基于人工智能的民用基础设施剩余使用寿命预测：方法、挑战及未来研究方向

《ARTIFICIAL INTELLIGENCE REVIEW》：AI-based remaining useful life prediction for civil infrastructure: methods, challenges, and future research directions

　　

摘要

本研究探讨了人工智能（AI）方法在估算民用基础设施资产剩余使用寿命（RUL）方面的应用与实施，旨在支持更有效的民用基础设施维护和管理实践。共回顾了90篇相关文献。虽然并非所有文献都直接涉及民用基础设施的剩余使用寿命，但总体研究活动自2014年以来持续不断，反映出人们对数据驱动的劣化预测日益增长的兴趣。本次综述的主要目的是识别那些已成功应用于结构化数据集，并具备实际整合到土木工程资产管理环境中的潜力的AI方法。尽管存在先进的人工智能技术，但其在民用基础设施工程和维护管理中的应用仍然有限，许多现实系统需要既能具备预测能力，又能保证可解释性、鲁棒性以及与现有工作流程兼容性的方法。本文讨论了多种AI方法，包括深度学习（DL）、机器学习（ML）集成回归和混合模型，强调了它们捕捉复杂劣化过程的能力以及提升耐久性预测的潜力。同时指出了数据质量、AI模型的泛化能力和可解释性以及将高级分析技术嵌入现有维护系统中的困难等挑战。未来研究的方向包括提高模型对噪声的稳定性、利用多样化数据源、解决类别不平衡问题、量化预测不确定性、探索替代的劣化模型，以及将维护措施整合到剩余使用寿命预测框架中。总体而言，研究结果凸显了AI在资产寿命预测中的重要作用，并强调了需要开发出在技术上可靠且适用于实际民用基础设施管理环境的方法。

本研究探讨了人工智能（AI）方法在估算民用基础设施资产剩余使用寿命（RUL）方面的应用与实施，旨在支持更有效的民用基础设施维护和管理实践。共回顾了90篇相关文献。虽然并非所有文献都直接涉及民用基础设施的剩余使用寿命，但总体研究活动自2014年以来持续不断，反映出人们对数据驱动的劣化预测日益增长的兴趣。本次综述的主要目的是识别那些已成功应用于结构化数据集，并具备实际整合到土木工程资产管理环境中的潜力的AI方法。尽管存在先进的人工智能技术，但其在民用基础设施工程和维护管理中的应用仍然有限，许多现实系统需要兼顾预测能力、可解释性、鲁棒性以及与现有工作流程的兼容性。本文讨论了多种AI方法，包括深度学习（DL）、机器学习（ML）集成回归和混合模型，强调了它们捕捉复杂劣化过程的能力以及提升耐久性预测的潜力。同时指出了数据质量、AI模型的泛化能力和可解释性以及将高级分析技术嵌入现有维护系统中的困难等挑战。未来研究的方向包括提高模型对噪声的稳定性、利用多样化数据源、解决类别不平衡问题、量化预测不确定性、探索替代的劣化模型，以及将维护措施整合到剩余使用寿命预测框架中。总体而言，研究结果凸显了AI在资产寿命预测中的重要作用，并强调了需要开发出在技术上可靠且适用于实际民用基础设施管理环境的方法。