[論文レビュー] A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection

Yuandi Wu, Brett Sicard+1 more|arXiv (Cornell University)|Jan 22, 2024

Non-Destructive Testing Techniques被引用数 6

ひとこと要約

この調査は condition monitoring と anomaly detection のための物理案内型機械学習（PIML）アプローチをまとめ、物理法則が ML モデルへどのように埋め込まれるかを詳述し、一般的なアーキテクチャ、利点、事例研究を概説します。

ABSTRACT

This study presents a comprehensive overview of PIML techniques in the context of condition monitoring. The central concept driving PIML is the incorporation of known physical laws and constraints into machine learning algorithms, enabling them to learn from available data while remaining consistent with physical principles. Through fusing domain knowledge with data-driven learning, PIML methods offer enhanced accuracy and interpretability in comparison to purely data-driven approaches. In this comprehensive survey, detailed examinations are performed with regard to the methodology by which known physical principles are integrated within machine learning frameworks, as well as their suitability for specific tasks within condition monitoring. Incorporation of physical knowledge into the ML model may be realized in a variety of methods, with each having its unique advantages and drawbacks. The distinct advantages and limitations of each methodology for the integration of physics within data-driven models are detailed, considering factors such as computational efficiency, model interpretability, and generalizability to different systems in condition monitoring and fault detection. Several case studies and works of literature utilizing this emerging concept are presented to demonstrate the efficacy of PIML in condition monitoring applications. From the literature reviewed, the versatility and potential of PIML in condition monitoring may be demonstrated. Novel PIML methods offer an innovative solution for addressing the complexities of condition monitoring and associated challenges. This comprehensive survey helps form the foundation for future work in the field. As the technology continues to advance, PIML is expected to play a crucial role in enhancing maintenance strategies, system reliability, and overall operational efficiency in engineering systems.

研究の動機と目的

• 工学系システムにおけるデータ不足と物理的に一貫した予測の必要性に対処するためにPIMLの利用を動機づける。
• 特徴量、正則化、アーキテクチャといったMLモデルへ物理知識を組み込む手法を網羅する。
• 精度、解釈性、計算効率、汎化性の観点からPIML手法の長所と限界を評価する。
• 状態監視と異常検知におけるPIMLの有効性を示す代表的なケーススタディを強調する。

提案手法

• PIML統合フレームワークを分類する：特徴空間に埋め込まれた物理学、物理モデルのデータ強化による洗練、物理に基づく正則化、物理誘導設計のアーキテクチャ。
• 物理法則がモデル入力、損失関数、ネットワークアーキテクチャに組み込まれる方法を説明する（例：PINN、物理に基づく特徴拡張）。
• 物理ベースのシミュレーションによる合成データ生成と、半教師あり学習または転移学習を用いた訓練データの増強を議論する。
• アーキテクチャと適用分野を示す表と図を通じて文献を要約する。
• 有限要素法モデルや他の物理ツールが訓練データを生成したり特徴形成を導く事例を提示する。
• 解釈性、計算、および汎化性の観点から各アプローチのトレードオフを説明する。

実験結果

リサーチクエスチョン

• RQ1 状態監視と異常検知において、物理とデータ駆動モデルを統合する主な手法は何ですか？
• RQ2 各PIMLフレームワークの利点、制限、および実用的考慮事項（計算コスト、解釈性、データ要件）は何ですか？
• RQ3 PIML手法はさまざまな工学応用と故障シナリオでどのように機能しますか？
• RQ4 PIMLのアーキテクチャ設計とデータ合成に関する最近の文献でどのような傾向が現れていますか？

主な発見

• 学習過程で物理原則を適用することにより、解釈性と堅牢性が向上します。
• 特徴空間における物理埋め込みと物理誘導アーキテクチャは、データ要件を削減し汎化を向上させることができます。
• 実データが乏しい場合に、物理ベースのモデルと転移学習を用いた合成データ生成は訓練を強化します。
• さまざまなアーキテクチャ（PINN、物理情報を組み込んだCNN/RNN/GNN、物理誘導正則化）が状態監視タスクで使用されています。
• 有限要素モデルや他の物理シミュレータは、データソースとして、また特徴形成とモデルキャリブレーションの指針として頻繁に使用されます。