数字工程 | 物理信息机器学习赋能PHM

Physics-informed Machine Learning for Prognostics and Health Management: Foundations, Advances and Prospects

D. Sun，J. Cheng，Y. Wei

摘要：

1. 引言

预测与健康管理（PHM）旨在通过状态监测、故障诊断和寿命预测等手段，实现装备的预测性维护与全生命周期管理。随着工业系统复杂度不断提升，传统基于机理模型的方法难以准确描述复杂运行环境下的退化过程，而纯数据驱动模型又面临数据依赖强、泛化能力不足和缺乏物理解释等问题。物理信息机器学习通过融合物理规律与数据驱动学习能力，在提升模型准确性、可靠性和可解释性方面展现出显著优势，正逐步成为智能运维与健康管理领域的重要研究热点。

2. 物理信息机器学习的发展现状

2.1 物理信息机器学习基本概念

物理信息机器学习（Physics-informed Machine Learning，PIML）是一种将物理规律、机理模型、工程经验以及领域知识融入机器学习过程的新型建模范式。与传统“黑盒”学习模型不同，PIML强调利用系统已有知识约束学习过程，使模型在保持数据驱动灵活性的同时具备一定的物理可解释性和可信度。这里的“物理”并不仅限于数学控制方程，还包括守恒定律、经验模型、仿真结果、专家规则以及多保真度知识等多种形式。根据知识进入学习流程的位置不同，PIML通常可以分为输入层融合、网络结构融合和损失函数融合三类方式，形成从数据到模型再到优化过程的全链路物理约束机制。

2.2 物理信息机器学习产生的核心驱动力

物理信息机器学习的发展源于传统机理建模与数据驱动建模各自面临的局限性。一方面，高精度有限元分析、计算流体力学等机理模型往往计算代价高昂，难以满足实时预测和在线决策需求；另一方面，实际工业系统普遍存在复杂耦合、未知退化机理和环境扰动，使得机理模型难以完全准确描述真实运行过程。同时，在工业场景中，故障样本稀缺、传感器数据不完整以及运行工况频繁变化，使得纯数据驱动模型容易出现训练不稳定、推断结果不可靠以及跨场景泛化能力不足等问题。物理信息机器学习通过引入物理先验约束，为模型提供额外的信息来源，在降低数据依赖、缓解病态推断、增强分布外泛化能力以及提高预测可信度方面发挥了重要作用，因此逐渐成为连接机理模型与人工智能的重要桥梁。

3. 面向PHM的物理信息机器学习体系

3.1 PHM基本流程

PHM本质上是一个从数据获取到维护决策的闭环过程。系统首先通过振动、温度、电流、电压、压力等多源传感器采集运行数据，并经过数据清洗、同步和融合等预处理步骤形成可用于分析的状态信息。在此基础上完成异常检测、故障诊断和健康状态评估，识别设备当前的运行状态和潜在故障模式。随后建立退化模型，对健康状态演化趋势和剩余使用寿命进行预测，并结合预测结果生成维护计划和运行优化策略。最终，设备检修和运行反馈信息又会反向更新模型参数和决策规则，形成持续优化的健康管理闭环。

3.2 数据驱动骨干模型

现有物理信息机器学习研究主要建立在不同类型的数据驱动模型基础之上。从发展历程来看，早期研究主要采用高斯过程回归、随机森林、贝叶斯网络等传统机器学习模型，通过人工构建特征实现故障诊断和寿命预测。这类方法具有计算效率高、部署简单等优势，但对特征工程依赖较强。

随着工业数据规模增长，卷积神经网络、循环神经网络、Transformer以及图神经网络等深度学习模型逐渐成为主流，它们能够从原始数据中自动学习复杂特征表示，更适用于多源异构和时序数据场景。

近年来，自编码器、变分自编码器和生成对抗网络等表征学习与生成模型进一步扩展了PHM应用边界，在异常检测、少样本故障识别以及数据增强等方面展现出重要价值。同时，迁移学习、多任务学习、不确定性量化和领域自适应等技术不断被引入PHM领域，以提升模型在复杂工业环境中的鲁棒性和工程适用性。

3.3 物理知识融合策略

本段提出了PIML中物理/知识融合的三级分类体系，依据知识注入学习流程的位置划分为：输入级（数据/特征准备）、架构级（模型结构设计）和 损失级（优化目标约束）。三类分别通过塑造输入数据、编码归纳偏置至网络结构、以及添加惩罚项来强制物理一致性。该分类独立于具体PHM任务和应用场景，能够统一比较不同任务（如诊断、寿命预测）和不同模型架构下的融合策略。

在数据层面，研究人员利用机理模型、退化模型和系统仿真生成故障数据或补全寿命轨迹，缓解真实故障样本不足的问题，同时通过增量容量曲线、频谱分析和健康指标构建等方式提取具有物理意义的输入特征。

在模型结构层面，物理规律被嵌入神经网络架构之中，例如将状态空间模型、机理模块或物理参数显式融入网络结构，使模型内部状态具备明确物理含义。

在损失级约束层面，控制方程残差、能量守恒约束、退化单调性约束以及安全边界约束等物理知识被加入损失函数中，引导模型学习符合实际机理规律的解空间。相比单纯依赖数据拟合的方法，这种多层次知识融合策略能够有效提高模型的解释性、泛化能力和可信度，是当前物理信息机器学习研究最具代表性的技术路线。

4. 挑战与未来发展方向

4.1 当前面临的主要挑战

尽管物理信息机器学习在PHM领域取得了显著进展，但仍面临诸多挑战。首先，实际工业系统的物理机理往往并不完整，如何构建准确且可计算的物理先验仍然存在困难。其次，不同物理约束之间可能存在冲突，损失函数权重的选择缺乏统一理论指导，容易影响模型训练稳定性。此外，现有研究大多集中于实验室数据集和单部件场景，对于复杂系统、多尺度耦合系统以及长期在线运行环境的验证仍相对有限。与此同时，物理一致性、可信度和泛化能力等指标尚缺乏统一评价标准，也制约了物理信息机器学习技术的大规模工程应用。

4.2 未来发展趋势

未来，物理信息机器学习与PHM的发展将进一步向系统化、智能化和可信化方向演进。数字孪生的发展为PIML提供了持续更新的机理模型和实时运行数据，使两者融合成为构建高保真健康管理系统的重要途径。开放环境下的未知故障识别和分布外泛化能力将成为研究重点，以提升模型在复杂工况中的适应能力。研究对象也将逐步从单一部件扩展到复杂系统和系统群体，实现多层级、多尺度健康管理。此外，大模型、生成式人工智能和自主学习技术的发展有望进一步提升物理信息机器学习的知识表达与推理能力，推动PHM从状态监测和寿命预测向维护优化与智能决策延伸，最终实现从“预测设备故障”向“自主制定维护策略”的转变。

5. 结论

本文系统综述了物理信息机器学习在预测与健康管理领域的发展现状与关键技术，构建了覆盖数据驱动模型和物理知识融合机制的统一分析框架。研究表明，PIML能够有效结合机理模型的可信性与数据驱动模型的学习能力，在解决工业场景中的数据稀缺、模型失配和泛化不足等问题方面展现出显著优势。随着数字孪生、生成式人工智能和智能运维技术的持续发展，物理信息机器学习有望成为下一代可信PHM系统的重要技术基础，为复杂装备的预测性维护和智能决策提供更强有力的支撑。

关注公众号，后台回复“DE”即可下载原文