物理信息机器学习在故障预测与健康管理中的应用：系统文献综述

# 物理信息机器学习在预测与健康管理中的应用：系统文献综述 来源：https://arxiv.org/html/2608.10047

\[1,2\]\\fnmChristopher\\surBraun\\orcidhttps://orcid.org/0009-0006-4153-4772\\equalcontThese authors contributed equally to this work. \\equalcont These authors contributed equally to this work. 1\]\\orgdivInstitute of Industrial Manufacturing and Management IFF,\\orgnameUniversity of Stuttgart,\\orgaddress\\streetAllmandring 35,\\cityStuttgart,\\postcode70569,\\stateBaden-Württemberg,\\countryGermany 2\]\\orgnameFraunhofer Institute for Manufacturing Engineering and Automation IPA,\\orgaddress\\streetNobelstraße 12,\\cityStuttgart,\\postcode70569,\\stateBaden-Württemberg,\\countryGermany

###### 摘要

在现代工业中，保持复杂系统的可靠性、安全性和效率依赖于预测与健康管理（PHM）。机器学习（ML）在很大程度上推动了诊断和预测领域的进步，然而纯数据驱动模型存在固有局限性，例如泛化能力差、无法推断因果关系以及缺乏可解释性。物理信息机器学习（PIML）通过将先验物理知识直接纳入机器学习流程来帮助缓解这些局限性，从而引发了其在PHM中应用的日益增长的兴趣。本研究通过对212篇研究的系统文献综述，探讨了PIML如何在PHM背景下被利用。该综述提出了一种四类分类方案，包括观测偏置、归纳偏置、学习偏置和混合方法，并进一步按PHM任务对研究进行分类。在所有四类中，所综述的研究一致表明，在各种资产中，其预测性能均优于传统基线，尽管文献严重偏向锂离子电池和轴承，并以特定问题的解决方案为主。总体而言，综述表明物理信息方法已经提供了切实的益处，而有关上述某些局限性改进的说法缺乏足够的支持证据。未来的研究应优先考虑可迁移的设计模式、比较集成策略的基准测试，以及足够轻量级和鲁棒、可用于实际环境中在线部署的不确定性感知模型。

###### 关键词：系统文献综述，物理信息机器学习，预测与健康管理，先验物理知识，混合方法

{strip}

本文的正式版本首发于《Journal of Intelligent Manufacturing》，可在出版商网站在线获取：https://dx.doi.org/10.1007/s10845-026-02930-3。本arXiv版本与正式版本内容等同，但在四个方面有所不同：（i）在全文分析后排除的研究列表（在正式版本中称为在线资源1的补充材料）以附录形式包含于此；（ii）引文经过一致消歧，解决了多个不同参考文献共享相同文中引文字符串的情况；（iii）章节标题已编号，以便解析正文中使用的编号交叉引用；（iv）所有图形均已嵌入，使得其中包含的文本保持可选中和可搜索。未更改任何声明、结果或结论。请引用正式版本。

## 缩写（技术术语）

AEAutoencoder
BiLSTMBidirectional Long Short-Term Memory
BPFIBall Pass Frequency Inner Race
BPFOBall Pass Frequency Outer Race
BSFBall Spin Frequency
CAEConvolutional Autoencoder
CMCondition Monitoring
CNNConvolutional Neural Network
CWTContinuous Wavelet Transform
DLDeep Learning
DOFDegrees of Freedom
ECAEfficient Channel Attention
ECMEquivalent Circuit Model
EKFExtended Kalman Filter
FACFrequency-Aware Convolution
FEFinite Element
FLOPFloating Point Operation
GANGenerative Adversarial Network
GNNGraph Neural Network
GPGaussian Process
GPRGaussian Process Regression
GRUGated Recurrent Unit
HIHealth Index
IMLInformed Machine Learning
kNNK-Nearest Neighbor
LSTMLong Short-Term Memory
MLMachine Learning
MLPMultilayer Perceptron
NNNeural Network
ODEOrdinary Differential Equation
PDEPartial Differential Equation
PdMPredictive Maintenance
PFParticle Filter
PHMPrognostics and Health Management
PIMLPhysics-Informed Machine Learning
PINNPhysics-Informed Neural Network
ReLURectified Linear Unit
ResNetResidual Network
RFRandom Forest
RFRRandom Forest Regression
RULRemaining Useful Life
RLReinforcement Learning
RNNRecurrent Neural Network
SEISolid Electrolyte Interphase
SOCState of Charge
SOHState of Health
SPMSingle-Particle Model
SVRSupport Vector Regression
SVMSupport Vector Machine
TGDSTheory-Guided Data Science
TLTransfer Learning
TRLTechnology Readiness Level

## 1 引言

预测与健康管理（PHM）已成为现代工业运营的基石，其驱动力来自复杂工程系统对可靠性、安全性和效率日益增长的需求\[vogl2019AReviewOfDiagnostic\]。具体而言，PHM为预测性维护（PdM）提供了方法论基础，使组织能够从被动或基于时间表的策略，通过状态监测过渡到预测性措施，从而支持明智的决策\[huang2024prognostics\]。这一转变得益于传感技术、互联性和工业数字化（工业4.0范式的核心支柱）的进步而加速。随着工业资产变得越来越互联，运营需求日益增强，PHM在减少非计划停机时间、优化维护成本和确保持续生产方面发挥着关键作用。

