《Advanced Intelligent Systems》:Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks: Application to Insulation Material Degradation Prognostics
编辑推荐:
为解决PHM中PINNs确定性预测及UQ不完整问题,本文提出异方差B-PINN框架,联合建模epistemic与aleatoric uncertainty。在变压器绝缘老化案例中,该模型较d-PINN等基线展现出更优的预测精度与校准性能,为风险感知决策提供支持。
背景:当物理定律遇见不确定性——PHM领域的“测不准”困境
在工程资产管理的世界里,预测设备“还能活多久”(即剩余使用寿命,RUL)是一项关乎安全与经济的核心挑战。 Prognostics and Health Management (PHM) 技术旨在通过结合物理模型与监测数据来回答这个问题。近年来,科学机器学习(Scientific Machine Learning, SciML)的兴起,特别是物理信息神经网络(Physics-Informed Neural Networks, PINNs),为这一领域带来了新的希望——它们能将物理定律(如热传导方程)直接编码进神经网络,在数据稀缺时依然保持强大的泛化能力。
然而,现有的PINNs在应用于PHM时,暴露出了一个致命短板:它们大多是“确定性的”。这意味着,模型只会给出一个单一的、确定的预测值(比如“还能用100天”),却无法告诉我们这个预测的“置信区间”有多大。在实际工业场景中,传感器噪声、模型简化误差以及数据稀疏性无处不在,忽略这些不确定性(Uncertainty Quantification, UQ)极易导致决策失误。
不确定性主要分为两类:源于模型认知不足的认知不确定性(Epistemic Uncertainty)和源于数据固有噪声的偶然不确定性(Aleatoric Uncertainty)。虽然已有研究尝试将贝叶斯方法引入PINNs(即B-PINNs)来捕捉认知不确定性,但如何在一个统一的框架下同时解耦并量化这两种不确定性,并将其应用于真实的工业设备(如电力变压器)老化预测,仍是当前研究的空白。
方法概述:贝叶斯PINN框架与变压器老化物理
为解决上述问题,本研究构建了一个异方差贝叶斯物理信息神经网络(Heteroscedastic B-PINN)框架,并将其应用于变压器绝缘材料的热老化 prognostics。研究团队来自 [作者单位,原文未明确提供]。
核心技术路径:
- 1.
贝叶斯神经网络(BNN)集成:将PINNs中的确定性权重替换为概率分布,通过变分推理(如Bayes by Backprop)估计参数后验,从而量化认知不确定性。
- 2.
异方差输出建模:修改网络输出层,使其同时预测物理场(如温度)的均值(μ)和方差(σ2),后者直接表征输入相关的偶然不确定性。
- 3.
物理约束损失:在损失函数中融合PDE残差、边界/初始条件以及数据似然项,确保模型在贝叶斯推断下仍严格遵守热扩散物理。
- 4.
应用场景:针对变压器绝缘纸老化问题,建立1D热扩散PDE模型(输入为时空坐标 (x,t)),通过热点温度推算老化速率(基于Arrhenius方程),并利用太阳能电站的实际监测数据进行验证。
研究结果:从理论验证到工业实证
1. 预测精度与不确定性校准的双重胜利
在变压器绝缘热老化预测任务中,提出的B-PINN框架在预测精度(如RMSE)和不确定性校准(如PICP, MPIW)上均显著优于确定性PINN和Dropout-based PINN (d-PINN)。模型不仅给出了更准确的温度场和老化场预测,其给出的95%置信区间能够很好地包裹住真实观测值,证明了不确定性估计是可靠且校准良好的。
2. 成功解耦:噪声影响哪里,不确定性就出现在哪里
研究通过敏感性分析揭示了两种不确定性的不同行为模式:
- •
偶然不确定性:随着测量噪声水平的增加而显著增大,且在不同空间位置(如靠近热源的区域)表现出异方差性(即方差随输入变化),这符合其“数据固有”的特性。
- •
认知不确定性:主要受训练数据稀疏性的影响,在数据区域外推时增大,但对测量噪声不敏感。在模型收敛后, epistemic uncertainty 保持相对稳定。
这种解耦能力对于工程决策至关重要:如果预测的不确定性主要来自认知层面,说明我们需要收集更多数据来改进模型;如果主要来自偶然层面,则说明系统本身噪声大,决策需更加保守。
3. 训练策略的深度洞察
研究还系统分析了不同训练策略(如边界条件采样密度、残差点采样策略)对泛化性能的影响。结果表明,边界条件和初始条件的充分采样对于B-PINN的稳定训练和不确定性校准至关重要,这为实际工程中如何配置训练数据提供了具体指导。
结论与意义:为风险感知决策提供“概率眼镜”
本研究成功地将贝叶斯推断与物理信息学习相结合,提出了一个能够显式解耦认知与偶然不确定性的B-PINN框架。该框架在真实的变压器绝缘老化案例中证明了其价值:
- 1.
方法论贡献:突破了传统PINNs的确定性局限,提供了完整的预测后验分布,实现了“可解释的”不确定性量化。
- 2.
工程应用价值:为电力变压器的资产管理和风险预警提供了概率化的RUL预测工具。运维人员可以依据预测的不确定性区间(如“剩余寿命在90-110天之间,置信度95%”)来制定更科学的维修策略,避免因过度保守(提前更换)或过度冒险(延迟更换)造成的经济损失。
这项工作标志着SciML在PHM领域从“玩具问题”走向“工业级应用”的重要一步,为复杂工程系统在噪声和稀疏数据环境下的可信赖AI决策树立了新的标杆。