Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines

本文旨在利用新兴的物理信息机器学习（PIML）领域，开发用于预测飞机发动机剩余寿命（RUL）的模型。我们考虑著名的NASA商业模块化航空推进系统模拟（C-MAPSS）数据作为本文的主要数据，该数据包括各种不同操作模式下的传感器输出。C-MAPSS是一个经过充分研究的数据集，文献中有许多使用经典和深度学习方法解决RUL预测的现有工作。在缺乏经验物理定律来控制C-MAPSS数据的情况下，我们的方法首先使用随机方法从嘈杂的时间序列数据中估计控制物理模型。在我们的方法中，我们将各种传感器读数建模为由随机微分方程控制，并估计相应的过渡密度均值和潜在过程的方差函数。然后，在训练和推理过程中，我们使用学习的均值和方差函数增强LSTM（长短期记忆）模型。我们基于PIML的方法不同于以往的方法，我们使用数据首先学习物理学。我们的结果表明，PIML发现和解决方法非常适合这个问题，并且胜过先前针对该数据集和任务的仅使用数据的深度学习方法。此外，本文开发的框架是灵活的，可以适应其他情况（其他传感器模态或组合的多物理环境），包括仅部分观察或已知基础物理的情况。

使用物理知识和机器学习方法预测飞机发动机的剩余寿命。

使用物理知识和随机方法估计传感器读数的随机微分方程，将其与LSTM模型相结合，从而提高剩余寿命预测的准确性。

该方法在NASA C-MAPSS数据集上取得了优异的表现，比之前的基于数据的深度学习方法更加准确。该框架具有灵活性，可以适应其他情况。

先前的工作主要集中在使用深度学习方法进行剩余寿命预测，而本文则使用了物理知识和随机方法。相关研究包括“Deep Remaining Useful Life Prediction: A Data-Driven Approach”和“Physics-Based Remaining Useful Life Prediction of Rolling Element Bearings Using Deep Convolutional Neural Networks”。