综述:物理信息机器学习在预测与健康管理中的应用:系统性文献综述

《JOURNAL OF INTELLIGENT MANUFACTURING》:Physics-informed machine learning in prognostics and health management: a systematic literature review

【字体: 大 中 小 】 时间:2026年08月05日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  在现代工业中,保障复杂系统的可靠性、安全性与运行效率高度依赖预测与健康管理(PHM)。机器学习(ML)极大推动了故障诊断与预后技术的发展,但纯数据驱动模型存在泛化能力差、难以推断因果关系及可解释性不足等固有局限。物理信息机器学习(PIML)通过将先验物理知识直

  
在现代工业中,保障复杂系统的可靠性、安全性与运行效率高度依赖预测与健康管理(PHM)。机器学习(ML)极大推动了故障诊断与预后技术的发展,但纯数据驱动模型存在泛化能力差、难以推断因果关系及可解释性不足等固有局限。物理信息机器学习(PIML)通过将先验物理知识直接嵌入ML流程,可有效缓解上述问题,因此在PHM领域的应用受到广泛关注。本研究通过对212项相关研究开展系统性文献综述,探讨PIML在PHM场景下的应用范式。综述提出了包含观测偏置、归纳偏置、学习偏置及混合方法的四分类框架,并进一步按PHM任务对研究进行分类。结果表明,四类方法在多种资产上均较传统基线模型表现出更优的预测性能,但现有文献高度集中于锂离子电池与轴承领域,且多以特定问题的定制化解决方案为主。总体而言,物理信息方法已展现出明确的应用价值,但关于其在改善前述局限性方面的宣称仍缺乏充分实证支持。未来研究应重点关注可迁移的设计模式、不同集成策略的基准测试,以及适用于实际场景在线部署的轻量化、鲁棒不确定性感知模型。

引言

预测与健康管理(PHM)已成为现代工业运营的核心支撑技术,其通过推动维护策略从被动响应、计划检修向基于状态的预测性维护转型,为复杂工程系统的可靠性、安全性与效率提升提供了方法论基础。机器学习(ML)在异常检测、故障诊断及剩余使用寿命(RUL)预测等PHM任务中表现优异,但在工业实际场景中面临传感器数据噪声大、完整性差、工况多变及失效数据稀缺等挑战,同时存在可解释性不足与外推能力受限等问题。物理信息机器学习(PIML)通过融合ML的泛化能力与物理建模的结构化先验,为构建鲁棒、可泛化且物理一致的PHM解决方案提供了可行路径。当前PIML在PHM领域的应用仍存在集成方式碎片化、跨任务与跨领域研究割裂的问题,现有综述多聚焦于单一资产(如锂离子电池、燃气轮机或桥梁),缺乏对物理知识集成模式的系统性梳理。基于此,本研究围绕三个核心研究问题展开:一是所利用的先验物理知识类型及其表征形式;二是先验物理知识的集成路径及其与表征形式的适配关系;三是物理信息方法对纯数据驱动模型局限性的改善效果及应用中的主要挑战。

背景

预测与健康管理

PHM旨在通过故障检测、根因诊断、健康状态评估与寿命预后四类核心任务,实现系统潜在故障的早期识别与健康趋势预测,从而降低非计划停机风险。现有PHM方法可分为三类:基于物理模型的方法依赖系统动力学方程与退化机理建模,精度高但复杂系统建模难度大;纯数据驱动方法依托监测数据构建映射模型,灵活性好但泛化能力受限;混合方法则试图融合二者优势,通过耦合物理模型与数据驱动模型平衡精度与适应性。随着工业系统退化过程的非线性与动态性增强,将部分物理知识嵌入数据驱动模型正成为主流趋势。

物理信息机器学习

PIML属于知情机器学习(IML)的范畴,其核心是将科学理论(如控制微分方程、守恒律、对称性等)嵌入ML pipeline,确保模型预测符合物理一致性。根据知识嵌入阶段的不同,PIML可分为三类实现路径:观测偏置通过训练数据引入物理约束;归纳偏置通过模型结构设计嵌入物理规律;学习偏置通过优化算法或损失函数设计施加物理约束。从假设空间视角看,观测偏置不改变模型的可选函数范围,仅引导参数优化方向;归纳偏置直接限制假设空间,强制模型输出符合物理规律;学习偏置则通过优化策略偏好特定解区域,实现软约束。

