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

想象一下，你正在试图教一台计算机如何预测机器何时会发生故障。你有两种主要的方法。第一种方法就像是给计算机看一百万张损坏和正常运行的机器照片；它通过识别照片中的模式来学习，但它并不真正理解机器为什么会损坏。第二种方法就像是给计算机一本物理教科书，并要求它从头开始进行计算；它完美地理解了规则，但如果机器出现了奇怪或意想不到的行为，它可能会感到困惑。

现在，想象一下第三种方法：同时把照片和物理规则都教给计算机。这被称为“物理信息机器学习”（Physics-Informed Machine Learning）。这就像是给一名学生一叠练习题和一张包含重力法则的参考表，这样他们就能更快地解决新问题，并减少犯低级错误。这种方法在“故障诊断与健康管理”（PHM）领域正成为一个热门话题，这只是一个时髦的说法，意思就是“预测事物何时会‘生病’，以便我们在它们崩溃之前进行修理”。工业界对此非常关注，因为机器损坏会造成损失、导致延误，甚至可能引发危险。

这篇论文是一部宏大的侦探故事，作者 Christopher Braun、Julian Raible 和 Marco F. Huber 进行了一场搜寻，以观察这种“混合”教学方法在现实世界中究竟表现如何。他们不仅仅看了几个例子；他们深入挖掘了 212 项不同的科学研究，以寻找真相。他们想知道：人们正在使用什么样的物理规则？他们是如何将这些规则与计算机学习相结合的？以及这是否真的让预测变得更好了？

以下是他们的发现。首先，他们发现虽然这个想法很棒，但该领域目前还显得有些混乱。研究人员发现，大多数研究只集中在两种类型的机器上：锂离子电池（比如你手机或电动汽车里的电池）和轴承（电机内部的小轮子）。这就像是世界上所有的厨师都只试图完善他们的披萨配方，而忽略了其他一切。因此，我们对如何修理电池和轴承了解很多，但对其他机器却知之甚少。

作者根据人们如何将物理学与学习相结合，将所有的研究分成了四个不同的“团队”：

1. 数据浸润者（观测偏差）： 这些研究人员利用物理学来创建虚假数据（模拟），从而教给计算机更多的例子。这就像是一个游戏训练器生成成千上上的个练习关卡，好让玩家在面对真正的最终 Boss 之前变得更厉害。
2. 架构构建者（归纳偏差）： 这些研究人员将物理规则直接构建在计算机的脑结构中。这就像是盖一座带有坚固墙壁的房子，强迫计算机只能以符合物理逻辑的方式进行思考。
3. 规则执行者（学习偏差）： 这些研究人员增加了一个“惩罚”系统。如果计算机做出的预测违反了物理定律，它就会受到惩罚。这就像是一个老师，每当你试图说出一个球可以在没有氦气球的情况下向上漂浮时，就会给你一个红色的记号。
4. 团队协作者（混合方法）： 这些研究人员将物理模型和学习模型保持为两个互相交流的独立伙伴。一个负责数学计算，另一个负责模式识别，并且他们共同分担工作。

大新闻是：在几乎所有案例中，将物理学与学习相结合都让计算机在预测故障时变得更出色了。预测变得更加准确，尤其是在缺乏真实数据进行学习的情况下。然而，作者非常谨慎，没有过度吹捧。他们指出，虽然人们声称这些方法让计算机变得更“可理解”或更“安全”，但目前还没有足够的证据可以确定这一点。这就像是说一辆新车因为有了安全气囊所以更“安全”，但还没有人实际撞击过它来证明它确实能救命。

另一个棘手的部分是，许多这类方法都非常具有针对性。一种专门为修理电池而设计的办法可能无法用于水泵。这就像一把只能打开特定一扇门的钥匙；它对那扇门效果极佳，但你不能用它来打开整栋房子。作者还注意到，大多数这些智能系统仍然只是坐在实验室里的“原型”。它们还没有经过足够的测试，以观察它们是否能在机器内部的微型芯片上运行，或者是否能应对工厂车间里那些杂乱、多噪的现实情况。

最后，论文表明，物理信息机器学习是一个强大的工具，已经展现出了前景，但它还不是一根魔杖。它在拥有良好的物理规则并且有足够的数据与之结合时效果最好。这个领域的未来取决于建立能够应用于任何机器（而不只是电池和轴承）的工具，并证明它们确实足够可靠，可以让我们信任其安全性与资金安全。在此之前，这是一个非常令人兴奋、非常繁忙、但仍然非常年轻的科学领域。