AWS上的数字双胞胎：通过L4生活数字双胞胎创造价值 官方博客：物联网
AWS上的数字双胞胎：使用L4生活数字双胞胎创造价值
关键要点
在本篇文章中，我们探讨了L4生活数字双胞胎的定义及其在电动汽车EV电池管理中的应用。我们将介绍如何使用AWS的开放源框架awsdopm构建数字双胞胎并整合AWS IoT TwinMaker，以帮助实时监控和预测电池性能。
引言
与客户合作时，我们常常听到他们希望利用数字双胞胎技术来进行可操作的洞察和情景分析。这些用例通常包括运营效率管理、车队管理、故障预测和维护计划等。为了帮助客户在这一领域取得进展，我们开发了一个简明的定义和四级数字双胞胎级别指标，以便与客户的应用场景保持一致。在之前的文章中，我们描述了该四级指标(如下图所示)，帮助客户理解他们的用例以及所需技术以实现预期的业务价值。
在本篇博客中，我们将演示如何使用L4生活数字双胞胎对物理系统的行为进行建模，并关注电动汽车电池随时间变化的退化预测。我们以前在博客中介绍了L1描述性、L2信息性和L3预测性级别。在这篇文章中，您将了解到创建和支持L4生活数字双胞胎解决方案所需的数据、模型、技术、AWS服务以及业务流程。
L4生活数字双胞胎
L4生活数字双胞胎专注于随着时间的推移，用真实数据更新模型参数，从而建模物理系统的行为。真实的操作数据示例包括连续数据时间序列、测量传感器或观察视觉检查数据或流媒体视频。模型更新的能力使其变得“活化”，以使模型与物理系统同步。这与L3预测性数字双胞胎形成对比，后者将操作数据用作静态预训练模型的输入以获得响应输出。
创建和实现L4数字双胞胎的工作流程如下图所示。第一步是使用基础原理方法“基于物理”、历史操作数据或混合建模技术建立模型。第二步是执行模型参数的灵敏度分析，以选择哪些参数可更新，并确认所选子集捕获了真实数据的变动。随后，使用概率校准算法对模型参数进行校准，模型随后可以投入生产。
投入生产后，部署的模型用于预测测量值，并与实际测量值进行比较，以计算误差项。如果误差低于预设阈值，则不进行调整，模型用于预测下一个测量值。如果误差大于阈值，则使用概率贝叶斯校准算法更新模型参数，以反映最新的数据观察。这样的更新能力使L4数字双胞胎变得“生机勃勃”。
小熊加速器app为了帮助客户构建和部署L4数字双胞胎，AWSIankoulski、Balasubramaniam和Rajagopalan发布了开放源代码的awsdopm框架。具体技术细节可在GitHub自述文件中找到，此外还有一篇详细的三部分博客，展示了电池退化的示例实现。总之，awsdopm框架使客户能够在分布式计算架构中大规模部署预测模型。该框架还允许用户使用真实数据以概率方式更新模型参数，并计算预测不确定性，同时保持完善的版本控制记录。
在我们的示例中，我们将展示如何使用awsdopm框架来创建电动汽车电池的L4数字双胞胎，并将其与AWS IoT TwinMaker集成。这些L4数字双胞胎将在电池退化的情况下，预测每条行驶路线的电池电压。由于每辆车的行驶路线和充放电循环不同，因此每辆车的电池退化情况也会不同。电动汽车电池数字双胞胎必须具备两个特征：1/电动汽车电池数字双胞胎必须针对每个电池进行个性化；2/电动汽车电池数字双胞胎必须在电池生命周期内定期更新，以准确反映退化性能。
初步模型构建与校准
构建模型的第一步是获取操作数据集。在这个例子中，我们将使用由Iankoulski、Balasubramaniam和Rajagopalan在awsdopm GitHub上发布的相同电动汽车车队模型。根据文档，我们创建了两个合成数据集，以模拟100辆车，每辆车行驶100条路线，采用awsdopm中的示例代码。实际上，这些数据集应来自实际在运营的车辆。第一个合成数据集模拟每辆车所行驶的路线。每条路线的特征包括旅行距离、旅行持续时间、平均速度、平均负载重量、滚动摩擦和空气阻力，这些特征通过从每个特征的概率分布中进行采样来预先设置。设置完成后，第二个合成数据集计算每辆车在其100条路线中的电池放电曲线。假设每辆车都有一块新电池。为了模拟现实生活中的电池退化，示例使用了一个简单的现象学退化模型，该模型以放电电压曲线作为乘数，使每辆车在行驶其100条路线时都发生不同程度的退化。退化模型是路线持续时间、路线距离和平均负载的函数，因此每辆车根据其行驶历史经历不同程度的退化。这个合成的时间序列数据集，模拟了每辆车电池放电的退化情形，作为我们模拟真实操作数据的起点。下图展示了车辆1在数月间行驶其100条路线的完整电压与时间充放电周期，显示了电池随时间的退化情况。
现在我们拥有代表性的操作数据，下一步是构建预测电压的模型。模型可以通过多种方式构建。它可以是基于物理原理的模型，其中模型方程的功能形式基于基础科学原理；也可以是纯粹的经验模型，模型方程的功能形式通过曲线拟合来定义；还可以是严格的数据驱动模型，比如神经网络，或是混合模型例如基于物理的神经网络。在所有情况下，模型的系数或参数都是公开的，可以用于对模型进行校准。在我们的例子中，我们使用每辆车的第一次旅行训练了神经网络，以代表新电池的行为。为了使示例更加真实，我们训练了模型，使之能够预测电池电压，该电压是可通过真实情况测得的几个量的函数，具体来说是平均速度、在路线中行驶的距离和平均负载。该模型的细节可以在awsdopm博客中找到。
