面向预测性维护的数字孪生技术进展：机器学习的作用和功能（下）
本期受文章作者邀请给大家分享一篇中科院1区的数字孪生技术综述文章。
数字孪生是当前故障诊断领域的研究热点。本期推荐的这篇是广东工业大学陈翀副教授的文章，这篇文章先系统介绍目前制造业中数字孪生技术和预测性维护相关技术的最新应用，重点指出DT-PdM的前景，接着以明确和系统的方法确定、评估和分析已发表的文献（与DT-PdM相关的文献），初步分析目前研究状况。随后，介绍了ML在基于DT-PdM 的各个应用领域中的最新应用(HI构建、RUL 预测和故障诊断)。最后，揭示并讨论了在DT-PdM 中机器学习的挑战和机遇。
由于文章篇幅过长，小编将分两次为大家翻译介绍这篇综述，本节推文是这篇文章的下半部分，（上部分：）希望对大家的学习有所帮助（文章的2、4章节质量较高)，也同时希望大家可以多多引用。
论文基本信息
论文题目: The advance of digital twin for predictive maintenance: The role and function of machine learning
论文期刊:Journal of Manufacturing System
Doi:https://doi.org/10.1016/j.jmsy.2023.10.010
摘要
关键词：数字孪生 预测性维护 机器学习 故障诊断和健康管理
目录
1 引言
2 数字孪生和预测性维护的最新技术
2.1 制造业中的数字孪生
2.2 预测性维护的前沿应用
3 研究方法论
3.1 研究问题
3.2 搜索策略
（注：上述部分已经发布：“面向预测性维护的数字孪生技术进展：机器学习的作用和功能（上），本篇将介绍下面三个部分）
4 面向基于数字孪生驱动预测维护的机器学习
4.1数字孪生驱动的预测维护框架
4.2 用于构建健康指标和剩余寿命预测的机器学习
4.3 基于机器学习的故障诊断
5 挑战机遇
5.1 用于构建高保真数字模型的机器学习
5.2 DT-PdM中的多源数据融合
5.3.用于数字孪生预测维护的物理信息机器学习
5.4 针对低延迟交互的云边协作
6 结论
注：小编能力有限，如有翻译不恰之处，请多多指正~
若想进一步拜读完整版，请下载原论文进行细读。
4 面向基于数字孪生驱动预测性维护的机器学习
数字化技术使得信息技术与制造业的融合产生重大进步。它导致了各种实际应用的发展，这些应用的重点是增强信息技术在制造中的作用，实现物理域和虚拟域之间的无缝数据传输[21,79,83,84]。因此，工业体系的总体发展战略将DT技术的实施放在了优先位置。而DT因其能够涵盖结构设计、制造、装配和运行健康管理的各个阶段而越来越受到业界的关注。这套新兴概念已应用于制造业，包括机械和生产线，以加强工厂运营管理。该技术可以实时监控运行设备，从而提高故障设备的检查和维修效率，从而减少设备故障和定期维护需求造成的生产力损失[74]。在 DT-PdM 的背景下，机器学习在利用 DT 的力量方面发挥着关键作用。通过分析监控数据和维护数据等大量多源数据，机器学习算法可以检测表明设备故障或性能下降的模式和异常情况。PdM 中的基本任务（例如 HI 构建、RUL 预测和故障诊断）可以通过使用 ML 的多源数据建模来实现。在深入了解 DT 如何帮助预测性维护 (PdM) 之前，了解 PdM 不可或缺的关键任务显得至关重要：
1. 运行状况指标估计：提供设备当前运行健康状况的一个汇总合指标或一组指标。该指数允许操作员跟踪机械的整体运行状况，并根据其状态决定适当的操作。
2. 剩余使用寿命预测：机器或设备达到其有效使用寿命之前剩余时间的估计。此预测有助于计划维护和及时更换零件设备。
3. 故障诊断：识别、隔离和查明系统故障或异常的根本原因的过程。它明确了具体问题，促进有针对性的维修和维护行动。
