一种数字孪生模型增量学习方法、系统及设备状态预测方法

本发明提供一种数字孪生模型增量学习方法、系统及设备状态预测方法，数字孪生模型增量学习方法引入基于弹性权重合并的增量学习机制训练所述工业设备状态参量预测模型，首次获取新工况数据集时，将当前工况样本存入经验回放缓冲区，经验回放缓冲区采用循环队列结构，在学习新工况时混合使用存入缓冲区的样本进行训练，对当前数据批次执行混合损失优化；在完成批次训练后先计算当前参数配置关于历史数据的Fisher信息矩阵对角项，再更新全局参数重要性，直到Neural ODE增量训练收敛，最终输出融合多工况知识的完整模型状态元组；使得增量式Neural ODE能够在不忘记旧工况知识的前提下，继续学习新工况的知识，实现数字孪生体在有限资源条件下的持续进化能力。