Toward accurate RUL and SoH estimation using reinforced graph-based physics-informed neural networks enhanced with dynamic weights

Technische Samenvatting: RGPD-framework voor RUL- en SoH-schatting

Probleemstelling
Nauwkeurige schatting van de resterende bruikbare levensduur (Remaining Useful Life, RUL) en de gezondheidstoestand (State of Health, SoH) is cruciaal voor Prognostics and Health Management (PHM). Bestaande benaderingen kampen echter met een hardnekkige afruil: puur datagestuurde deep learning-modellen missen vaak fysieke consistentie en hebben moeite met ruisgevoelige, multisensor-signalen, terwijl fysische modellen expliciete domeinkennis vereisen die moeilijk te generaliseren is naar diverse activa. Bovendien vertrouwen hybride modellen die deze benaderingen combineren vaak op vaste verliesgewichten, wat leidt tot suboptimale prestaties bij overdracht naar activa met verschillende degradatiegedragingen, ruisniveaus of operationele condities. De kernuitdaging is het ontwikkelen van een verenigd framework dat complexe spatio-temporele sensorinteracties kan vastleggen en tegelijkertijd adaptief de balans bewaart tussen datagestuurd leren en fysisch-geïnformeerde beperkingen.

Methodologie: Het RGPD-framework
De auteurs stellen Reinforced Graph-based Physics-informed Networks with Dynamic Weighting (RGPD) voor, een modulair framework ontworpen om heterogene degradatiesystemen te verwerken zonder dat daarvoor assetspecifieke eerste-principesmodellen nodig zijn. De architectuur integreert vier kerncomponenten:

1. Graafgebaseerde Spatio-Temporele Representatie:
   De ruggengraat maakt gebruik van een Graph Attention Convolution (GATConv) laag gevolgd door een Graph Convolutional Recurrent Network (GCRN). Deze structuur behandelt sensor-kanalen als knopen en leert hun relationele afhankelijkheden. GATConv wijst adaptieve aandachtsgewichten toe om informatieve sensorrelaties te prioriteren, terwijl GCRN de temporele evolutie van deze ruimtelijke afhankelijkheden modelleert. Dit vervangt rigide sequentiële modellen door een relationeel perspectief op degradatie.

2. Adaptieve Feature Modulatie via Soft Actor-Critic (SAC):
   Om ruisgevoelige latente kenmerken aan te pakken, gebruikt het framework een Soft Actor-Critic (SAC) reinforcement learning-agent. De SAC-agent werkt in een setting van continue controle, ontvangt latente feature-vectoren van de GCRN en geeft schalingscoëfficiënten output. Deze coëfficiënten schalen de features dynamisch voordat ze de temporele aandachtsblokken ingaan. De agent wordt getraind om de voorspelfout (negatieve MSE) te minimaliseren, waardoor het effectief leert om ruisgevoelige dimensies te onderdrukken en informatieve dimensies te versterken onder niet-stationaire condities.

3. Temporele Verfijning met een Temporal Attention Unit (TAU):
   Na de feature-schaling verwerkt een Temporal Attention Unit (TAU) de data. In tegenstelling tot standaard self-attention, ontkoppelt TAU Statische Aandacht (het vastleggen van intra-temporele correlaties via depthwise en dilated convoluties) van Dynamische Aandacht (het vastleggen van inter-temporele afhankelijkheden via pooling en fully connected lagen). Deze dubbele mechanisme stelt het model in staat zich te concentreren op zowel instantane sensorinteracties als langetermijn-degradatietrends.

4. Adaptieve Physics-Informed Regularisatie:
   Het framework dwingt fysieke plausibiliteit af via een samengestelde verliesfunctie die bestaat uit:

   • Deep Hidden Physics Model (DeepHPM) Residu: Een geleerd PDE-residu dat de latente degradatiedynamiek benadert zonder expliciete sturende vergelijkingen te vereisen.
   • Auxiliaire Beperkingen: Monotoniciteit (waarborgen dat RUL/SoH over de tijd afneemt), Gladheid (voorkomen van abrupte oscillaties) en een Broken-Device beperking (het afdwingen van nul RUL bij falen).
   • Q-Learning voor Dynamische Weging: In plaats van vaste gewichten passen vier onafhankelijke Q-learning agents de gewichten van de fysische verliestermen ($w_1$ tot $w_4$) online adaptief aan. Elke agent observeert de grootte van zijn specifieke residu en selecteert een discreet gewicht uit een begrensde set. Het beloningssignaal is afgeleid van de verbetering in de validatie-RMSE, waardoor het model de beperkingen kan herbalanceren op basis van de huidige trainingsstatus en datasetkenmerken.