澄清上述概念后，可以更好地确定机器学习在 DTPdM 中的作用。PdM 的核心是围绕 HI、RUL、故障诊断，预测设备的未来状况并相应地安排维护。机器学习是该框架中的关键组件。通过利用机器学习筛选来自不同数据源的大量数据集，可以识别设备问题的退化和故障模式。多源数据与不同任务之间的关系如图 3 所示。
图3 多源数据与不同任务之间的关系
DT-PdM的优点在于，它可以通过物理对象与虚拟模型之间的数据交互，根据物理对象运行状态的变化实时指导孪生模型的演化[28]。仿真分析将预测结果反馈给DT的诊断控制中心，帮助物理实体进行优化和决策。DT 中的 ML 为 PdM 的革命提供了巨大的潜力。通过利用这些技术的洞察力和功能，可以优化其维护实践，实现更高的可靠性，并推动运营绩效的显着改进。机器学习能够准确诊断故障状态并预测设备故障，从而能够做出数据驱动的决策并采取主动措施，以确保制造流程的顺利运行并最大限度地提高生产率。在本节中，首先详细阐述 DT-PdM 框架。随后，回顾并讨论了 ML 在 DT-PdM 中的作用和功能。
4.1 数字孪生驱动的预测维护框架
正如之前研究[77,78,85]所指出的那样，实施PdM应用程序一直是许多学者面临的挑战，然而，DT的持续发展为DT-PdM提供了广泛且可接受的技术框架，其中包含物理实体、数字实体、和连接相关组件[12,73,86]。尽管取得了这些进展，但将 PdM 集成到通用 DT 框架中仍然是一项艰巨的挑战，需要大量的研究和开发工作来克服。为了应对这一挑战，美国国家标准研究所和相关研究机构设计相关规定从而有助于 DT 框架标准化 [69,87]。该标准对DT框架和PdM框架进行了针对性的整合，明确了框架的一般原则、参考系统和相关信息，并提出了相关参考模型[2]。
基于现有的工作[88]，图4提出了一种PdM的DT通用框架，它结合了ML技术和DT-PdM应用。在DT-PdM框架下实施DT-PdM主要涉及三个阶段。首先，采集物理层的监控数据，包括过程数据、设备数据和产品数据，通过无线网络传输到边缘设备，最后传输到云端。在此过程中，由于宽带的限制和云计算机的计算成本，大容量多源数据的传输是一个主要问题。因此，采用机器学习技术的云边协作可能是一个潜在的解决方案。在DT-PdM的云边协同中，可以优化数据采样策略，对传感器数据进行预处理，提取关键特征，降低数据传输负载。
图4 PdM-DT中机器学习的通用框架
最后，利用从DT获得的信息，可以使用深度学习等先进的ML算法进行故障诊断和RUL预测建模。结果可用于优化 PdM 中的决策，例如维护计划、备件管理和作业调度。在故障诊断和RUL预测建模中，ML和DT的协作可以解决数据不平衡、故障根本原因推理以及未见任务迁移学习等挑战。
DT可用于模拟和生成少数故障类和未见过的任务的数据样本。同时，DT可以用来验证ML算法识别的故障根本原因。
4.2 用于构建健康指标和剩余寿命预测的机器学习
4.2.1 健康指标概述和剩余寿命预测
HI 和 RUL 预测在 PdM 中都至关重要。RUL 预测涉及估计机器的剩余运行寿命，而 HI 预测则侧重于量化整体健康状况。RUL 预测提供基于时间的估计，指示故障前还剩多少时间，而 HI 提供代表健康水平的数值。HI 构造可用作 RUL 预测模型的输入或特征。通过考虑 HI 值以及其他相关特征，RUL 预测模型可以考虑机器当前的健康状况，以提高剩余寿命估计的准确性。HI 的构建在很大程度上依赖于主观评估，可以揭示组件或系统的损坏程度。模糊性问题给 RUL 预测的准确性带来了挑战。因此，通过HI构建多阶段设备退化趋势来辅助RUL预测可能是一种合适的方法[89]，通过分割多阶段退化状态并使用多模型预测代替精度较低的单模型预测，因此本节将说明基于DT的HI和RUL组合模型的构建。结合HI的应用，HI由三个主要属性组成：
（1)可检测性：由于不同的故障级别反映了不同的HI知识，因此HI的灵敏度很重要，最佳HI是通过检测最小故障类型的能力来评估的，这通常与故障特征的构建有关[90]。
