缩放数字模型

为何缩小机器很重要

在新型工程机械触及土地之前，工程师现在先在虚拟环境中测试它们的“表亲”。这些称为数字模型的虚拟替身，有助于预测真实设备的行为，从而节省费用并提高安全性。但不同尺寸的机器——全尺寸、中等或桌面级——通常都需要各自昂贵的传感器和测试回合，才能使数字模型可信。本文展示了一种方法：仅校准一台真实机器，然后将这份知识“缩小”或“放大”以适用于不同尺寸的机器，而无需重复所有实验。

从真实机器到其虚拟孪生

数字模型试图模拟机器的真实物理：重部件如何运动、液压缸如何发力、土壤如何抵抗挖掘铲斗。当这些模型用机器上的传感器实测数据调校后，它们可以成为随着机器运行而更新的数字孪生。对于轮式装载机等施工车辆，这类模型尤其有用，因为行业在重复性作业中普遍面临生产率低的问题。既往研究表明，基于物理的仿真在装载机仅行驶时能较准确地追踪运动，但在铲斗挖入土壤时常常严重失准。那时，力学变得复杂且难以预测。借助载荷销、压力传感器和运动跟踪器进行精心实验可以修正这些误差，但若要为产品系列中的每种尺寸重复该过程，成本很快就会过高。

简单缩放为何会失效

工程师长期以来使用比例模型：飞机风洞、缩小桥梁和小型船舶。支撑这些方法的常用工具是量纲分析，它将物理问题改写为无量纲数——这些比值在系统完全相似时应对任意尺度表现相同。但在实践中，真实的产品线很少遵守这些完美的“相似律”。不同的装载机可能改变了比例、液压布局或材料略有差异。这些不匹配，被称为扭曲的缩放因子，会扭曲关键无量纲数之间的关系。传统公式和简单回归工具无法可靠地捕捉这些扭曲，尤其当底层行为高度非线性时。因此，经典的缩放定律直接应用于现代工业机器时可能产生很大误差。

让数据学习这些扭曲

作者提出了一个新框架，让机器学习在教科书式假设失效时学习缩放的真实行为。首先，他们使用量纲分析将复杂的装载机机制简化为一小组有影响力的变量，例如关节力、铲斗重量、液压压力和加速度。这些变量被组合成描述系统行为的无量纲群，更为紧凑。接着，他们引入“扭曲项”，用于衡量这些无量纲群在参考机器（例如中型装载机）与另一台机器（更大或更小）之间的差异。然后训练一个神经网络，将这些扭曲映射为单一的预测因子，指示在从一种尺度转换到另一种尺度时应如何调整关键量——在这里是关键铲斗关节的力。网络不再为每台装载机手工制作新模型，而是直接从模拟和测量数据中发现这种映射关系。

用三台轮式装载机检验该想法

为检验该方法，团队使用了一台已用传感器精心校准的工业轮式装载机的详细数字模型，并将其与一台更大的商用装载机和一台仅重11公斤的微型桌面模型配对。中型和大型机器提供训练数据，这些数据由逼真的挖掘动作仿真生成。微型装载机被保留作为新的测试对象。试验了几种机器学习设置，包括标准的前馈神经网络和更复杂的递归网络以追踪时间历程。表现最好的反而是更简单的前馈网络，它在训练尺度上以接近完美的统计精度预测了关节力的缩放因子。当应用到从未见过数据的微型装载机时，该方法将估计关节力的平均误差降至约4%，而仅用教科书式缩放时误差超过40%。

这对未来机器意味着什么

对非专业读者而言，结论是公司或许很快可以仅校准一台仪器齐全的“主力”机器，然后可靠地将该知识转译到整套大小各异的机器中。将量纲分析的严谨性与神经网络的灵活性结合起来，这种方法将现实世界中杂乱的差异转化为可学习的模式。这可能大幅减少为在产品线中构建准确数字孪生所需的传感器、测试和工程工时。超越轮式装载机，相同策略也可用于设计和测试许多其他复杂系统——从起重机和机器人到能源装置——每当为每个版本都按全尺寸建造和装置传感器过于缓慢或昂贵时。

引用: Karanfil, D., Ravani, B. Scaling digital models. Sci Rep 16, 5962 (2026). https://doi.org/10.1038/s41598-026-36310-x

关键词: 数字孪生, 机器学习, 量纲分析, 施工设备, 模型缩放