工业过程优化和控制是提高经济和生态效益的关键。我们提出了人工神经双胞胎，结合了模型预测控制、深度学习和传感器网络的概念，以解决数据主权、不同目标或实施所需的专业知识等问题。通过将相互连接的过程步骤视为准神经网络，我们可以对过程优化或模型微调进行损失梯度的反向传播，从而调整过程参数或人工智能模型。该概念在 Unity 中模拟的虚拟机群中进行了演示，其中包括塑料回收中的散粒材料处理过程。

Mar, 2024

个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法，并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。

Mar, 2024

数字孪生是过程工业数字化转型的核心，本研究对数字孪生的建模方法、学习策略和挑战进行了系统分析，旨在填补现有研究中对过程工业数字孪生学习模式的缺失。

Jul, 2024

本文探讨了使用基于强化学习的神经网络自整定的 PID 控制算法，应用于四旋翼飞行器的姿态和高度控制，在动态和静态增益的调整中使用了适应性动量（ADAM）优化器和反向传播（BP）算法，并证明该方法比具有恒定增益的 PID 控制器具有更好的性能。

Jul, 2023

本研究提出了一种基于强化学习的模型参数推断框架，该框架以物理模型响应跟踪为目标，利用一种约束 Lyapunov 基础的 actor-critic (CLAC) 算法，考虑了大规模和高维数据以及嘈杂的真实世界条件下的鲁棒性，实现了在两个基于物理模型的诊断测试案例中的优秀表现。

Jun, 2020

本文提出一种通过闭环控制方法解决神经网络鲁棒性问题的方法，通过嵌入数据流形的几何信息和优化控制，以实现对各种数据干扰的鲁棒性，本方法为通过闭环控制提高神经网络鲁棒性的首次尝试。

Feb, 2021

本文研究了使用合理神经网络控制理论，针对神经反馈环的鲁棒性问题，设计了合理激活函数，并构建了一个内在可凸性结构的合理神经网络，通过对 Sum of Squares 可行性测试进行优化，成功实现了对具有非线性噪声和参数不确定性植物的神经反馈环的稳定化控制

Jul, 2023

对于非线性动力系统的数字孪生，其基本要求是能够生成系统的演化并预测潜在的灾难性紧急行为，以提供早期警示。数字孪生可以实时用于系统的 “健康” 监测和预测问题的解决。构建非线性动力系统的数字孪生有两种方法：稀疏优化和机器学习。本文描述了这两种方法的基本概念并讨论了它们的优势和注意事项。

Sep, 2023

该研究提出了一个数字孪生框架，应用于石油和天然气工业中的气举过程，旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术，为数字孪生系统提供高效、可靠、值得信赖的识别，并致力于改进复杂实际场景中的决策过程。

Nov, 2023

通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

May, 2024