(2) 可分离性：目的是区分故障类型和非故障类型，并获得现实可靠的结果[90]。
(3) 可趋势性：故障后组件的退化可以与运行时间正相关，拟合误差在可接受的范围内，并且使用合适的评估矩阵可以不断优化结果[91]。因此，HI 的构建至关重要，一旦达到了可检测性、可分离性和可趋势性的要求，它就被认为是最佳的。
4.2.2 用于构建健康指标的机器学习
基于 HI 的构建有两种主要类型：基于统计的模型和基于 ML 的模型。根据以往，基于统计驱动的建模方法中，例如，对轴承等简单组件进行基于索引的瞬态维护，通过从监测信号中提取统计参数来导出趋势特征，如均方根（RMS），它反映能量或幅度并代表健康状态[92]。然而，研究人员发现RMS受到各种工作条件的影响，并且抗干扰能力不是很强，因此不适合作为组件HI的直接指标[93]。基于统计的 HI 构建方法需要研究人员进行人类观察或发现退化趋势，这可能非常耗时，并且会受到所研究部件的可变性的影响。为了克服这些挑战，可以采用机器学习技术来挖掘 HI 的相关退化知识。
ML技术是目前构建HI的一个热门研究课题。然而，由于目前统计参数的限制，对这些机制的知识挖掘表示可能是不完整的。为了解决这个问题，研究人员提出使用ML技术构建HI。例如，Widodo利用主成分分析将峰值、峭度和熵融合，进行降维，以构建HI[94]。Saidi等人建立了一种滤波检测方法，并成功应用于风力发电机轴承的HI构建[95]。Moshrefzadeh等人提出了使用 SVM 和子空间 k-最近邻 (k-NN) 计算信号的脉冲性和确定机器健康状态 [96]。Mosallam 等人使用了时域频域中提取的特征，并使用主成分分析模型来构建HI [97]。这些基于 ML 的方法展示了弥合统计知识挖掘和信息融合差距的能力，突出了它们在解决 HI 构建方法中的潜力。在 DT-PdM 中，DT 可以生成与机器健康状态相关的关键特征。通过在虚拟环境中模拟物理资产的行为，DT 捕获并表示机器操作、性能和状态的各个方面。这些捕获的特征可以进一步用于HI估计建模。同时，HI是一个难以直接评估的虚拟度量指标。DT的仿真和可视化功能有助于HI的评价。
4.2.3 用于剩余寿命预测的机器学习
另一方面，RUL预测是设备管理中的一项关键技术，它包括通过结合各种观测结果[80,98]，建立数学和模拟模型来预测系统的未来状态和运行趋势。萨隆赫等人认为RUL是设备故障运行前的剩余时间，根据设备[99]的当前年龄、条件和过去的运行条件建立模型得到。最初，研究人员将这些方法分为基于物理模型、基于数据的和基于混合的方法。然而，随着RUL预测研究的继续，研究人员进一步将数据驱动的方法划分为基于人工智能模型和统计方法[100]。目前，研究人员正在探索基于统计的模型、物理驱动模型和数据驱动模型。RUL预测的物理模型的核心原理是通过考虑机械部件的失效机理或损伤原理，建立其退化趋势的数学模型。这就需要整合各种来源的信息，包括物理实验和有限元分析。由于基于物理的模型需要对设备的故障机理和设置有效参数的理解才能实现准确的估计，所以它们可能会限制该方法在一些复杂机械系统中的扩展和应用。基于统计模型的RUL预测侧重于从大量的经验知识中建立统计模型，并从观测中得到RUL模型。经典的方法是自回归（AR）模型，它假设未来的状态值，并测量观测值和运行值[101]的线性函数的误差。基于数据驱动的寿命剩余预测侧重于利用机器学习技术揭示机械衰变趋势，而不是依赖物理或统计模型。各种深度学习技术已被用于寿命剩余预测。循环神经网络（RNN）因其处理显式时间序列数据的能力而被广泛用于寿命剩余预测。Zemouri等人提出了一种循环径向基函数网络，并将其用于预测机械部件的剩余使用寿命（RUL）[102]。基于混合方法的RUL预测也被提出，整合了不同方法的优势来构建综合退化模型。然而，在这个类别中，研究相对较少。一些研究人员使用多种预测方法，通过融合不同的策略来建立混合集成预测框架。例如，Zemouri等人结合了ANN和AR模型，开发了混合方法[102]。