机器学习（ML）显著影响了PHM研究，其应用在近年来大幅增长\[sajjadi2025machine\]。ML模型在异常检测\[cannizzaro2025MachineLearningEnabled\]、故障诊断\[zhang2025JointDistributionDomain\]和剩余使用寿命（RUL）预测\[yin2025RemainingUsefulLife\]等任务中表现出色。尽管取得了这些成就，纯数据驱动方法仍面临固有局限性，尤其是在实际工业环境中部署时。在此类环境中，传感器测量值经常存在噪声、不完整或不一致，不同资产和环境的运行条件差异很大，并且由于灾难性事件的稀缺性，故障数据仍然稀疏。此外，ML模型通常缺乏可解释性，并且难以外推到训练数据所覆盖的状态空间之外\[hagmeyer2022integration\]。这些局限性在可靠性、安全性和可信度至关重要的工业部门尤为关键，从而推动了对更先进建模策略的需求。

物理信息机器学习（PIML）\[karniadakis2021physics\]通过将先验物理知识纳入ML流程，构成了解决这些挑战的一种有前景的范式。通过将ML的可扩展性和预测能力与基于物理建模的结构和可解释性相结合，PIML为鲁棒、可泛化和物理一致的PHM解决方案提供了一条途径。这些特性与工业环境对可靠性和透明度的严格要求高度契合，因为在工业环境中，基于模型输出的决策通常具有重大的运营或安全影响\[zio2022prognostics\]。

除了方法论动机之外，工业背景本身也放大了PIML的相关性。现代工业系统在恶劣、动态和异构条件下运行。资产可能经历可变负载、非线性退化或运行状态之间的快速转换。传感器可用性和质量可能因机器和地点而异，并且数据共享经常因隐私和安全问题而受阻。车队层面的变异性带来了进一步的复杂性。模型必须在共享设计原理但表现出不同使用模式或环境暴露的设备单元之间泛化，这通常导致昂贵的模型重新设计\[zeng2025ApplicationofFrequency\]。这些实际挑战强调了对不仅依赖数据、而且利用物理见解来确保鲁棒性和适应性的模型的需求——这正是物理信息方法所承诺提供的优势。

值得注意的是，PIML的日益普及已超越PHM，扩展到结构健康监测\[rizvi2023data\]等相邻领域，突显了其在退化系统中的跨领域相关性。

尽管在PIML和PHM交叉领域的研究日益增多，该领域在物理集成方式、PHM任务和应用领域方面仍然支离破碎。现有综述往往聚焦于特定资产，例如锂离子电池\[meng2019Areviewon\]、燃气轮机\[farhat2025physics\]或桥梁\[mammeri2025traditional\]。此外，它们往往采用更具探索性的方法，在特定领域提供详细见解，同时在某些方面留下较少系统性处理。鉴于PIML在\[karniadakis2021physics\]的开创性工作之后开始引起广泛关注，该领域发展迅速，使得最近的综述难以完全捕捉当前研究状态。

因此，研究人员缺乏一个统一的分类体系来系统比较物理如何在不同的PHM任务和应用领域中集成。实践者则没有整合的证据基础来指导针对特定工业环境选择适当的集成策略。这既限制了方法的累积进步，也限制了其向运营实践的转化。

其核心是，本工作解决了PIML如何在PHM背景下被利用，以及关键挑战和机遇是什么的问题。为了系统性地回答这个问题并确保可重复性和完整性，我们进行了迄今为止对PHM中PIML最全面的系统文献综述，涵盖了212项研究。其结果是为研究人员、开发者和实践者提供了必要的见解，通过有效纳入先验物理知识来推进数据驱动的PHM应用。

具体而言，本工作寻求回答的研究问题是：

1. 知识：(a) 正在利用哪些类型的先验物理知识，以及 (b) 采用了哪些表示形式？
2. 纳入：(a) 如何纳入先验物理知识，以及 (b) 表示形式如何影响哪些纳入方法可行？
3. 实践：(a) 纳入先验物理知识如何帮助克服纯数据驱动方法的局限性，以及 (b) 开发和应用物理信息方法的主要挑战是什么？

本文的其余部分组织如下。第2节提供了PHM、物理信息学习以及相关工作的简要背景描述。第3节描述了系统文献综述所依据的方法论，包括检索策略、筛选和质量评估程序。第4节介绍了四类分类方案，包括观测偏置、归纳偏置、学习偏置和混合方法。随后对已识别的研究进行了总结。第5节分析了方法论趋势，并讨论了当前挑战和未来在工业PIML-based PHM中取得进展的机遇。最后，第6节总结了关键见解和启示，简要回答了所概述的研究问题。

## 2 背景

以下部分概述了理解本综述中关键概念所需的理论基础。首先介绍PHM，涵盖其核心任务以及实现它的各种方法。其中，混合方法尤其有前景，而PIML处于前沿。对该范式进行了定义和探讨，并涉及相关研究领域。最后，提供了相关工作概述，以将本综述置于更广泛的文献中。

### 2.1 预测与健康管理

PHM是一门工程学科，专注于检测、隔离和诊断系统中的潜在故障，评估其当前健康状态（SOH），并预测其剩余使用寿命（RUL），目的是防止非计划停机、提高可靠性并支持额外的系统级目标。这些诊断和预测措施通过监测系统健康并在初期故障发展为灾难性失效之前进行预测，在确保持续运行中发挥着至关重要的作用。因此，PHM不仅提高了运营效率，还增强了被监测系统的安全性。

然而，实施PHM存在若干挑战，这些挑战因建模系统所选方法的不同而各异。虽然在工业环境中采用PHM具有巨大潜力，但也需要解决各种技术和组织障碍才能充分发挥其益处。

由于PHM涵盖诊断和预测，通常为实施而划定四项基本任务\[hagmeyer2022integration,jia2018review\]：

1. 故障检测旨在确定故障是否存在。