高度互联复杂制造系统的非传统机器学习
Non-Traditional Machine Learning for Highly Connected and Complex Manufacturing Systems
Dai-Yan Ji¹, Takanobu Minami¹, Ruoxin Wang¹, Jay Lee¹
¹ 美国马里兰州大学公园市马里兰大学机械工程系工业人工智能中心
E-mail: leejay@umd.edu
现状
故障预测与健康管理（PHM）及其在工业人工智能中的集成已从部件级监测发展至系统级智能[1]、[2]。在早期阶段，PHM依赖于可靠性工程和基于模型的分析，随后逐步演化为融合数据驱动方法与专家知识的混合人工智能框架[3]、[4]。这些进展为预测性维护与监测带来了宝贵成果，然而高度互联复杂制造系统（HC-CMS）日益增长的规模与互联性持续挑战着传统机器学习（ML）方法。如今的工业系统已不再局限于单一部件或独立单元，而是成为基于设备群组的、分布式且跨工厂、供应链和运营域深度互联的系统[5]、[6]。此类系统产生海量传感器数据，且涉及必须协同管理的异构资产。如图1所示，HC-CMS将工业人工智能的多个领域相互连接，包括制造人工智能、新能源人工智能、交通人工智能和医疗人工智能，所有这些领域都共同需要韧性、适应性和智能决策能力。这种系统级复杂性凸显了PHM仍然至关重要的原因。在航空航天、能源、船舶和出行领域，确保正常运行时间、优化维护和延长生命周期仍是可靠性的核心[7]、[8]。随着系统扩展至设备群组和多工厂网络，可扩展PHM的重要性持续增长。进一步的发展有望带来显著收益：提高安全性、减少停机时间、提升效率以及更可靠的决策支持[9]。非传统机器学习日益成为实现这些收益的核心。与其狭隘地关注算法精度，该领域现在强调韧性、可解释性和企业级集成，并得到持续机器学习——质量流（SoQ）、5C级信息物理系统和数字孪生框架等方法论平台的支持。具有代表性的非传统ML方法——用于结构洞察的拓扑数据分析（TDA）、用于设备群组广泛泛化的域适应和迁移学习、用于可解释推理的相似性模型、用于高效优化的代理模型，以及用于知识集成的工业大知识模型（ILKM）——展示了PHM在HC-CMS中如何被重塑和扩展。这些范式表明，PHM不仅仍然重要，而且在工业人工智能持续演进的进程中正占据更有影响力的地位[10]。
当前与未来挑战
尽管工业人工智能取得进展，但在HC-CMS中扩展PHM仍面临巨大障碍。跨域变异性仍是一个关键障碍：在一条生产线上训练的模型在部署到不同工厂或设备群组时，往往会因操作条件下的域迁移而性能下降。这一问题在风能、出行电池和船舶发动机等行业中被进一步放大，这些行业的运营环境变化迅速，传感器分布也不一致[11]。标签稀缺和数据不平衡问题同样持续存在，因为故障事件稀少、获取成本高昂且往往缺乏记录，限制了监督式深度学习方法的适用性[12]。系统互联性同样是不可忽视的挑战。可重构和可持续生产范式引入了非线性耦合、动态瓶颈转移和复杂调度动力学，这些都无法简化为孤立设备分析。可解释性进一步增加了采纳难度：从业者通常拒绝没有透明推理过程的黑盒模型。航空发动机预测研究强调，聚合特征重要性和可解释的降维方法在建立对PHM预测信任方面发挥着重要作用[8]。混合模型本身也存在局限性。数据驱动框架在有丰富信号时表现出色，但在分布漂移条件下则表现艰难。基于物理的模型是透明的，但需要详细的故障物理知识，而这些知识并非总是可获取的。混合模型试图结合这些优势，但参数校准和模型更新仍然复杂[13]。从组织角度来看，知识碎片化是一个系统性问题。PHM工作往往依赖于手册、报告和个人经验中的专业知识，使得向PHM的一致集成变得困难。智能工厂环境增加了更多约束，包括网络安全、CPS/IoT集成和异构大数据的治理。最近的综述强调，算法进展与实际实施之间持续存在的差距继续阻碍着PHM的采纳。基于上述描述，这些问题凸显了嵌入韧性、适应性和可解释性的非传统ML技术的紧迫性。如果不解决数据稀缺、跨域适应性和可解释性问题，PHM系统将仍然脆弱，难以在企业范围内提供价值。