图5显示了一个线形图，显示了在2001年至2022年期间，关于使用谷歌学术索引的ML开发HI和RUL预测模型的论文数量。虽然这些数据可能不能涵盖所有的出版物，也可能包括非学术出版物，但这一比例提供了有价值的参考，表明ML在开发HI和RUL预测模型中的重要性显著增加。可以看出，2010年和2017年是两个加速点。HI和RUL预测的发表趋势与这一时期深度学习的发展趋势相似。同时，近几十年来，RUL的研究明显超过了HI的研究。随着DT的发展，HI的研究可以促进出版物的数量。
图5 基于ML的RUL预测模型的发展趋势（谷歌学术发表分析）
4.2.4 利用数字孪生技术构建健康指标和剩余寿命预测
HI构建和RUL预测是PdM的主要任务。应用DT技术可以提高HI和RUL预测的准确性，因为生产环境可能会有显著变化，从而导致模型准确性较低[49]。图6显示了基于DT的HI和RUL预测的过程。这个图包含五个不同的阶段：数据收集、通信、DT映射、行为预测和DT数据更新。每个阶段在促进准确和高效的PdM实践中都发挥着重要作用。
图6 DT驱动的HI及RUL预测相关过程
阶段1：收集多源数据，包括传感器数据、统计数据和仿真数据,进行分析和建模。云计算机根据ML中的特征重要性设置数据收集计划。然后将收集计划发送到边缘设备，包括所需的特征和采样频率。最后，将云平台所需的特定数据传输到云平台。
阶段2：更新不同的模型，包括几何模型、数据分析模型和物理模型，以实现与真实世界资产的高保真映射。该几何模型可以通过对点云数据等形状数据的分析来进行更新。数据分析模型可以通过增量学习或连续学习进行校准和更新。同时，ML可以用来发现新的物理知识，可以更新物理模型。
阶段3：实现数据融合，融合来自不同来源的数据。利用监测数据更新DT后，利用DT模拟估计与健康状态相关的关键特征，如磨损程度和裂纹尺寸等。然后利用先进的ML技术对模拟数据、监测数据和统计数据进行融合。
阶段4：然后将融合后的数据用于HI和RUL预测建模。然后部署流行的深度学习算法来构建一个基于融合数据的HI模型。然后利用预测的HI，根据DT中解释的HI曲线来估计RUL。
阶段5：基于HI和RUL预测，对DT中的设备性能进行评估，并在DT中确定最佳维护计划和作业计划。可以采用强化学习等ML技术来优化维护计划，从而实现最低的维护成本和机器停机时间。
4.3 基于机器学习的故障诊断
随着智能设备使用的越来越多，健康管理技术已成为利用监测数据建立故障诊断模型的关键。故障诊断包括在发生故障或异常后，监测设备的运行状态，分析故障机制。异常检测在PdM中得到了广泛的研究。然而，值得注意的是，异常检测经常与故障诊断[103]重叠。这两者本质上都是分类任务：异常检测将操作数据分类为“正常”或“异常”，而故障诊断通常通过对异常的特定类型或原因进行分类扩展。因此，本研究将异常检测任务分为故障诊断任务。利用智能技术的先进故障预测可以帮助企业运营降低成本[13]。然而，构建这样的模型需要结合经验丰富的领域知识。ML已经成为一种流行的智能故障诊断方法，它利用ML和深度学习网络对收集到的数据进行建模，并自适应地学习机器诊断知识。这种方法取代了以前依赖于工程师的经验和知识的设备维护[104]。
4.3.1 用于故障诊断的机器学习
基于机器学习的故障诊断是智能故障诊断的早期应用之一。例如，Wong等人提出了一种改进的自组织映射算法用于轴承故障诊断。随着深度学习的发展，故障诊断的性能得到了很大的改善。Liu等人和Lu等人使用了堆叠稀疏自动编码器和堆叠去噪自动编码器将故障诊断应用于轴承，其准确性高于支持向量机和其他方法[105，106]。CNN可以从输入的数据中捕获关键的错误特征。CNN成功地构建了用于滚动元件轴承、齿轮、马达和液压泵[107]的诊断模型。注意机制也是故障诊断发展中的一个热点。注意机制的引入可以帮助模型自主分配学习权重和偏移量来学习重要的信息，而忽略不重要的信息，如空间注意[108–110]和通道注意[111,112]。
