《Sensors》：Diffusion-RarePHM: A Physics-Constrained Conditional Latent World Model for Multi-Future Degradation Forecasting and Rare-Fault Prognostics
编辑推荐：
工业预测性维护所受的制约，与其说来自健康遥测数据的丰富性，不如说来自真实故障演化的稀缺性、异质性与运行语义的模糊性。本研究提出Diffusion-RarePHM，一种物理约束的条件潜在世界模型（conditional latent world model），可
工业预测性维护所受的制约，与其说来自健康遥测数据的丰富性，不如说来自真实故障演化的稀缺性、异质性与运行语义的模糊性。本研究提出Diffusion-RarePHM，一种物理约束的条件潜在世界模型（conditional latent world model），可将异构监测流转化为概率性的多未来退化场景。统一健康编码器（unified health encoder）将发动机与压缩机观测映射至一个共同的机制导向健康接口，并配备资产特定拟合；状态依赖双域动力学（state-dependent dual-domain dynamics, SDA2D）将潜在健康水平与其增量耦合。以当前健康状态、设备结构、预期工况、环境、维护动作及目标故障模式为条件，潜在扩散（latent diffusion）生成完整未来轨迹的集成。罕见前驱征兆被合成为正常潜在演化的物理引导偏离，并通过物理、动力学及显式时间谓词语义准则进行筛选。研究数据来源于PHM2024与MetroPT3档案库，分别包含742,625条与1,516,948条记录；实验采用确定性的PHM2024子集及12,642条按时间顺序保留的MetroPT3观测。在PHM2024记录级留出诊断分区上，模型达到98.23%准确率、98.16%宏F1（macro-F1）与0.9985 AUROC。在跨留出运行工况组上，五个训练种子的平均准确率为%、宏F1为%、AUROC为%。在MetroPT3锚定的受控半物理基准中，规定健康轨迹的重构在九个场景上平均达到2.250个百分点RMSE、2.294% MAPE，以及名义90%区间下90.00%的逐点构造参考覆盖率。受控轨迹实验检验生成器对规定前驱征兆、泄漏、复合退化、维护、热载荷应力及观测损坏的响应，并计算其首达（first-passage）与尾部风险泛函。轨迹证据确立了机制条件化退化场景的生成与重构能力，并在指定动力学与干预条件下导出接受路径的预警、首达及尾部风险统计量。
论文解读
一、研究背景与问题
工业预测性维护面临的核心矛盾在于：健康遥测数据丰富而真实故障演化数据稀缺、异构且运行语义模糊。在涡轮机与压缩机等关键设备中，劣化证据与载荷、环境、控制器切换及维护行为相互交织，使得故障演化难以从单一传感器通道中直接识别。现有物理信息退化模型虽能保持部分机制结构，但在部分观测条件下表达能力受限；数据驱动的少样本、循环与注意力方法虽能捕捉监测通道间的交互，却难以生成完整且物理一致的多未来退化轨迹。此外，罕见故障的前驱征兆与完整故障之间的过渡关系在现有方法中缺乏显式建模，导致预警、剩余使用寿命（RUL）与尾部损失等决策统计量难以在同一概率框架下保持一致。为此，研究人员提出Diffusion-RarePHM，旨在将异构监测流转化为概率性、多未来的退化场景，并在此框架内统一诊断、预测与风险量化。
二、研究内容与主要结论
