《Sensors》:Physics-Informed Monotonic Conformer for Remaining Useful Life Prediction of Hydraulic Systems
Xiansong He,
Chen Zhang,
Jinyuan Wang,
Xiaoli Zhao,
Jianyong Yao,
Chuanjie Lu and
Xiaowei Yang
编辑推荐:
针对机电液压系统在复杂工况下健康状态难以精确量化的问题,研究人员提出了一种融合物理约束与深度学习的连续健康指标预测框架。该方法通过引入物理信息机制(Physics-Informed Mechanism, PIMC),将机械退化过程的不可逆性与单调性先验知识嵌入
针对机电液压系统在复杂工况下健康状态难以精确量化的问题,研究人员提出了一种融合物理约束与深度学习的连续健康指标预测框架。该方法通过引入物理信息机制(Physics-Informed Mechanism, PIMC),将机械退化过程的不可逆性与单调性先验知识嵌入网络架构中。研究人员设计了专用的液压优化器模块,利用门控线性单元(Gated Linear Unit, GLU)与大核深度可分离卷积(Depthwise Separable Convolution)提取高频瞬态脉冲与低频长期趋势。同时,构建了单调性损失函数(Monotonicity Loss)以严格约束预测轨迹符合物理退化规律。实验结果表明,该模型在连续健康评分预测中表现出优异的性能,有效解决了传统数据驱动模型预测结果违反物理常识的难题,实现了对液压泵等关键组件退化过程的高精度定量追踪。
随着工业4.0时代的到来,现代重型机电系统对安全性与可靠性的要求日益严苛。作为核心动力传输与控制单元,机电液压系统(如电动静液作动器EHA)在高温、高压及变载荷的极端环境下长期服役,其内部关键组件(如活塞泵、伺服阀)极易发生磨损、疲劳剥落等不可逆退化。准确评估其健康状态是实现预测与健康管理(PHM)的前提。然而,现有的数据驱动深度学习模型往往忽略了机械退化的物理本质,导致预测结果可能出现“健康度回升”等违背物理常识的现象,且对于毫秒级的高频瞬态冲击信号捕捉能力不足。针对上述痛点,研究人员在《Sensors》期刊上发表了题为《Continuous Prediction of Health Indicators for Electro-Hydrostatic Systems Based on Physics-Informed Mechanisms and Hydraulic Conformer》的研究。该研究旨在通过融合流体力学物理定律与先进的Transformer架构,构建一个既能精准提取局部瞬态特征,又能严格遵循全局退化单调性的智能预测模型,从而填补传统深度学习在物理一致性方面的理论空白。
为了达成这一目标,研究人员采用了几项关键的技术方法。首先,研究人员构建了一个基于物理信息机制(PIMC)的复合损失函数,将经典的Archard磨损定律转化为可导的成对惩罚项,作为软正则化器约束网络训练。其次,研究人员改进了标准的Conformer架构,提出了一种适用于液压信号的“液压优化器(Hydraulic Conformer)”。该架构采用Macaron风格的残差连接,并在多头自注意力(MHSA)模块间嵌入了增强型卷积模块,利用逐点(PW)与逐深度(DW)卷积结合GLU机制来过滤噪声并降低计算复杂度。最后,研究人员利用全局平均池化(GAP)与非线性回归头,将高维时空张量直接映射至[0, 1]区间的连续健康空间。
在实验验证部分,研究人员详细介绍了测试平台与数据采集过程。研究人员搭建了EHA实验台,在恒定负载质量(13.5 kg)与正弦位置指令控制下,采集了多变量传感器时序流数据。随后,研究人员通过所提出的框架进行了深入的分析与验证。
在架构设计方面,研究人员阐述了信号嵌入与位置编码策略。由于原始传感器矩阵维度较高,研究人员通过线性投影层将其映射至高维潜在空间,并叠加正弦位置编码以解决自注意力机制的置换不变性问题,确保严格的时间序列顺序。在增强卷积模块部分,研究人员解释了如何处理高频瞬态信号。通过引入Swish激活函数与批归一化(BN),并结合大核DW卷积,网络成功解析了液压信号中微妙的时间变化模式,建立了局部与全局表征的互补机制。关于全局池化与回归头,研究人员描述了如何将特征压缩为标量健康指标(HI)。通过Sigmoid激活函数的边界约束,确保了输出值的物理一致性,平衡了模型复杂度与监测精度。
在物理信息损失函数章节,研究人员重点论述了数据保真项与物理一致性项的构建。数据保真项采用标准均方误差(MSE)以保证基线观测精度;物理一致性项则基于磨损体积与滑动距离的微分关系,定义了单调递减的数学不等式,并通过ReLU激活函数对违背物理规律的预测方向施加惩罚。最终的总目标函数是这两者的线性组合,通过超参数λ调节物理软正则化器的强度。
在讨论与结论部分,研究人员指出,传统的纯数据驱动模型由于缺乏物理约束,在处理非线性、非平稳的液压信号时存在明显的局限性。本研究提出的PIMC框架通过将不可逆磨损定律融入损失函数,不仅提高了预测精度,更重要的是赋予了模型物理可解释性,消除了不合理的预测波动。实验结果证明,液压优化器能够有效兼顾短时扰动与长时演化特征,而单调性损失函数则成功引导网络沿着真实的物理退化路径进行优化。这项研究不仅为机电液压系统的状态监测提供了一种全新的深度学习范式,也为物理信息神经网络(PINN)在工业复杂装备故障预测领域的应用开辟了新的道路。