相关研究

现有PHM与PIML领域的独立综述已较为丰富,但二者交叉领域的系统性梳理仍显不足。既有交叉综述存在三方面局限:一是多聚焦特定资产(如电池、齿轮、风电设备)或单一PHM任务(如RUL预测),覆盖范围有限;二是对PIML的界定模糊,部分研究未明确区分物理知识嵌入与独立模型耦合的差异;三是方法论透明度不足,多数综述未详细说明文献筛选标准与质量评估流程,可复现性较弱。本研究通过严格的系统性文献综述方法,弥补上述空白。

方法论

关键词与数据库

研究选取“先验物理知识”“机器学习”“预测与健康管理”三类核心概念的相关术语共105个,并加入“医疗健康”类术语作为过滤词以排除歧义文献。检索数据库涵盖Scopus、Web of Science与arXiv,时间跨度为2012年(深度学习突破元年)至2025年5月,其中arXiv检索限定为2023年之后发表的预印本,以确保覆盖前沿研究。

筛选流程

采用ASReview主动学习工具辅助文献筛选,通过“研究者介入”模式迭代优化排序模型。筛选标准明确要求文献必须同时实质性涉及先验物理知识、ML与PHM三类要素,且研究对象需为工业运行过程中的退化系统,排除交通、消费电子等非工业场景。设定停止准则为:至少筛查8%的记录,最多不超过33%,且在筛查过程中连续出现50篇不相关文献时终止。两名评审员交替开展独立筛查,争议文献通过协商达成一致。

质量细化

期刊文献需满足影响因子≥3且SCImago期刊排名(SJR)为Q2及以上;会议论文仅保留PHM领域顶级会议(如PHM Society Annual Conference、ICPHM等)的收录文献;arXiv预印本不进行质量筛选,直接纳入最终分析。经筛选与质量细化后,最终纳入212篇文献开展全文分析。

局限

主动学习工具的语义理解局限可能导致约5%的相关文献遗漏;质量细化阈值(影响因子、SJR分区等)基于研究团队经验设定,可能存在主观性。

文献综述

分类框架

研究提出四分类体系:观测偏置、归纳偏置、学习偏置与混合方法。前三者的核心特征是物理知识直接嵌入ML pipeline,符合IML的定义;混合方法则通过独立物理模型与ML模型的并行或串行耦合实现功能互补,二者在推理阶段仍需协同运行,区别于观测偏置中物理模型仅用于离线数据生成。分类时若研究涉及多种集成机制,则按主导机制归类。

综述类研究分析

纳入的11篇相关综述中,Deng等(2023)的研究覆盖面较广但未说明53篇文献的分类依据;Wu等(2024)聚焦异常检测但未关联PHM框架;Li等(2024a)针对RUL预测的细分领域进行了详细梳理,但术语体系不一致。整体而言,现有综述普遍存在方法论描述不完整、覆盖范围有限的问题,凸显了本研究的必要性。

观测偏置

该类方法通过额外物理数据扩充训练集实现知识嵌入,主要用于解决小样本与跨域泛化问题。诊断任务中,研究多采用动力学模型生成仿真振动数据,结合迁移学习缓解轴承、齿轮箱的故障样本稀缺问题,例如通过2自由度轴承动力学模型生成仿真数据,预训练卷积神经网络(CNN)后通过参数迁移适配真实场景。健康评估任务中,锂离子电池SOH估计是该方向的重点,研究常采用电化学模型生成全生命周期退化数据,结合少量实验数据训练弹性网络、高斯过程回归(GPR)等轻量化模型,显著提升早期寿命阶段的预测精度。预后任务中,观测偏置多用于滚动轴承RUL预测,通过5自由度动力学模型生成全寿命振动数据,作为源域数据辅助目标域的特征学习,在标注数据稀缺场景下可降低30%以上的预测误差。