研究人员构建了一个物理约束的条件潜在世界模型，将PHM2024发动机数据与MetroPT3压缩机数据纳入统一的机制导向健康接口。在PHM2024记录级留出诊断分区上，模型达到98.23%准确率、98.16%宏F1与0.9985 AUROC；在跨运行工况组留出评估中，准确率保持在97.86%左右。在MetroPT3锚定的受控半物理基准中，九个场景平均RMSE为2.250个百分点、MAPE为2.294%，名义90%区间的点参考覆盖率达90.00%。联合筛选在576万个候选轨迹中保留539.84万个，场景接受率介于91.5%至97.0%之间。该研究的意义在于：首次将条件潜在扩散、状态依赖双域动力学与三重门验证整合为统一的预后推理框架，使预警概率、首达RUL、预测区间与尾部损失均源自同一接受路径集成，从而保持事件时序与不利严重度之间的概率关联。
三、关键技术方法
研究人员采用的主要技术方法包括：统一健康编码器（将异构资产观测经鲁棒标准化与正交投影映射至八维共同健康接口）；状态依赖双域动力学（SDA2D，耦合潜在健康水平与增量以区分持续位移与可逆运行运动）；条件潜在扩散（在工况、环境、维护与故障模式条件下生成完整未来潜在轨迹集成）；物理引导的罕见故障合成（通过单位归一化故障方向与有界时间剖面注入正常轨迹）；三重门语义验证（物理一致性、SDA2D残差一致性、时间谓词语义，三者取交集决定路径接受）；以及四阶段训练课程与区间校准。样本队列来源包括PHM2024公开训练档案（742,625条记录，经分层抽样保留150,000条用于分类）与MetroPT3压缩机记录（1,516,948条记录，每120条保留一条，共12,642条用于轨迹分析）。
四、研究结果
4.1 共同健康接口与资产特定动力学保真度。 通过PHM2024标签诊断与MetroPT3时序转换拟合，验证了共同八维状态格式可同时支持资产特定的传感与监督角色。PHM2024记录级诊断达98.23%准确率；运行工况分离下为97.86%，与记录级结果仅差0.37个百分点。SDA2D一步重构与残差几何表明，正常压缩机动力学下的潜在状态重构具有良好的保真度。
4.2 条件多未来生成与不确定性几何。 正常滚动预测的RMSE为0.85个百分点，候选接受率97.0%，为干预比较提供了受控参考。SDA2D相图显示水平-增量耦合可区分可逆模式转换与累积健康演化。条件扩散在共同创新协方差下生成多未来轨迹，场景间散布差异可归因于条件传播而非噪声缩放。
4.3 物理引导的罕见故障合成与三重门验证。 九个场景联合筛选保留93.72%的候选路径。场景接受率从复合故障的91.5%至正常运行的97.0%不等。接受集内健康离散度在筛选后为2.59至2.77个百分点，较筛选前3.06至3.21个百分点有所收窄。接受集内100%满足三项定义准则。
4.4 风险泛函与门控敏感性。 预警概率、首达RUL、VaR与CVaR均在同一接受路径定律下计算。门控阈值扰动分析表明，事件保留率与总体接受率的比值决定筛选对故障概率与尾部风险的影响方向与幅度。区间校准将名义90%区间的参考覆盖率提升至90.00%。
4.5 消融研究。 编码器消融使PHM2024准确率下降3.65个百分点、宏F1下降3.79个百分点；校准移除导致区间覆盖率偏离名义水平；门控移除分别影响物理、动力学与语义准则的满足程度。
五、讨论与结论
讨论部分指出，门控阈值从正常验证残差中估计并保持固定，避免了在查看罕见故障图后再选择阈值的偏差。物理残差保持资产特定性，遵循机制信息故障合成的原则。轨迹概率均以三重门接受为条件，事件保留率与总体接受率的关系决定筛选对风险估计的影响。研究结论表明：Diffusion-RarePHM建立了条件响应式完整未来定律、机制引导的罕见故障场景构造以及互补的三准则验证规则；预警概率、首达RUL、预测区间与尾部损失均从同一接受集成中导出，保持了事件时序与不利严重度之间的关系；PHM2024故障标签诊断验证了发动机表示质量，MetroPT3历史支持压缩机转换拟合、受控场景生成与健康轨迹重构，使表示质量、未来路径保真度与决策统计量在共同推理框架内可区分。
