Adaptive Sensor Steering Strategy Using Deep Reinforcement Learning for Dynamic Data Acquisition in Digital Twins

要約

このペーパーでは、データ収集プロセスを最適化することにより、デジタルツインの予測精度と意思決定サポート機能を強化するための深い強化学習に基づくセンサーステアリング方法を紹介します。
従来のセンサーの配置技術は、多くの場合、1回限りの最適化戦略によって制約されており、継続的な有益なデータ同化を必要とするオンラインアプリケーションへの適用性を制限します。
提案されたアプローチは、デジタルツインパラダイム内のセンサー配置のための適応フレームワークを提供することにより、この制限に対処します。
センサーの配置問題は、マルコフの決定プロセスとして策定され、デジタル双子が表す物理構造の進化する条件に応じてセンサーを動的に再配置できるエージェントのトレーニングと展開を可能にします。
これにより、デジタルツインが物理的な対応物との非常に代表的で信頼できる接続を維持することが保証されます。
提案されたフレームワークは、健康的な条件や損傷した状態を含む多様な条件にさらされた片持ちのプレート構造を含む一連の包括的なケーススタディを通じて検証されます。
結果は、ディープ補強学習エージェントがセンサーを適応的に再配置する能力を示し、データ収集の品質を改善し、デジタル双子の全体的な精度を向上させることを示しています。

要約(オリジナル)

This paper introduces a sensor steering methodology based on deep reinforcement learning to enhance the predictive accuracy and decision support capabilities of digital twins by optimising the data acquisition process. Traditional sensor placement techniques are often constrained by one-off optimisation strategies, which limit their applicability for online applications requiring continuous informative data assimilation. The proposed approach addresses this limitation by offering an adaptive framework for sensor placement within the digital twin paradigm. The sensor placement problem is formulated as a Markov decision process, enabling the training and deployment of an agent capable of dynamically repositioning sensors in response to the evolving conditions of the physical structure as represented by the digital twin. This ensures that the digital twin maintains a highly representative and reliable connection to its physical counterpart. The proposed framework is validated through a series of comprehensive case studies involving a cantilever plate structure subjected to diverse conditions, including healthy and damaged conditions. The results demonstrate the capability of the deep reinforcement learning agent to adaptively reposition sensors improving the quality of data acquisition and hence enhancing the overall accuracy of digital twins.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google