应对挑战的科学与技术进展
应对这些挑战需要一系列集中的科学与技术进展。在此基础上，TDA作为一种流式兼容工具获得了突出地位。基于持久性的描述符能够检测生产数据中的细微分布变化，即使在噪声和高维条件下也能提供稳健的健康指标[14]。TDA对于HC-CMS中的长期监测特别有用，因为它不仅使异常检测成为可能，还能对操作状态进行聚类，并使系统转换的识别变得更加容易。与此同时，域适应和迁移学习已通过集成、元学习和持续策略得到扩展，使模型能够适应设备群组（如风电场和船舶系统）中不断变化的条件[15]。这些方法不仅降低了再训练成本，还在目标标注数据稀缺时支持快速部署，确保在多样的工业场景中获得更好的泛化能力。在此基础上，相似性模型作为一种关键的非传统方法应运而生。通过利用案例库和距离度量，相似性方法提供透明推理，使从业者能够针对历史先例验证可解释的剩余使用寿命（RUL）估计和诊断[16]。通过检索增强嵌入的丰富化，这些模型提高了效率和可解释性，支持复杂操作环境中的决策。此外，相似性推理促进跨资产的知识复用，使工程师能够用具体的历史参考来论证决策。代理模型的使用快速增长。从能源系统到紧凑型镜头组件，神经算子、贝叶斯代理模型和可微分模拟器正越来越多地用于工业设计和优化，以提供带有量化不确定性的实时决策支持[17]。代理模型不仅加快了计算成本高昂的模拟速度，还提供了一种将物理信息约束与机器学习模型相结合的方法，从而产生在可解释性和准确性之间保持平衡的混合解决方案。最具变革性的发展是ILKM框架。通过构建结构化知识库，将其与工业工作流程对齐，并将其与指令调优的大模型耦合，ILKM能够在智能工厂中实现检索增强的、可审计的决策[18]。这种方法使PHM系统能够将人类专业知识、领域知识和大尺度分析集成在统一平台上，直接解决专业知识碎片化的问题。ILKM还为跨域推理创造了机会，将维护记录、质量数据和运营最佳实践链接成一个集成的知识生态系统。最近关于工业人工智能应用的综述一致强调可解释人工智能、不确定性量化和企业级集成的重要性[19]，凸显了非传统ML的关键作用。最近在基础模型方面的进展进一步将这些非传统方法扩展至系统级工业智能。在SoQ范式下（图2），基于基础模型的SoQ可以构建为四个研究方向：表示、高效适应、动态学习和认知推理。这一新兴框架支持跨阶段质量传播的持续建模、分布式环境中的可扩展部署、对演化过程的实时适应，以及生命周期感知的知识驱动推理。这些发展标志着从以数据为中心的预测性维护向综合工业认知的转变。
结论
PHM研究的方向显示出从以算法为中心的探究向HC-CMS系统级智能更广泛重视的明确转变。传统ML方法虽然在受控环境中取得成功，但在分布漂移、数据稀缺和有限可解释性方面仍存在困难。非传统ML技术——用于稳健结构发现的TDA、用于泛化的域适应、用于透明性的相似性推理、用于成本效益优化的代理模型，以及用于企业级集成的ILKM——共同为PHM的下一阶段以及工业人工智能应用的发展提供了一条连贯的路线图。未来工业人工智能中的PHM必须强调适应性、可解释性和可扩展性。为了将预测精度转化为可操作的智能，这些策略——如集成不同专业领域的ILKM框架和基于领域知识的非传统ML方法——将至关重要。更高的正常运行时间、更安全的操作、更低的维护成本和更稳健的生产生态系统是这些进展的预期优势。对该领域而言，主要挑战[20]不是追求算法新颖性，而是成功地将这些技术集成到能够产生持久影响的、企业级的、可审计的可靠工业系统中。
致谢
本研究由美国教育部通过改善中等后教育基金（FIPSE）资助，资助编号为 P116S230014。
参考文献
[1] D.-Y. Ji, H. Su, T. Minami, and J. Lee, “Introduction to Industrial Artificial Intelligence,” Advances in Artificial Intelligence Applications in Industrial and Systems Engineering, pp. 1–18, 2025.