在真实的工业场景中，可以很容易地收集到健康的数据，但错误数据的数量往往达不到所需要求，这对建立可靠的诊断模型提出了挑战。因此，迁移学习被引入，以促进故障诊断在工程场景中的应用，如迁移分量分析[113]、联合分布自适应[114]和新型稀疏去噪AE [76]。ML在故障诊断应用中的作用已经变得越来越重要，并已向通用模型[115]发展。本节主要回顾了ML在故障诊断中的发展，从传统的基于ML的故障诊断到基于深度学习的故障诊断。
迁移学习是一种盛行的深度学习技术，对于故障诊断非常有帮助[116]。它也被期望能够从学术研究扩展到工业场景，通过在多个相关领域中重复利用诊断知识来解决问题，从而降低了大量标记数据的成本[75,113]。TrAdaboost 是一种源自 Adaboost 的迁移学习算法，沈等人通过 TrAdabost 算法使用跨域特征训练了一组基于 k-NN 的诊断模型 [117]。类似地，曹等人提出了一种基于深度 CNN 的齿轮箱故障诊断模型，其中作者构建了一个 24 层的 CNN 模型并使用 ImageNet 数据集对其进行训练，并使用迁移学习技术选择参数以在另一个 CNN 诊断模型上进行预训练 [118]。
综上所述，基于ML的故障诊断方法的应用随着时间的推移呈指数级增长，在故障诊断模型的构建中逐渐从传统的统计方法向ML方法转变。迁移学习技术的广泛兴趣和应用表明，研究人员将转向开发更通用的模型，可以跨多个相关领域使用。随着该领域的不断发展，预计更复杂的算法和模型的发展将带来更准确和高效的故障诊断系统，最终提高工业设备的安全性和可靠性。
4.3.2 利用数字孪生进行故障诊断模型构建
利用ML构建故障诊断模型面临着数据不平衡、数据质量差等各种挑战。DT的出现通过协助数据预处理，在解决这些挑战方面发挥了重要作用。DT技术在预测模型建立[72,119]中的作用促进了基于DT应用的故障诊断的发展。基于决策树的故障诊断可以提供有效的观测数据，并促进数据融合技术，如知识图谱，基于现场环境监测观测的现场勘探关系来构建模型。
在数据预处理方面，由于硬件设备和传输协议等许多技术原因，传统的数据采集可能会导致值丢失、数据中断等问题。DT可以在一定程度上通过虚拟世界来解决这些问题，而不是通过传统的方法，比如用平均值替换缺失的值来提高准确性。此外，故障数据不足是使用ML进行故障诊断建模的一个巨大挑战。DT可以生成故障采样来解决故障类型的不平衡数量，而不是传统的使用过采样[120]和欠采样[121]的建模来提高模型的精度。随着深度迁移学习的发展，DT驱动的故障诊断可以通过基于DT生成故障样本来解决这个问题。基于深度迁移学习的DT驱动，用于故障诊断过程如图7所示。利用高保真DT，可以模拟看不见故障的特性和性能，获得故障的高质量数据样本。然后，可以将深度迁移学习用于故障诊断建模。
图7 基于深度迁移学习的DT驱动技术用于故障诊断过程
基于DT的故障诊断也有利于对故障的根本原因进行推理。在一个复杂的设备中，确定根本原因具有挑战性。在DT中，可以识别出组件与子系统之间的相关性，并将其转换为图数据表示。然后，可以利用先进的图神经网络算法来建立一个节点分类模型，以确定故障的根本原因。同时，还可以将来源于故障诊断知识图中的外部信息引入到DT中，以提高故障根本原因推理能力[122]。随着知识图的引入，DT驱动的故障诊断可以受益于对系统的全面和相互关联的理解。该知识图通过捕获和应用领域知识，并探索发现复杂的故障机制，从而作为分析根本原因的强大工具。
5 挑战和机遇
基于前面几节的分析和讨论，在DT-PdM中发现了一些挑战。
DTPdM系统的复杂性需要高保真度建模，但只有少数研究对此进行了考虑和探索，大多数研究人员只对单个组件进行DT-PdM建模，而没有考虑模型的高保真度；
