离散阿尔泔德不确定性与认识论不确定性：应用于绝缘材料退化预估的物理信息神经网络

物理信息神经网络（PINN）提供了将物理规律与数据集成的框架。然而，其在prognostics与健康管理（PHM）中的应用仍受限于不足的不确定性量化（UQ）能力。大多数现有的 PINN 基于prognostics的方法是确定性的，或仅考虑认识论不确定性，限制了其在风险感知决策中的适用性。本工作引入了异质贝叶斯物理信息神经网络（B-PINN）框架，联合建模阿尔泔德与认识论不确定性，为绝缘材料老化估计生成完整的预测后验分布。该方法将贝叶斯神经网络（BNN）与基于物理的残差约束和先验分布相结合，实现了物理信息学习架构中的概率推断。该框架在变压器绝缘老化应用中进行评估，借助有限元热力学模型和太阳能电站现场测量数据进行验证，并与确定性 PINN、基于dropout的 PINN（d-PINN）以及其他 B-PINN 变体进行基准测试。结果表明，所提出的 B-PINN 在预测准确率和更良好的不确定性校准方面优于竞争方法。进一步的系统灵敏度研究分析了边界条件、初始条件和残差抽样策略对准确率、校准和泛化能力的影响。总体而言，研究结果凸显了贝叶斯物理信息学习在支持不确定性感知prognostics及变压器资产管理中知情决策方面的潜力。