基于通用物理信息神经网络的框架用于多状态系统可靠性评估
机器学习
2021-12-02 v1 人工智能
摘要
本文中，我们利用物理信息神经网络（PINN）的最新进展，开发了一个通用的基于 PINN 的框架来评估多状态系统（MSSs）的可靠性。所提方法包含两个主要步骤。第一步，我们利用 PINN 框架将 MSS 的可靠性评估重新表述为一个机器学习问题。构建一个具有两个独立损失组的的前馈神经网络，以编码由 MSS 中常微分方程（ODEs）控制的初始条件与状态转移。接下来，我们从多任务学习的视角解决 PINN 中反向传播梯度量级高度不平衡的问题。特别地，我们将损失函数中的每个元素视为一个独立任务，并采用一种名为投影冲突梯度（PCGrad）的梯度手术方法，其中某一任务的梯度被投影到任何具有冲突梯度的其他任务的法平面（norm plane）上。该梯度投影操作显著减轻了训练 PINN 时梯度干扰引起的有害影响，从而加速 PINN 收敛至 MSS 可靠性评估的高精度解。利用所提基于 PINN 的框架，我们考察了其在多种不同情境下 MSS 可靠性评估的应用，涉及时间无关或相关的状态转移以及从小到中等规模的系统。结果表明，所提基于 PINN 的框架在 MSS 可靠性评估中展现出通用且卓越的性能，且 PINN 中引入 PCGrad 带来了解质量与收敛速度的实质性提升。
引用
@article{arxiv.2112.00220,
title = {A generic physics-informed neural network-based framework for reliability assessment of multi-state systems},
author = {Taotao Zhou and Xiaoge Zhang and Enrique Lopez Droguett and Ali Mosleh},
journal= {arXiv preprint arXiv:2112.00220},
year = {2021}
}