[2] J. Lee, J. Ni, J. Singh, B. Jiang, M. Azamfar, and J. Feng, “Intelligent maintenance systems and predictive manufacturing,” Journal of Manufacturing Science and Engineering, vol. 142, no. 11, p. 110805, 2020.
[3] S. Ochella, M. Shafiee, and F. Dinmohammadi, “Artificial intelligence in prognostics and health management of engineering systems,” Engineering Applications of Artificial Intelligence, vol. 108, p. 104552, 2022.
[4] K. T. Nguyen, K. Medjaher, and D. T. Tran, “A review of artificial intelligence methods for engineering prognostics and health management with implementation guidelines,” Artificial Intelligence Review, vol. 56, no. 4, pp. 3659–3709, 2023.
[5] V. Atamuradov, K. Medjaher, P. Dersin, B. Lamoureux, and N. Zerhouni, “Prognostics and health management for maintenance practitioners-Review, implementation and tools evaluation.,” International Journal of Prognostics and Health Management, vol. 8, no. 3, pp. 1–31, 2017.
[6] H. Gharib and G. Kovács, “A review of prognostic and health management (PHM) methods and limitations for marine diesel engines: new research directions,” Machines, vol. 11, no. 7, p. 695, 2023.
[7] M. Yan, S. C. Hui, N. Jiang, and N. Li, “A review on data-driven prognostics and health management for wind turbine systems,” Engineering Applications of Artificial Intelligence, vol. 159, p. 111484, 2025.
[8] Y. Alomari, M. Andó, and M. L. Baptista, “Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance,” Scientific Reports, vol. 13, no. 1, p. 13466, 2023.
[9] S. Han, F. Li, X. Han, and S. Zhang, “A novel feature engineering method for network anomaly detection,” Computers and Electrical Engineering, vol. 127, p. 110627, 2025.
[10] C. Huang, S. Bu, H. H. Lee, C. H. Chan, S. W. Kong, and W. K. Yung, “Prognostics and health management for predictive maintenance: A review,” Journal of manufacturing systems, vol. 75, pp. 78–101, 2024.
[11] P. Kumar, M. Tanveer, K. Park, I. Raouf, and H. S. Kim, “A Systematic Review of Prognostics and Health Management in Mobility Batteries,” International Journal of Precision Engineering and Manufacturing-Green Technology, pp. 1–24, 2025.
[12] X. Lai, H. Shui, D. Ding, and J. Ni, “Data-driven dynamic bottleneck detection in complex manufacturing systems,” Journal of Manufacturing Systems, vol. 60, pp. 662–675, 2021.
[13] P. Kundu, A. K. Darpe, and M. S. Kulkarni, “Development of data-driven, physics-based, and hybrid prognosis frameworks: a case study for gear remaining useful life prediction,” Journal of Intelligent Manufacturing, pp. 1–21, 2024.
[14] J. Lee, D.-Y. Ji, and Y.-M. Hsu, “Novel topological machine learning methodology for stream-of-quality modeling in smart manufacturing,” Manufacturing Letters, vol. 43, pp. 60–63, 2025.
[15] T. Minami, A. Suer, P. Kundu, S. Siahpour, and J. Lee, “Novel ensemble domain adaptation methodology for enhanced multi- class fault diagnosis of highly-connected fleet of assets,” in Phm society asia-pacific conference, 2023.
[16] T. Minami, D.-Y. Ji, and J. Lee, “PHM for Spacecraft Propulsion Systems: Developing Resilient Models for Real-World Challenges,” in PHM Society European Conference, 2024, pp. 7–7. Journal XX (XXXX) XXXXXX A Author et al 99
[17] W. Li et al., “A novel methodology for lens matching in compact lens module assembly,” IEEE Transactions on Automation Science and Engineering, vol. 20, no. 2, pp. 741–750, 2022.
[18] Lee J and Su H, A unified industrial large knowledge model framework in Industry 4.0 and smart manufacturing Int. J. AI Mater. Des. 1 (2) 41–47, 2025
[19] T. Xia, Y. Dong, L. Xiao, S. Du, E. Pan, and L. Xi, “Recent advances in prognostics and health management for advanced manufacturing paradigms,” Reliability Engineering & System Safety, vol. 178, pp. 255–268, 2018.
[20] P. Kumar, I. Raouf, and H. S. Kim, “Review on prognostics and health management in smart factory: From conventional to deep learning perspectives,” Engineering Applications of Artificial Intelligence, vol. 126, p. 107126, 2023.