归纳偏置

该类方法通过模型结构设计嵌入物理规律,核心是修改假设空间以强制输出符合物理约束。故障检测任务中,研究将系统拓扑结构编码为图邻接矩阵,通过图自编码器实现多组件系统的异常定位,在液体火箭发动机数据集上较非图模型准确率提升12%。诊断任务中,典型方案是将轴承故障特征频率嵌入CNN的卷积核设计,通过频率感知卷积层增强故障相关频段的响应,在变载荷工况下诊断精度提升8%-15%。健康评估任务中,工具磨损监测研究通过在GRU单元中引入单调激活函数,强制磨损量随时间非递减,较无约束模型预测误差降低22%;锂离子电池SOH估计则通过定制GPR核函数,嵌入线性-指数衰减退化先验,较标准核函数误差降低18%。预后任务中,研究将Paris裂纹扩展定律嵌入循环神经网络(RNN)的单元设计,实现疲劳裂纹生长的端到端预测;同时将单调性约束融入1D-CNN的输出层,确保RUL预测值随退化进程单调递减,在轴承与航空发动机数据集上均表现出更优的物理一致性与泛化性。

学习偏置

该类方法通过复合损失函数引入物理约束,通常包含数据保真项与物理残差项。故障检测任务中,碳纤维复合材料损伤检测研究在CNN损失函数中加入刚度退化与应力-应变约束,实现跨铺层结构的损伤泛化识别;工业机器人异常检测则通过能量守恒与牛顿-欧拉动力学方程构建损失项,较纯数据驱动方法误报率降低25%。诊断任务中,轴承故障诊断通过引入故障特征频率预测损失,引导特征提取网络关注物理相关频段,在小样本场景下精度提升10%以上;轴向柱塞泵故障诊断则将流量脉动的控制方程嵌入物理信息神经网络(PINN)的损失函数,实现无传感器条件下的泵内泄漏故障识别。健康评估任务中,锂离子电池SOH估计广泛采用PINN框架,将固相锂离子扩散偏微分方程(PDE)与边界条件嵌入损失函数,结合梯度归一化策略自适应平衡数据与物理损失权重,在动态工况下SOH估计误差低于3%;此外,通过增量容量分析(ICA)曲线与SOH的单调关系构建正则化项,可有效抑制纯数据驱动模型的预测波动。预后任务中,轴承RUL预测引入Weibull分布约束损失,强制退化轨迹符合可靠性工程预期;锂离子电池RUL预测则通过半经验固体电解质界面(SEI)膜生长模型构建物理损失项,结合电极级特征生成,在少样本场景下RUL预测误差降低40%。

混合方法

该类方法通过独立物理模型与ML模型的协同实现PHM功能,分为并行与串行两种耦合模式。并行模式中,残差学习与集成方法最为常见,例如将物理模型输出的退化趋势作为ML模型的输入特征,通过加权融合提升预测鲁棒性。串行模式包括“物理模型指导ML建模”与“ML优化物理模型参数”两类:前者如通过有限元(FE)模型生成的裂纹扩展数据校准GPR的先验均值与协方差,提升小样本下的裂纹长度预测精度;后者如利用LSTM预测润滑脂降解趋势,作为物理累积损伤模型的输入参数,实现风电主轴承疲劳寿命的动态更新。混合方法的优势在于物理模型的可解释性与ML的适应性可形成互补,但推理阶段需同时运行两类模型,计算开销显著高于前三类PIML方法。

讨论与结论

现有研究表明,PIML在PHM领域的应用已形成三类核心嵌入范式,在预测精度上普遍优于纯数据驱动基线,但存在三方面显著局限:一是应用场景高度集中于锂离子电池与轴承,对复杂机电系统(如工业机器人、液压系统)的覆盖不足;二是多数研究为特定问题定制方案,缺乏可迁移的通用设计模式;三是关于PIML提升模型可解释性与因果推断能力的宣称缺乏量化证据。未来研究需重点推进三方面工作:一是构建标准化的PIML-PHM基准测试框架,对比不同物理知识集成策略的性能边界;二是开发轻量化物理嵌入方法,满足工业边缘设备的在线部署需求;三是探索不确定性量化与物理约束的深度融合机制,提升模型在极端工况下的决策可靠性。本研究提出的四分类框架可为PHM领域研究人员选择物理知识集成路径提供理论参考,也为工业界落地预测性维护技术提供了方法学指引。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号