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

Stel je voor dat je een computer probeert te leren wanneer een machine kapot zal gaan. Je hebt twee hoofdwegen om dit te doen. De eerste manier is alsof je de computer een miljoen foto's laat zien van kapotte en werkende machines; hij leert door patronen in de plaatjes te herkennen, maar hij begrijpt niet echt waarom de machine kapot ging. De tweede manier is alsof je de computer een natuurkundeboek geeft en hem vraagt het antwoord vanaf nul uit te rekenen; hij begrijpt de regels perfect, maar hij kan in de war raken als de machine zich vreemd of onverwacht gedraagt.

Stel je nu een derde manier voor: de computer zowel de foto's áls de natuurkunderegels tegelijkertijd leren. Dit wordt "Physics-Informed Machine Learning" genoemd. Het is alsof je een student een stapel oefenopgaven geeft en een overzichtskaart met de wetten van de zwaartekracht, zodat ze nieuwe problemen sneller kunnen oplossen en minder domme fouten maken. Deze aanpak wordt een hot topic binnen "Prognostics and Health Management" (PHM), wat gewoon een chique manier is om te zeggen: "voorspellen wanneer dingen ziek worden zodat we ze kunnen repareren voordat ze craschen."

Dit artikel is een enorm detectiveverhaal waarin de auteurs, Christopher Braun, Julian Raible en Marco F. Huber, op een zoektocht zijn gegaan om te zien hoe goed deze "hybride" onderwijsmethode eigenlijk werkt in de echte wereld. Ze hebben niet naar slechts een paar voorbeelden gekeken; ze hebben door 212 verschillende wetenschappelijke studies gegraven om de waarheid te vinden. Ze wilden weten: wat voor soort natuurkunderegels gebruiken mensen? Hoe mengen ze die met het computerleren? En maakt het de voorspellingen daadwerkelijk beter?

Dit is wat ze vonden. Ten eerste ontdekten ze dat, hoewel het idee geweldig is, het vakgebied nog een beetje een rommeltje is. De onderzoekers ontdekten dat de meeste studies zich richten op slechts twee soorten machines: lithium-ion batterijen (zoals de batterijen in je telefoon of elektrische auto) en lagers (de kleine wieltjes binnenin motoren). Het is alsof elke chefkok ter wereld alleen probeert het recept voor pizza te perfectioneren en de rest negeert. Vanwege dit weten we veel over hoe we batterijen en lagers kunnen repareren, maar weten we nog niet veel over andere machines.

De auteurs hebben alle studies ingedeeld in vier verschillende "teams" op basis van hoe ze de natuurkunde mengden met het leren:

1. De Data Dippers (Observational Bias): Deze onderzoekers gebruikten natuurkunde om nepdata (simulaties) te creëren om de computer meer voorbeelden te leren. Het is als een videogame-trainer die duizenden oefenniveaus genereert, zodat de speler goed wordt voordat hij de echte eindbaas ontmoet.
2. De Architect Builders (Inductive Bias): Deze onderzoekers bouwden de natuurkunderegels direct in de hersenstructuur van de computer. Het is als het bouwen van een huis met muren die niet omver kunnen worden gestoten, waardoor de computer gedwongen wordt alleen op een manier te denken die fysiek zinvol is.
3. De Rule Enforcers (Learning Bias): Deze onderzoekers voegden een "berispingssysteem" toe. Als de computer een voorspelling doet die de natuurkundige wetten overtreedt, krijgt hij een straf. Het is als een leraar die je een rood kruis geeft elke keer dat je probeert te beweren dat een bal omhoog kan zweven zonder heliumballon.
4. De Team Players (Hybrid Approaches): Deze onderzoekers hielden het natuurkundemodel en het leermodel als twee aparte vrienden die met elkaar praten. De één doet de wiskunde, de ander doet het patroonherkenning, en ze delen het werk.

Het grote nieuws? In bijna alle gevallen maakte het mengen van natuurkunde met leren de computer beter in het voorspellen wanneer dingen zouden breken. De voorspellingen waren nauwkeuriger, vooral wanneer er weinig echte data beschikbaar was om van te leren. De auteurs zijn echter voorzichtig om de boel niet te veel te overhypen. Ze wijzen erop dat hoewel mensen beweren dat deze methoden computers "begrijpelijker" of "veiliger" maken, er nog niet genoeg bewijs is om dat zeker te weten. Het is alsof je zegt dat een nieuwe auto "veiliger" is omdat hij airbags heeft, maar niemand de auto al echt heeft laten crashen in een test om te bewijzen dat het levens redt.

Nog een lastig deel is dat veel van deze methoden zeer specifiek zijn. Een methode die gebouwd is om een batterij te repareren, werkt misschien niet op een pomp. Het is als een sleutel die slechts één specifieke deur opent; hij werkt geweldig voor die deur, maar je kunt hem niet gebruiken om het hele huis te openen. De auteurs merkten ook op dat de meeste van deze slimme systemen nog steeds slechts "prototypes" zijn die in een lab staan. Ze zijn nog niet genoeg getest om te zien of ze kunnen draaien op een piepkleine chip in een machine of dat ze de rommelige, lawaaierige realiteit van een fabrieksvloer aankunnen.

Uiteindelijk suggereert het artikel dat Physics-Informed Machine Learning een krachtig hulpmiddel is dat al veelbelovend is, maar het is nog geen toverstaf. Het werkt het best wanneer we goede natuurkunderegels hebben en genoeg data om ze mee te mengen. De toekomst van dit vakgebied hangt af van het bouwen van tools die op elke machine kunnen werken, niet alleen op batterijen en lagers, en het bewijzen dat ze werkelijk betrouwbaar genoeg zijn om ons vertrouwen te geven met onze veiligheid en ons geld. Tot die tijd is het een zeer boeiend, zeer druk, maar ook nog heel jong wetenschappelijk veld.