基于LSTM的转轮数字孪生寿命预测方法及系统

本发明涉及水力机械结构可靠性评估与人工智能交叉技术领域，具体为基于LSTM的转轮数字孪生寿命预测方法及系统，所述方法中设置实测多维感知数据驱动的隐变量同化闭环环节，将已完成训练的PINN‑LSTM长短期记忆网络等效为非线性状态空间模型；采用扩展卡尔曼滤波算法在线计算所得物理观测特征与所得正向预测特征之间的残差，并求解卡尔曼增益矩阵，对网络隐藏层内的疲劳退化状态参数进行反向校正，自适应在线更新数字孪生模型的。本发明通过扩展卡尔曼滤波闭环同化机制赋予数字孪生模型在线进化能力，能够利用现场实测数据持续修正模型内部疲劳退化状态参数，消除因材料长期服役劣化导致的不确定性误差，形成高可靠动态孪生。