《Results in Engineering》：Landau–Ginzburg Stability Features for Survival Prognostics under Gradient-Boosted Trees
编辑推荐：
Landau–Ginzburg（LG）稳定性理论被重构为一种用于生存预后分析的特征映射。稳定性特征提升了C-MAPSS数据集上梯度提升生存分析的校准性能。一个无量纲的稳定性标度为运维人员提供了临界点与安全裕度。等价性对照实验表明，预测信息主要蕴含于传感器投影之
Landau–Ginzburg（LG）稳定性理论被重构为一种用于生存预后分析的特征映射。稳定性特征提升了C-MAPSS数据集上梯度提升生存分析的校准性能。一个无量纲的稳定性标度为运维人员提供了临界点与安全裕度。等价性对照实验表明，预测信息主要蕴含于传感器投影之中。一个模拟的Hopf边界实验表明，物理知识通过状态估计辅助预测。
一、研究背景与问题提出
预测与健康管理（PHM）在工业资产预测性维护中扮演核心角色，其目标是通过准确估计失效前剩余时间，在故障发生前安排干预，从而在避免过早更换与计划外停机的同时延长资产使用寿命。随着传感与连接能力向资产端靠近，预测日益需要在设备本地完成，这对预测模型提出了计算轻量化的要求。当前剩余使用寿命（RUL）估计的精度基准由数据驱动方法主导，深度神经网络已成为标准数据集上的默认选择，但其推理过程对维护人员不透明，且难以提供物理解释与诚实的自身不确定性声明。与此同时，标准设定将预后问题视为普通回归，忽略了维护记录中普遍存在的删失现象。生存分析通过Cox比例风险模型与Kaplan-Meier估计器在处理删失数据方面提供了原则性框架，现代生存模型在保留删失处理能力的同时放宽了经典公式的线性约束，其中梯度提升生存分析（GBSA）在工业预测性维护中被识别为最稳定的学习者。物理信息机器学习（PIML）领域试图调和数据驱动模型与先验物理知识，其主流策略是将物理置于学习者内部作为学习偏置，如物理信息神经网络（PINN），但该策略继承了神经网络训练的全部成本，包括精细的优化、可观的计算量以及接近尖锐转变时的训练病理，且可解释性并非免费获得。相比之下，将物理置于特征表示中的观测偏置策略，即物理信息特征，被识别为将领域知识注入系统的最直接途径，但迄今尚未在受控条件下与竞争特征范式进行头对头基准比较。本研究正是针对这一空白，将LG稳定性理论重构为特征表示，在固定学习者条件下与竞争范式进行系统比较。
二、研究内容与核心结论
本研究围绕一个中心假设展开：当退化被建模为亚稳态运行状态逐渐丧失稳定性并编码于特征表示而非学习算法中时，所得生存预后性能匹配或超越竞争特征范式，同时表示保持计算轻量与物理可解释。研究将LG表示提取为四个闭式描述符：噪声归一化激活势垒、势垒高度本身、有界转变风险指标以及标称稳定性盆地的刚度。鉴于真实资产常沿多种机制同时退化，标量形式被扩展为多模态变体，以解析不同退化方向。研究在四个C-MAPSS子集、Azure预测性维护基准与NASA锂离子电池数据上，将LG表示与五种既有特征范式（滚动统计、主成分健康指数、Weibull可靠性特征、熵度量与指数退化状态）及两种非物理对照进行比较。由于这些基准不揭示真实失效距离，研究还加入了一个具有已知Hopf稳定性边界的模拟再生车削过程，将基于过程方程构建的状态估计器与特征范式进行比较。研究通过两个比较性子假设检验主假设：H1检验LG表示是否匹配或超越最强竞争特征表示的预测性能；H2检验基于特征的表示总体上是否匹配或改善原始梯度提升基线。此外，研究还考察了三个附加性质：H3检验LG描述符是否提供物理结构化的诊断信息；H4检验模型动力学是否产生可测量的临界慢化信号作为早期预警机制；H5检验特征表示是否计算轻量。研究得出四项贡献：第一，特征侧物理被形式化为生存预后的观测偏置策略；第二，在固定生存学习者、预算匹配基线与配对区间条件下进行了受控比较，预测结果为与最强范式持平而非明确胜出；第三，利用树学习者的秩不变性分离表示对预测的贡献（监督投影）与物理对诊断的贡献（无量纲稳定性标度）；第四，模型对临界慢化行为的预测与纯趋势零模型进行了检验，受控模拟定位了物理知识能够增加预测能力的位置。
三、关键技术方法
研究采用以下主要技术方法：将LG自由能景观理论形式化为特征表示，通过不对称四次自由能密度建模退化过程，提取闭式描述符；采用梯度提升生存分析（GBSA）作为固定生存学习者，在所有实验中保持不变以隔离特征表示的影响；利用树学习者的秩不变性进行等价性对照，分离特征投影与物理映射的贡献；在多个公开基准数据集（C-MAPSS四个子集、Azure预测性维护基准、NASA锂离子电池数据）上进行系统评估；构建具有已知Hopf稳定性边界的模拟再生车削过程，比较基于过程方程的状态估计器与特征范式的预测能力。
四、研究结果
4.1 预测性能比较
在C-MAPSS、Azure与NASA电池数据上，LG表示与竞争特征范式在固定GBSA学习者条件下进行比较。结果显示LG表示达到与最强竞争范式持平而非明确胜出的预测性能，支持H1假设。同时，基于特征的表示总体上匹配或改善原始梯度提升基线，支持H2假设，包括在不呈现相变样行为的数据库上。
4.2 物理结构诊断信息
通过分析学习表示的结构，研究显示LG描述符提供物理结构化的诊断信息，支持H3假设。这些描述符能够暴露有物理意义的诊断状态，为维护人员提供超越点估计的额外信息。
4.3 临界慢化早期预警
研究检验了模型动力学产生的临界慢化信号，将其与纯趋势零模型进行比较，结果显示该信号可作为早期预警机制，支持H4假设。这一发现与临界转变文献中系统接近临界点时方差与自相关上升的通用警告信号一致。
4.4 计算成本评估
计算成本分析表明，LG特征表示计算轻量，为学习者增加的成本可忽略不计，适合在适当硬件上进行边缘计算，支持H5假设。这一性质对于边缘部署场景至关重要。
五、讨论与结论
讨论部分指出，将物理知识嵌入特征表示而非学习算法，能够在不修改学习者的前提下获得物理信息预后的益处。LG表示提供无量纲稳定性标度，为运维人员提供临界点与安全裕度的直观诊断工具。研究局限性包括：基准数据不揭示真实失效距离，限制了预测精度的直接验证；模拟过程虽具有已知稳定性边界，但与真实工业资产的复杂性仍有差距。研究结论翻译如下：本研究将LG稳定性理论重构为生存预后的特征表示，在固定学习者的受控条件下与竞争范式进行了系统比较。预测结果显示与最强范式持平而非明确胜出，表明特征侧物理的贡献主要在于诊断解释而非预测精度提升。通过秩不变性分析，研究分离了表示对预测的贡献（监督投影）与物理对诊断的贡献（无量纲稳定性标度）。临界慢化信号可作为早期预警机制，而计算轻量性使表示适合边缘部署。研究为物理信息机器学习在预后领域的应用提供了观测偏置策略的系统证据，明确了物理知识在预测与诊断中的不同作用边界。
