[论文解读] Uncovering the Underlying Physics of Degrading System Behavior Through a Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis

Sergio Cofre-Martel, Enrique López Droguett+1 more|arXiv (Cornell University)|Jun 10, 2020

Fault Detection and Control Systems参考文献 32被引用 4

一句话总结

本文提出了一种物理信息深度学习框架，通过从传感器数据中发现潜在变量和潜在的偏微分方程（PDE），揭示工程系统中的退化机制。通过将物理约束整合到三阶段深度神经网络中，该模型在预测剩余使用寿命（RUL）的同时生成可解释的健康指标，实现透明且物理解释一致的预测，超越黑箱回归。

ABSTRACT

Deep learning (DL) has become an essential tool in prognosis and health management (PHM), commonly used as a regression algorithm for the prognosis of a system's behavior. One particular metric of interest is the remaining useful life (RUL) estimated using monitoring sensor data. Most of these deep learning applications treat the algorithms as black-box functions, giving little to no control of the data interpretation. This becomes an issue if the models break the governing laws of physics or other natural sciences when no constraints are imposed. The latest research efforts have focused on applying complex DL models to achieve a low prediction error rather than studying how the models interpret the behavior of the data and the system itself. In this paper, we propose an open-box approach using a deep neural network framework to explore the physics of degradation through partial differential equations (PDEs). The framework has three stages, and it aims to discover a latent variable and corresponding PDE to represent the health state of the system. Models are trained as a supervised regression and designed to output the RUL as well as a latent variable map that can be used and interpreted as the system's health indicator.

研究动机与目标

• 解决在剩余使用寿命（RUL）预测中深度学习模型缺乏可解释性的问题，该问题常见于状态监测与健康诊断（PHM）领域。
• 开发一种框架，揭示系统退化背后的基本物理规律，而非将深度学习视为黑箱。
• 实现对潜在变量及其对应偏微分方程（PDE）的发现，以表征系统的健康状态。
• 通过将约束条件嵌入深度学习架构，确保模型预测与物理定律保持一致。
• 在RUL预测的同时生成可解释的健康指标，以提升系统诊断与决策能力。

提出的方法

• 该框架采用三阶段深度神经网络（DNN）架构，从传感器数据中学习系统退化的潜在表征。
• 第一阶段将原始传感器数据编码为低维潜在空间，表征系统的健康状态。
• 第二阶段学习描述潜在变量随时间和空间演化的偏微分方程（PDE）。
• 第三阶段执行监督回归，利用学习到的潜在变量和PDE预测剩余使用寿命（RUL）。
• 模型通过损失函数进行训练，以强制实现物理一致性，确保PDE与已知的退化动力学相符。
• 输出包括RUL预测结果以及从潜在变量映射中导出的物理解释性健康指标。

实验结果

研究问题

• RQ1 深度神经网络框架能否发现一个可解释的潜在变量，以表征退化系统的健康状态？
• RQ2 该框架能否仅从传感器数据中揭示支配退化过程的潜在偏微分方程（PDE）？
• RQ3 该模型在保持与已知退化定律物理解释一致性的同时，预测剩余使用寿命（RUL）的性能如何？
• RQ4 与标准黑箱深度学习相比，引入物理约束在多大程度上提升了模型的可解释性与可靠性？
• RQ5 所学习到的潜在变量能否作为系统诊断与预测中的有意义健康指标？

主要发现

• 所提出的框架成功发现了与系统健康状态相关联的潜在变量，且可被解释为健康指标。
• 该模型识别出支配退化过程的偏微分方程（PDE），从数据中揭示了潜在的物理机制。
• 该框架在确保物理解释一致性的同时实现了准确的RUL预测，避免了违反已知物理定律的情况。
• 潜在变量映射提供了可解释性，使工程师能够理解退化过程，而不仅依赖原始传感器输出。
• 将物理约束整合到深度学习架构中，提升了模型的可靠性，并降低了出现非物理解释预测的风险。
• 该方法证明了深度学习不仅可用于预测，还可用于揭示退化系统中隐藏的物理动力学。