从物理到机器学习及回到物理：第二部分——PHM中的学习与观察偏差
机器学习
2025-09-26 v1
摘要
prognostics与健康管理（PHM）通过实现故障检测、预测设备故障和优化资产生命周期内的维护活动，确保复杂工程系统的可靠性、安全性和效率。然而，现实中的PHM存在持续性挑战：传感器数据常常噪声频繁或不完整，可用的标签有限，损坏行为和系统间依赖关系可能高度复杂且非线性。物理信息机器学习已成为一种有前景的解决方法，通过将物理知识嵌入数据驱动模型来应对这些限制。本综述检查了通过物理信息建模和数据策略来整合学习偏差和观察偏差，如何引导模型向物理一致且可靠的预测靠近。学习偏差通过物理信息损失函数和支配方程来嵌入物理约束，或通过包含单调性等属性来实现。观察偏差影响数据选择和合成，以确保模型捕获真实系统行为，包括用于估算未测量状态的虚拟感知、用于数据增强的基于物理的仿真，以及多传感器融合策略。综述随后检查了这些方法如何通过强化学习实现从被动预测向主动决策的转变，这允许智能体学习遵守物理约束并优化运营目标的维护策略。这在模型基于的预测、仿真和实际系统运行之间建立了闭环，赋能自适应决策。最后，综述 addresses 将PHM解决方案从单个资产扩展到整 fleet部署的关键挑战。快速适应方法，包括元学习和few-shot学习，被综述 along with domain generalization技术。
引用
@article{arxiv.2509.21207,
title = {From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM},
author = {Olga Fink and Ismail Nejjar and Vinay Sharma and Keivan Faghih Niresi and Han Sun and Hao Dong and Chenghao Xu and Amaury Wei and Arthur Bizzi and Raffael Theiler and Yuan Tian and Leandro Von Krannichfeldt and Zhan Ma and Sergei Garmaev and Zepeng Zhang and Mengjie Zhao},
journal= {arXiv preprint arXiv:2509.21207},
year = {2025}
}