基于物理信息机器学习 (PIML) 的飞机发动机剩余有用寿命 (RUL) 估计方法

本文旨在利用新兴的物理信息机器学习 (physics informed machine learning, PIML) 领域，开发用于预测飞机发动机剩余有用寿命 (remaining useful lifetime, RUL) 的模型。我们以著名的 NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) 数据为主要数据，该数据集包含来自不同运行模式下的数据。C-MAPSS 是一个广受关注的数据集，已有大量文献研究用于经典和深度学习方法进行 RUL 预测。在缺乏关于 C-MAPSS 数据的经验物理规律时，我们首先使用随机方法从噪声时间序列数据中估计 governing physics 模型。在我们的模型中，我们将各种传感器读数建模为受随机微分方程控制，并估计相应的转换密度均值与方差函数。随后，我们将所学习的均值与方差函数在训练与推理中增强 LSTM (长短期记忆网络)。我们的 PIML 方法不同于以往方法，我们利用数据首先学习物理规律。我们的结果表明，PIML 发现与求解方法非常适用于该问题，并且优于以往仅使用数据的方法。此外，本文所构建的框架是灵活的，可以适用于其他情形（其他传感器模态或组合多物理场环境），包括物理只部分观测或已知的情况。