第二步是运行敏感性分析，以确定需要校准的模型参数。awsdopm框架实施Sobol指数进行敏感性分析，因为它测量整个多元输入空间的敏感性，并识别主要影响及两两交互的影响。相关详情在awsdopm文档和对应的技术博客中有介绍，此处简单总结。左侧图表显示了主要效应图的结果，指示tripdist0、biasweightarray2和biasweightarray4是需要包含在校准中的关键参数。右侧图表展示了二阶交互的弦图，指示需要包含在校准中的其他参数。
第三步是使用对输出电压影响最大的参数对电池模型进行校准。awsdopm中的模型校准采用无味卡尔曼滤波器UKF方法，这是一种用于非线性系统行为参数估计的贝叶斯技术。UKF通常应用于车辆的导航、控制、运动规划和轨迹优化等场景这些都代表了使用真实数据更新系统控制的用例。在我们的应用中，我们以类似的方式使用UKF，不过这次我们将使用真实数据更新L4数字双胞胎的模型参数。关于在awsdopm框架中执行校准的详细信息，参见awsdopm文档以及相关技术博客。
L4电动汽车电池数字双胞胎的投产部署
现在我们已经为每辆车辆训练并校准了新电池模型，接下来将模型投放到生产中。如下图所示，此解决方案使用AWS IoT SiteWise和AWS IoT TwinMaker构建，建立在L3预测级别开发的解决方案之上。
车辆数据包括旅行距离、旅行持续时间、平均速度、平均负载重量和其他参数，使用AWS IoT SiteWise进行收集和存储。历史维护数据和即将进行的维护活动在AWS IoT Core中生成，并存储在Amazon Timestream中。通过内置的AWS IoT SiteWise连接器，AWS IoT TwinMaker可以访问存储在AWS IoT SiteWise中的时间序列数据，通过为Timestream定制的数据连接器则可以访问维护数据。为了进行预测建模，我们将电动汽车数据导出到Amazon简单存储服务Amazon S3，以生成CSV格式的数据集，并由awsdopm进行调用。
awsdopm运行在一个Amazon Elastic Kubernetes ServiceAmazon EKS集群上，负责执行任务，例如更新各个电池模型，以及在不同数据存储之间的持久性和同步。我们添加了一个自定任务，定期检查在Amazon S3上放置的新旅行数据。这些数据用于执行新预测并根据需要更新各个电池模型。预测结果随后反馈到S3存储桶，再传递到AWS IoT SiteWise。然后，它们被推送到AWS IoT TwinMaker，并在Amazon Grafana仪表板中显示。
我们通过模拟在生产环境中的实际操作情况，使车辆“驱动”先前生成的合成数据集中的路线。随后，我们使用新的电动汽车电池的校准模型，使其在我们之前描述的预测测量重新校准循环中进行工作。以这种方式，每辆车的电动汽车电池模型将随着时间的推移而演变，并且基于行驶的路线来估计不同的模型参数。下图显示了在多条路线行驶过程中，从模型预测与实际测量的电压计算的模型误差。在每条路线结束时蓝点计算误差，如果误差高于阈值，则触发模型更新红点。未更新模型预测的误差蓝线逐渐增高，而更新后的模型预测则保持在阈值附近或以下。
上面的图展示了单一路线的完全电压与时间历史。左侧图显示了未更新模型预测红线和预测不确定带红色阴影，其值明显高于实际观察数据虚线。右侧图则展示了更新后的模型预测蓝线和不确定性范围蓝色阴影，它与观察数据虚线重叠。
这个例子展示了L4生活数字双胞胎的价值，因为电池退化的行为得到了正确的建模。电池输出电压的降低和电池容量的减少直接影响了电动汽车的续航里程，随着电池老化而变短。续航焦虑例如，因电动汽车电池耗尽而被滞留的恐惧和电池容量降低是电动汽车市场价值和汽车行业研究的关键驱动因素。在未来的博客中，我们将扩展这一示例中的概念，展示如何利用L4生活数字双胞胎来计算电动汽车的剩余续航以应对续航焦虑和电池健康状态State of Health SoH，后者决定了电动汽车电池及电动汽车的二手市场价值。
总结
在此博客中，我们通过逐点预测电动汽车电池在行驶过程中的电压随时间的退化，详细介绍了L4生活级别。我们利用Iankoulski、Balasubramaniam和Rajagopalan发布的awsdopm框架，展示了如何将其示例电动汽车车队模型与AWS IoT TwinMaker集成。在之前的博客中，我们描述了L1描述性、L2信息性和L3预测性级别。在AWS，我们期待与客户合作，共同探索其数字双胞胎的旅程，涵盖所有四个数字双胞胎级别，同时鼓励您进一步了解我们新的AWS IoT TwinMaker服务以及我们的开源awsdopm框架。
作者简介
Dr Adam Rasheed是AWS自主计算部的负责人，在此开发用于自主系统的HPCML工作流的新市场。他有25年以上中期技术开发经验，涉及工业和数字领域，包括10年以上在航空、能源、石油和天然气以及可再生能源行业开发数字双胞胎的经历。他获得了加州理工学院的博士学位，研究实验超高速热力工程轨道重入加热。被《麻省理工科技评论》杂志评选为“全球35位顶尖创新者”之一，并获得了AIAA劳伦斯斯佩里奖，这是一个在航空学早期职业贡献中的行业奖项。他拥有32项以上的专利以及125篇以上关于工业分析、运营优化、人工提升、脉冲引爆、超音速、冲击波诱导混合、太空医学和创新的技术出版物。Dr David Sauerwein是AWS专业服务的数据显示科学家，帮助客户在AWS云上进行AI/ML旅程。David专注于预测、数字双胞胎和量子计算。他拥有量子信息理论的博士学位。