Belangrijkste Bijdragen

• Verenigd Framework: RGPD integreert graafgebaseerd relationeel leren, reinforcement-gestuurde feature-modulatie en adaptieve physics-gestuurde regularisatie in één enkele optimalisatiepipeline.
• Adaptieve Physics Balancering: De introductie van Q-learning agents om de gewichten van de fysische verliesfuncties dynamisch af te stemmen, pakt de beperking van statische wegingsmethoden in hybride modellen aan, wat zorgt voor een betere generalisatie over heterogene datasets.
• Robuuste Feature Schaling: Het gebruik van SAC om latente features te moduleren biedt een stochastisch, beloningsgestuurd mechanisme om training te stabiliseren en de robuustheid tegen ruis te verbeteren, wat beter presteert dan deterministische gating-mechanismen.
• Generaliseerbaarheid: Het framework wordt gevalideerd over drie verschillende industriële domeinen (turbofan motoren, lagers en batterijen) zonder de kernarchitectuur te wijzigen, waarbij enkel vertrouwt op dataset-specifieke preprocessing en graafconstructie.

Experimentele Resultaten
Het framework werd geëvalueerd op de C-MAPSS (motoren), PHM2012 (lagers) en XJTU (batterijen) datasets.

• C-MAPSS: RGPD bereikte een gemiddelde RMSE-verbetering van tot wel 12% vergeleken met de sterkste gerapporteerde baselines (bijv. een reductie van de gemiddelde RMSE van ~12,89 naar 11,38). Het toonde robuustheid aan over subsets met variërende foutmodi en operationele condities.
• XJTU (Batterijen): Het model verminderde de gemiddelde MAPE met 20% vergeleken met het op één na beste gerapporteerde model (0,86% vs. 1,09% voor Battery PINN), ondanks het feit dat Battery PINN specifiek is afgestemd op batterijchemie.
• PHM2012: RGPD behaalde de laagste RMSE (0,0778) en MAE (0,0634) onder de vergeleken methoden, waarmee het state-of-the-art modellen zoals ILCANet overtrof.
• Robuustheid: Experimenten met ontbrekende data (tot 10% sensorverlies) toonden aan dat gemiddelde imputatie in combinatie met RGPD een competitieve prestatie behield, wat de veerkracht in imperfecte industriële omgevingen onderstreept.
• Ablatie-studies: Het verwijderen van de RL-componenten (SAC en Q-learning) of de TAU-blok resulteerde consistent in een verslechtering van de prestaties, wat bevestigt dat adaptieve wegings- en dual-attention mechanismen cruciaal zijn voor het omgaan met heterogene degradatiedynamiek.

Betekenis en Claims
Het artikel claimt dat RGPD een significante stap voorwaarts is in PHM door de spanning op te lossen tussen expressieve datagestuurde representaties en fysisch consistente voorspellingen. De primaire betekenis ligt in de methodologische generaliseerbaarheid: dezelfde ontwerpprincipes (graaf-backbone + adaptieve RL-controle) blijven effectief voor motoren, lagers en batterijen. De auteurs benadrukken dat het framework geen volledig eerste-principesmodel voor elk type asset vereist; in plaats daarvan gebruikt het "degradatie-consistente priors" en geleerde residuen om fysieke plausibiliteit te waarborgen.

De auteurs merken bescheiden op dat hoewel RGPD extra trainingsoverhead introduceert vergeleken met eenvoudigere modellen, deze kosten gerechtvaardigd zijn bij het werken met multisensor-afhankelijkheden en ruisgevoelige omgevingen. Ze verduidelijken dat de overdraagbaarheid van het framework voortkomt uit het vermogen om sensorinteracties en algemene degradatie-priors te leren, terwijl asset-specifieke adaptatie wordt afgehandeld via preprocessing en graafconstructie in plaats van architecturale wijzigingen. Toekomstig werk is gericht op het integreren van asset-bewuste physics-termen en het valideren van het framework in real-world online industriële settings.