症状：估计值随时间推移逐渐偏离观测值。原因和解决方案： - 集合大小太小。最少50个，最好100个以上 - 通胀系数的设置。如果协方差被低估，滤波器会过度自信，忽视观测。尝试\rho = 1.01〜1.10的通胀 - 模型偏差的存在。如果存在系统误差，滤波器无法完全纠正。在状态向量中添加偏差项

数据同化方法 — 故障排除指南

Q: 1. 滤波器发散

症状：估计值随时间推移逐渐偏离观测值。 原因和解决方案： - 集合大小太小。最少50个，最好100个以上 - 通胀系数的设置。如果协方差被低估，滤波器会过度自信，忽视观测。尝试\rho = 1.01〜1.10的通胀 - 模型偏差的存在。如果存在系统误差，滤波器无法完全纠正。在状态向量中添加偏差项

Q: 2. 估计值变成非物理的

症状：估计负的杨氏模量或不现实的温度。 原因和解决方案： - 参数约束条件未设置。使用对数变换或sigmoid变换将其限制在物理上可接受的范围内 - 观测算子的线性化误差较大。切换到迭代EnKF（IEnKF）

Q: 3. 计算成本不现实

症状：整个集合的FEM执行需要多天。 解决方案： - 使用基于POD的ROM加快每个成员的计算 - 通过域局部化减少状态向量的大小 - 通过并行计算同时运行集合成员 博士 如果\mathbf{R}太小，滤波器会过度信任含噪声的观测而出现振荡。如果太大，则无法充分利用观测信息。根据传感器规格表中的精度信息进行设置，并通过孪生实验验证其有效性是标准做法。

Q: 4. 传感器位置不当

症状：某些状态变量的估计精度较差。 解决方案： - 进行可观测性分析，确认传感器信息是否影响所有状态变量 - 基于D-最优设计或A-最优设计进行传感器位置优化

分类：AI × CAE | 2026-03-01

本文已迁移到综合版本
更详细的内容请参阅 data-assimilation.html。

Troubleshooting data assimilation in CAE: comparison of stable analysis versus filter divergence with observation bias — 数据同化故障排除 — 稳定同化（左）与滤波器发散、观测偏差（右）的比较

问题解决提示

常见问题和解决方案

🙋

实现了数据同化但效果不理想时，应该检查什么？

🎓

让我介绍一些典型的问题。

1. 滤波器发散

症状：估计值随时间推移逐渐偏离观测值。

原因和解决方案：

集合大小太小。最少50个，最好100个以上
通胀系数的设置。如果协方差被低估，滤波器会过度自信，忽视观测。尝试 $\rho = 1.01$〜$1.10$ 的通胀
模型偏差的存在。如果存在系统误差，滤波器无法完全纠正。在状态向量中添加偏差项

2. 估计值变成非物理的

症状：估计负的杨氏模量或不现实的温度。

原因和解决方案：

参数约束条件未设置。使用对数变换或sigmoid变换将其限制在物理上可接受的范围内
观测算子的线性化误差较大。切换到迭代EnKF（IEnKF）

3. 计算成本不现实

症状：整个集合的FEM执行需要多天。

解决方案：

使用基于POD的ROM加快每个成员的计算
通过域局部化减少状态向量的大小
通过并行计算同时运行集合成员

🙋

观测误差设置错误会发生什么？

🎓

如果 $\mathbf{R}$ 太小，滤波器会过度信任含噪声的观测而出现振荡。如果太大，则无法充分利用观测信息。根据传感器规格表中的精度信息进行设置，并通过孪生实验验证其有效性是标准做法。

4. 传感器位置不当

症状：某些状态变量的估计精度较差。

解决方案：

进行可观测性分析，确认传感器信息是否影响所有状态变量
基于D-最优设计或A-最优设计进行传感器位置优化

Coffee Break 闲话

观测数据"说谎" — 传感器异常与数据同化的兼容性问题

数据同化实现中经常遇到的是"传感器故障时的模型破坏"问题。卡尔曼滤波器将观测数据视为"接近真值的信号"，因此如果传感器输出异常值，整个模型都会被污染。在某座桥梁的结构健康监测系统中，闪电造成的瞬间噪声导致卡尔曼滤波器的协方差矩阵发散，之后的估计值完全崩溃。对策是通过创新量（观测与模型预测的差异）的大小提前检测异常值，将可疑数据排除在同化之外。使用χ²检验验证创新量的统计学合理性是标准方法，是否实现此功能会大大影响生产系统的稳定性。

AI×CAE仍是发展中的领域。— Project NovaSolver探索机器学习与传统求解器融合的可能性。

与实务工作者共同思考CAE的未来

Project NovaSolver致力于面对数据同化方法中的实务课题本质，致力于创造支持工程现场的工具。

查看项目最新信息 →