大部分文章收集的数据来自各种来源，包括物理信息收集，但对不同DT-PdM不同层次的数据融合描述很少，只对来自多个来源的数据进行整合和建模；
为了提高模型的通用性，部分文章使用物理知识进行建模，但没有有效地结合ML技术，可能不能有效地建立ML模型；
大多数研究者主要集中在ML建模上，但没有考虑合适的低延迟交互式云边缘协作方案来部署DT-PdM应用程序。
因此，针对已收录文章中提出的上述问题，本节介绍了四个领域的未来挑战和机遇：用于高保真数字模型构建的ML、多源数据融合、用于DT-PdM的物理信息机器学习（PIML：Physics-informed machine learning）和用于低延迟交互的云边缘协作，以解决当前的研究差距。
5.1 用于构建高保真数字模型中的机器学习
本节概述了为PdM开发高保真DT模型的方法，同时也总结了该领域当前的挑战和机遇。PdM的高保真DT建模过程可分为三个主要步骤：几何模型标注、高保真映射和高保真模型的定性及定量评价。
第一步涉及使用CAD和计算机辅助制造（CAM:Computer-aided manufacturing）等辅助技术来准确地表示物理空间的真实几何形状。不同类型的注释，包括产品设计信息、定义信息、基本元数据信息、功能信息、参数信息和静态结构，都可以用来实现物理空间的准确表示。现有研究采用虚拟几何模型进行数据合成，该模型可用于PdM中的任务[9、10、21、28、29、35、36、45、46、49、58、66、69-82]。此外，ML算法可促进持续学习并根据物理设备的新数据对 DT 进行调整。通过更新模型并利用最新信息进行再训练，DT可以随着时间的推移不断提高其性能和保真度，从而对物理设备的行为进行动态的表示。同时，ML可以用于学习和优化DT的行为。通过在历史数据和观察到的结果上训练模型，ML算法可以发现系统内复杂的模式、关系和依赖关系。这使得DT能够以更高的保真度和准确性来模拟和预测物理设备的行为。同时，还必须构建一个高保真度的评估模型。由于虚拟模型一般不同于物理实体，而DT模型通常由几个子模型组成，因此用一个单一的定量指标来评价ML模型的结果可能具有难度。因此，高保真度DT模型的构建有待进一步研究。
5.2 DT-PdM中的多源数据融合
在DT-PdM中，收集到的数据来自各种来源，如传感器、物联网设备、维护日志和外部数据库。多源数据采集完成后，需要对数据进行集成和分析。然而，现有的研究都没有确定出集成多源数据和提取DT-PdM显著特征的方法。通过融合来自多个来源的数据，DT可以提供更全面的设备健康状况视图，从而为PdM带来切实的利益。
DTPdM的多源数据融合存在几个挑战。首先，这些数据源可能有不同的格式、结构和质量级别。处理数据的异构性需要先进的ML技术来进行数据预处理、规范化和转换，以确保不同源之间的兼容性和一致性。其次，来自不同来源的数据的质量和可靠性可能存在显著差异。一些来源可能提供准确和可靠的数据，而另一些来源可能容易出现错误、噪声或缺失值。处理数据质量问题和开发识别和处理不可靠或错误数据的方法对于准确的数据融合和随后的预测性维护分析至关重要。第三，在保持同步和时间一致性的同时，实现多源数据的数据融合是准确分析的关键。不同的数据源可能具有不同的采样率、时间标记和事件触发器。对齐同步来自不同来源的数据对于确保有意义的融合和分析至关重要。在多源数据融合中，AAS(Asset Administration Shell)是促进这种集成的一个潜在工具[123]。AAS提供了一个标准化的接口，用于集成跨不同来源的数据和服务，通过将设备封装在信息模型中，确保无缝的数据融合，从而统一地处理不同背景的数据信息。此外，多源数据融合中的另一个有用工具是制造中间件[124]，它可以在连接异构数据环境方面发挥重要作用。制造中间件确保了不同的数据格式、结构和质量级别的均质化，从而为DT-PdM框架中的进一步分析提供了一个一致的平台。总的来说，针对DT中PdM多源数据融合的研究是有必要的，这可以提高维护决策的准确性、及时性和全面性。
