Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

Stellen Sie sich vor, Sie versuchen einem Computer beizubringen, vorherzusagen, wann eine Maschine kaputtgehen wird. Sie haben zwei Möglichkeiten, dies zu tun. Der erste Weg ist, als würden Sie dem Computer eine Million Fotos von defekten und funktionierenden Maschinen zeigen; er lernt, indem er Muster in den Bildern erkennt, aber er versteht nicht wirklich, warum die Maschine kaputtgegangen ist. Der zweite Weg ist, als würden Sie dem Computer ein Physik-Lehrbuch geben und ihn bitten, die Antwort von Grund auf zu berechnen; er versteht die Regeln perfekt, aber er könnte verwirrt sein, wenn die Maschine sich seltsam oder unerwartet verhält.

Stellen Sie sich nun einen dritten Weg vor: dem Computer sowohl die Fotos als auch die physikalischen Regeln gleichzeitig beizubringen. Dies wird „Physics-Informed Machine Learning“ genannt. Es ist, als würde man einem Schüler einen Stapel Übungsaufgaben und ein Merkblatt mit den Gesetzen der Schwerkraft geben, damit er neue Aufgaben schneller lösen kann und weniger dumme Fehler macht. Dieser Ansatz wird in der „Prognostics and Health Management“ (PHM) – was nur eine schicke Art zu sagen ist: „vorherzusagen, wann Dinge krank werden, damit wir sie reparieren können, bevor sie abstürzen“ – zu einem heißen Thema. Die Industrie legt großen Wert darauf, denn kaputte Maschinen kosten Geld, verursachen Verzögerungen und können sogar gefährlich sein.

Dieser Artikel ist eine riesige Detektivgeschichte, in der die Autoren Christopher Braun, Julian Raible und Marco F. Huber eine Jagd aufgemacht haben, um zu sehen, wie gut diese „hybride“ Lehrmethode tatsächlich in der realen Welt funktioniert. Sie haben sich nicht nur ein paar Beispiele angesehen; sie haben sich durch 212 verschiedene wissenschaftliche Studien gegraben, um der Wahrheit auf den Grund zu gehen. Sie wollten wissen: Welche Arten von physikalischen Regeln verwenden die Menschen? Wie mischen sie diese mit dem maschinellen Lernen? Und macht es die Vorhersagen tatsächlich besser?

Hier ist, was sie herausgefunden haben. Zuerst entdeckten sie, dass die Idee zwar großartig ist, das Feld aber immer noch ein wenig chaotisch ist. Die Forscher fanden heraus, dass sich die meisten Studien auf nur zwei Arten von Maschinen konzentrieren: Lithium-Ionen-Batterien (wie die in Ihrem Telefon oder Elektroauto) und Lager (die kleinen Räder im Inneren von Motoren). Es ist, als ob jeder Koch auf der Welt nur versuchen würde, sein Rezept für Pizza zu perfektionieren und alles andere ignorierte. Aufgrund dessen wissen wir viel darüber, wie man Batterien und Lager repariert, aber wir wissen noch nicht viel über andere Maschinen.

Die Autoren sortierten alle Studien in vier verschiedene „Teams“ ein, basierend darauf, wie sie die Physik mit dem Lernen mischten:

1. Die Daten-Taucher (Observational Bias): Diese Forscher nutzten die Physik, um künstliche Daten (Simulationen) zu erstellen, um dem Computer mehr Beispiele beizubringen. Es ist wie ein Videospiel-Trainer, der tausende von Übungslevel generiert, damit der Spieler gut wird, bevor er gegen den echten Endgegner antritt.
2. Die Architektur-Bauer (Inductive Bias): Diese Forscher bauten die physikalischen Regeln direkt in die Gehirnstruktur des Computers ein. Es ist, als würde man ein Haus mit Wänden bauen, die nicht eingerissen werden können, was den Computer dazu zwingt, nur auf eine Weise zu denken, die physikalisch Sinn ergibt.
3. Die Regel-Vollstrecker (Learning Bias): Diese Forscher fügten ein „Tadel-System“ hinzu. Wenn der Computer eine Vorhersage trifft, die gegen die Gesetze der Physik verstößt, bekommt er eine Strafe. Es ist wie ein Lehrer, der Ihnen jedes Mal einen roten Strich gibt, wenn Sie versuchen zu behaupten, dass ein Ball nach oben schwebt, ohne einen Heliumballon zu haben.
4. Die Teamplayer (Hybrid Approaches): Diese Forscher hielten das Physikmodell und das Lernmodell als zwei separate Freunde, die miteinander kommunizieren. Einer macht die Mathematik, der andere das Mustererkennen, und sie teilen sich die Arbeit.

Die große Neuigkeit? In fast jedem Fall machte das Mischen von Physik mit Lernen den Computer besser darin, vorherzusagen, wann Dinge kaputtgehen würden. Die Vorhersagen waren genauer, besonders wenn es nicht viel echte Daten zum Lernen gab. Die Autoren sind jedoch sehr vorsichtig, das Ganze nicht zu überhypen. Sie weisen darauf hin, dass, obwohl die Leute behaupten, diese Methoden würden Computer „verständlicher“ oder „sicherer“ machen, es noch nicht genug Beweise gibt, um das mit Sicherheit zu sagen. Es ist, als würde man sagen, ein neues Auto sei „sicherer“, weil es Airbags hat, aber niemand hat es schon in einem Testcrash durchgeführt, um zu beweisen, dass es tatsächlich Leben rettet.

Ein weiterer schwieriger Teil ist, dass viele dieser Methoden sehr spezifisch sind. Eine Methode, die entwickelt wurde, um eine Batterie zu reparieren, funktioniert vielleicht nicht bei einer Pumpe. Es ist, als hätte man einen Schlüssel, der nur eine ganz bestimmte Tür öffnet; er funktioniert super für diese eine Tür, aber man kann ihn nicht benutzen, um das ganze Haus zu öffnen. Die Autoren bemerkten auch, dass die meisten dieser intelligenten Systeme immer noch nur „Prototypen“ sind, die im Labor sitzen. Sie wurden noch nicht genug getestet, um zu sehen, ob sie auf einem winzigen Chip innerhalb einer Maschine laufen können oder ob sie mit der unordentlichen, verrauschten Realität einer Fabrikhalle fertig werden.

Am Ende legt der Artikel nahe, dass „Physics-Informed Machine Learning“ ein mächtiges Werkzeug ist, das bereits vielversprechend ist, aber noch kein Zauberstab ist. Es funktioniert am besten, wenn wir gute physikalische Regeln haben und genug Daten, um sie mit dem Lernen zu mischen. Die Zukunft dieses Feldes hängt davon ab, Werkzeuge zu bauen, die mit jeder Maschine funktionieren können, nicht nur mit Batterien und Lagern, und zu beweisen, dass sie wirklich zuverlässig genug sind, um man ihnen seine Sicherheit und sein Geld anzuvertrauen. Bis dahin ist es ein sehr spannendes, sehr geschäftiges, aber immer noch sehr junges wissenschaftliches Feld.