial intelligence component. The majority of publications do not demonstrate a virtual-to-physical connection between the digital twin and the real-world system. Further, only a small portion of studies base their digital twin on real-time data from a physical system, implementing a physical-to-virtual connection.

Keynote

Artificial intelligence, Digital twin, Machine learning, Literature review, Business intelligence, Data mining

摘要

近年来，人工智能与数字孪生技术愈发受到关注，并在不同应用领域的多种场景中得到了广泛应用。本研究旨在综述这两个领域交叉点的相关文献，即数字孪生中整合人工智能组件的研究。我们遵循系统性文献综述的方法，共分析了149篇相关研究。在所评估的文献中，研究者们采用整合了人工智能的数字孪生技术来解决各种问题，证明了其在不同领域的适用性。研究结果显示，在数字孪生的建模方法上缺乏深度，而多数文章侧重于人工智能组件的实现与测试。大多数出版物未展示数字孪生与真实世界系统之间的虚拟到物理连接。此外，仅有少数研究基于物理系统的实时数据构建数字孪生，实现了物理到虚拟的连接。

关键词

人工智能，数字孪生，机器学习，文献综述，商业智能，数据挖掘

Fig. 16. Conceptualization of digital twins relating to types of AI algorithms.

研究背景

1. 数字孪生技术： 数字孪生是现实世界系统的虚拟复制品，能够准确反映系统行为，旨在实现自动故障诊断或运行时监控等功能。

2. 人工智能与机器学习： 近年来，人工智能（AI）和机器学习（ML）解决方案在多个学科研究中变得越来越重要，AI在多个不同任务中表现出超越人类的能力。

3. 人工智能与数字孪生的结合： 由于AI和DT系统都需要数据来运行，因此将它们整合在一起是合理的。AI与DT的集成创建了AI-DT系统，在不同的应用领域被提出，AI组件基于DT数据进行预测。

研究方法

1. 系统文献综述方法： 本研究遵循系统文献综述方法，分析了149篇相关研究。研究选择的数据库包括IEEEXplore、Scopus和Web of Science，搜索参数限制在计算机科学领域，出版年份为2002至2022年，出版类型为期刊和会议论文。

2. 研究问题： 本研究探讨了三个研究问题：

• AI组件如何提高数字孪生的处理功能？

• 文献中使用了哪些建模方法来构建使用AI的数字孪生？

• 具有AI组件的数字孪生是否展示了物理和虚拟表示之间的双向连接？

实验设计

1. 文献搜索过程： 文献搜索过程包括确定研究问题、选择数据库、定义搜索字符串、筛选和评估文献等步骤。

2. 研究问题的解决： 通过提取每篇相关文章的多个特征来解决研究问题，包括AI组件及其ML算法、数字孪生及其属性等。

结果分析

1. 机器学习方法在数字孪生中的应用： 深度学习是最受欢迎的机器学习技术，有79篇论文（53.0%）将深度学习（Deep Learning, DL）与DT结合。强化学习和传统机器学习方法也得到了应用。

2. 数字孪生所代表的对象： 大多数研究集中在对单一对象类型的数字孪生建模，只有少数研究结合了多种对象类型的数字孪生。

3. AI-DT系统的任务： AI组件的任务可以根据DT的使用案例而有所不同。最常见的任务包括优化、分类和回归。

4. 深度学习、强化学习和传统机器学习的应用案例： 不同的应用领域依赖于不同类型的机器学习算法。例如，在汽车、网络、运输、机器人、制造和物理领域，强化学习方法得到了广泛应用。

5. 数字孪生的概念化方法： 大多数模型在文献中显示为高层次的概述，缺乏详细的系统描述。

6. AI-DT系统的可解释性： 大多数文章没有关注模型层面和算法层面的可解释性，这对于现实世界场景中的系统设计至关重要。

研究结论

本研究回顾了人工智能和数字孪生交叉领域的文献，分析了149篇提出集成AI组件的数字孪生的相关研究。研究发现，尽管数字孪生在不同应用领域中被广泛使用，但关于数字孪生的深入建模方法存在不足，许多文章侧重于AI组件的实现和测试。大多数出版物没有展示数字孪生与现实世界系统之间的虚拟到物理连接。未来的工作需要关注物理和虚拟系统之间的自动化双向信息流，使提出的数字孪生适合与现实世界系统一起使用。

关注公众号，后台回复“论文86”即可下载原文