基于可持续扩散的激励机制：用于工业网络物理系统中由生成式人工智能驱动的数字孪生技术

《IEEE Transactions on Industrial Cyber-Physical Systems》：Sustainable Diffusion-Based Incentive Mechanism for Generative AI-Driven Digital Twins in Industrial Cyber-Physical Systems

工业物联网系统（ICPSs）中数字孪生（DTs）的构建面临数据不对称问题，本文提出基于合同理论的动态剪枝软 actor-critic 算法，通过参数优化提升DTs预测精度，解决数据稀缺与偏差问题，支持智能制造高效迭代。

　　

摘要：

工业网络物理系统（ICPSs）是现代制造业和工业不可或缺的组成部分。通过在产品生命周期中数字化数据，ICPSs中的数字孪生（DTs）实现了从当前工业基础设施向智能和适应性基础设施的转变。得益于数据处理能力，生成式人工智能（GenAI）可以驱动数字孪生的构建和更新，从而提高预测准确性，并为多样化的智能制造做好准备。然而，利用工业物联网（IIoT）设备共享传感数据以构建数字孪生的机制容易受到逆向选择问题的影响。在本文中，我们首先开发了一种由GenAI驱动的ICPSs数字孪生架构。为了解决信息不对称导致的逆向选择问题，我们提出了一个契约理论模型，并开发了一种基于可持续扩散的软Actor-Critic算法来识别最优可行的契约。具体而言，我们采用了动态结构化剪枝技术来减少Actor网络的参数数量，从而确保所提算法的可持续性和高效实施。数值结果证明了该方案和算法的有效性，能够高效地构建和更新数字孪生，以监控和管理ICPSs。

引言

随着工业技术（如工业物联网（IIoT）和信息通信技术）的进步，物理空间与网络空间的融合催生了一种新的范式——工业网络物理系统（ICPSs）[1]。ICPSs是复杂而智能的系统，它们将物理组件和计算组件无缝集成，实现了实时数据交换和决策制定[2]。预测性维护在ICPSs的可持续性中发挥着越来越重要的作用。基于人工智能（AI）的预测性维护和监控方法（如迁移学习[3]和联邦学习（FL）[4]）已经变得非常突出。为了设计ICPSs中的集成控制和监控系统，数字孪生（DTs）受到了学术界和工业界的广泛关注[1]。数字孪生是指覆盖物理实体整个生命周期的虚拟副本。在ICPSs中，通过基于实时传感数据模拟工业基础设施的行为和性能，数字孪生可以提供预测能力，并帮助消除物理错误和攻击[1]，从而优化制造过程并提高ICPSs的性能。然而，在ICPSs中建立和实施数字孪生依赖于高保真建模和强大的数据交互，这可能会遇到数据问题，如数据稀缺、数据偏差和噪声。