Vibrations forecasting using physics informed machine learning: case-study of self-lubricated hydrodynamic journal bearings
本研究提出了一种混合物理信息机器学习框架，通过将近似物理模型与贝叶斯参数校正相结合，有效地预测了自润滑流体动力润滑轴承的振动状态，即使在训练数据有限且物理知识不完整的情况下，也能实现高精度和高泛化能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
旋转、滑动和研磨的机器是现代工业中沉默的劳动力，从汽车发电机中微小的轴承到为城市提供动力的巨大涡轮机。几十年来，工程师们一直依赖物理学来预测这些部件如何磨损，使用描述摩擦力、热量和压力的方程。但真实的机器是混乱的。它们在不断变化的环境中运行，部件以不可预测的方式退化，这使得过去的完美方程往往无法应对当今的现实。当机器发生故障时，通常为时已晚；损害已经造成，且代价高昂。科学家们长期以来的挑战在于，如何弥合纯粹物理定律与正在缓慢损坏的机器那充满数据且混乱的现实之间的鸿沟。
一组研究人员开发了一种观察这一问题的新方法，将物理定律的可靠性与现代计算机学习的适应性结合在一起。他们没有试图构建一个单一且完美的机器模型，也没有仅仅依赖大量的历史数据，而是创建了一个能够随着机器老化而学习的混合系统。通过在一种用于雨刮器和阀门的特定类型轴承上测试这种方法，他们证明了即使在机器以工程师从未预料到的方式发生变化时，预测机器未来数小时内如何振动的做法也是可行的。这种方法提供了一条在预测故障发生前进行预警的路径，且比传统的人工智能所需的训练数据要少得多。
研究人员将研究重点放在了一种自润滑径向轴承上，这是一种轴在衬套内旋转的部件，衬套由类似海绵般能保持油脂的材料组成。这些轴承旨在长时间平稳运行，但最终摩擦和热量会导致材料磨损，从而改变机器的运动方式。为了理解这一过程，团队构建了一个实验台，用以模拟这些轴承在现实世界中所面临的启停工况。他们将轴承放置在一个类似单摆的装置上，并使其经历反复的速度变化，通过加热来模拟数年的使用情况。随着轴承的磨损，团队测量了旋转轴产生的振动和扭矩（即扭转力）。
其创新的核心在于他们如何使用这些测量数据。他们并没有直接将原始振动数据输入计算机程序来猜测未来，而是首先利用这些数据来更新一个简化的机器物理模型。可以将这个模型想象成一套规则，描述了单摆如何基于重力、摩擦力和材料刚度进行运动。在开始阶段，该模型是一个良好的假设，但随着轴承的磨损，真实机器的行为开始偏离模型的预测。研究人员使用一种统计方法来不断微调模型内部的数值，调整它们以匹配他们测得的现实世界振动。这使得模型即使在机器发生变化时也能保持准确。
一旦模型被更新以反映机器的当前状态，团队就会使用一种专门的类型的人工智能来进行前瞻性预测。这种被称为“神经算子”的AI并不试图预测未来每一秒的精确振动信号。相反，它学习的是物理模型中的数值随时间演变的规律。通过预测模型参数在未来八小时内将如何演变，该系统随后可以运行物理模型，从而生成对未来振动形态的预测。这种方法之所以强大，是因为它在利用人工智能的处理能力来应对磨损带来的复杂性的同时，仍保持了机器物理意义的完整性。
实验结果令人瞩目。当研究人员将该系统应用于来自尚未失效轴承的数据时，对于超过八小时的时间跨度，其预测未来振动的误差率低于25%。这显著优于其他试图直接预测振动的机器学习方法，那些方法在不使用物理模型作为引导的情况下，往往难以奏效，产生的误差几乎是新方法的两倍或三倍。该混合系统还具有泛化能力，这意味着即使机器在与训练期间略有不同的条件下运行，它也能表现良好。
或许最能说明问题的测试是，研究人员将该系统应用于一个最终发生故障的轴承。他们仅使用健康轴承的数据进行训练，从未向系统展示过损坏的机器是什么样子。当测试用的轴承开始失效时，系统的预测开始偏离实际的振动情况。然而，这种偏差并非系统的失败，而是一个信号。系统预期值与实际情况之间的差距变得足够大，足以作为一个早期预警，提示出现了异常。系统成功捕捉到了机器在损坏过程中的整体行为，这表明该方法可以用于检测从未见过的故障。
这项工作表明，机器监测的未来可能不在于在物理学和数据之间做选择，而在于将二者编织在一起。通过让物理模型随着机器共同演化，并利用人工智能来预测这种演化，研究人员创造了一个既稳健又具适应性的工具。它比纯机器学习需要更少的数据，并比纯物理学提供更多的洞察。对于那些依赖复杂机械持续运转的行业来说，这可能意味着从计划内的维护停机到灾难性故障之间的转变，将金属的无声磨损转化为关于机器健康状况的可读故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。