5.3 用于数字孪生预测维护的物理信息机器学习
为了解决PdM中出现设备故障的数据量不足的挑战，以及提高模型的泛化性，确保诊断结果的物理可靠性，物理信息的机器学习（PIML：Physics-informed machine learning）是一种很有前景的方法。在本节中，从三个角度介绍了PIML驱动模型的优势和未来可能出现的挑战。
针对PdM的ML模型的训练可能需要几个组成部分，包括数据、模型架构、优化算法和推理方法。物理先验可以集成到其中的一个或多个组件中，以提高性能。首先，对于有约束或相关方程的问题，数据可以进行扩充或集成，模型可以从生成的数据中学习，与只使用原始数据相比，可以改进预测结果。在应用PIML时，物理知识的集成可能会减少训练过程中对数据的需求。其次，由于物理知识的集成可能表现出周期性或其他物理模式，因此可以增强解决问题的普遍性，从而使构建通用的网络模型体系结构成为可能。最后，在模型优化中，优化目标可以整合物理知识，重塑优化空间，帮助训练过程收敛。
然而，尽管有这些优势，PIML在未来仍然面临着一些挑战。首先，PIML需要关于PdM领域的相关知识，以选择合适的物理知识进行整合，并促进物理知识选择的灵活性。其次，由于设备系统架构和故障信息的复杂性，缺乏对设备故障的PIML方法的评价，也缺乏对各种故障知识集成方法的评价。最后，在PIML中，需要设计损失函数和优化方法。一个合适的损失函数和优化方法可以确保神经网络学习和遵循潜在的物理关系，从而保证与物理上的一致预测。因此，虽然PIML是解决DT-PdM中挑战的一种很有前途的方法，但以上几个挑战需要进一步研究。
5.4 针对低延迟交互的云边协作
当在DT-PdM中部署ML时，会出现延迟和云边协作的问题。DT-PdM依赖于及时和准确的信息，就设备健康和维护行动作出明智的决定。低延迟允许在边缘位置快速进行数据处理、分析和决策，从而实现对关键事件的实时响应，并最大限度地减少停机时间。在需要立即采取行动以防止设备故障或减轻潜在风险的情况下，这一点尤为重要。边缘计算使计算资源更接近数据源，减少了将数据发送到云进行处理所涉及的延迟。通过利用边缘设备中的数据分析能力，可以在本地处理和分析数据，从而实现更快的洞察力，并减少对云资源的依赖。低延迟有助于对边缘计算能力的高效利用，实现了快速响应时间，并减少了向云传输大量数据的需求。
为了在DTPdM的云边协作中实现低延迟，需要解决几个挑战。首先，边缘设备的计算能力、内存和能源资源往往都很有限。在资源紧张的设备上运行复杂的机器学习算法是一个重要挑战，需要优化技术并且实行有效的资源分配策略。因此，需要探索轻量级高效的ML算法。其次，DT-PdM涉及到处理和分析由大量边缘设备产生的大量数据。针对许多边缘设备的分布式ML算法是一种潜在的解决方案，以较低的延迟实现令人满意的性能。DT-PdM中的分布式ML方案值得进一步关注。最后，云边协作中的数据的安全性和隐私性是至关重要的。需要在云和边缘设备之间传输敏感数据，同时确保安全的通信和防止未经授权的访问，这增加了实现低延迟的复杂性。克服这些挑战需要利用先进的技术，如先进的ML和边缘计算技术。
6 结论
ML技术在PdM应用的DT方面做出了相当大的贡献，如故障诊断、RUL预测、HI构建，以及在不同程度上对DT技术和PdM应用。本文探讨了ML技术在基于DT的PdM应用中作用和功能，展示其应用成果，并对面向PdM应用和ML的DT技术框架做出进一步解释。对DT在PdM的三个主要应用领域的最新ML技术进行了分析和分类。此外，本文还深入探讨了ML有助于DT的主要方面，即虚拟空间和物理模型的构建。最后，描述了主要的研究挑战，并讨论了PdM ML技术的机遇和各种前景。在此基础上，本文主要对PdMDT的目前研究和应用进行了深入的讨论，从而有利于生产制造的运维相关方面发展。
来源：故障诊断与python学习
