تعزيز إدارة الصحة والتنبؤات: كيف تُغيِّر تعلم الآلة المدفوع بالفيزياء الصناعة الحديثة؟

في عصرنا الحالي، تعتمد الصناعات الحديثة على أنظمة معقدة لضمان موثوقية وسلامة وكفاءة الأداء. يتمحور دور إدارة الصحة والتنبؤات (Prognostics and Health Management - PHM) حول هذه القضايا، ويعتبر تعلم الآلة (Machine Learning - ML) المحرك الرئيسي في تحسين التشخيص والتنبؤ. ومع ذلك، تواجه النماذج المعتمدة على البيانات فقط قيودًا متعددة مثل ضعف التعميم وعدم القدرة على استنتاج العلاقات السببية.

يأتي هنا دور تعلم الآلة المدفوع بالفيزياء (Physics-Informed Machine Learning - PIML) والذي يسهم في تجاوز هذه التحديات من خلال دمج المعرفة الفيزيائية السابقة مباشرةً في عملية تعلم الآلة. الأمر الذي يعزز الاهتمام المتزايد بتطبيقه في مجال PHM.

تُظهر دراسة شاملة استقصائية تمت مراجعتها 212 دراسة كيف تم توظيف PIML في سياق PHM. قدمت هذه الدراسة تصنيفًا من أربع فئات، تشمل الانحياز الملاحظ، والانحياز الاستقرائي، والانحياز التعليمي، والأساليب الهجينة، مع تصنيف إضافي للدراسات بناءً على مهام PHM.

عبر جميع الفئات، تبرز الدراسات المعدلة تحسنًا ملحوظًا في الأداء التنبؤي مقارنةً للأسس التقليدية، على الرغم من أن الأدبيات العلمية تركز بشكل كبير على البطاريات الأيونية الليثيوم والمحامل، مهيمنةً على الحلول الخاصة بالمشكلات.

تُظهر الدراسة أن الأساليب المدفوعة بالفيزياء تقدم بالفعل فوائد ملموسة، في حين أن الادعاءات المتعلقة بتحسين بعض القيود المذكورة سابقًا تفتقر إلى الأدلة الداعمة الكافية. يجب أن تركز الأبحاث المستقبلية على أنماط التصميم القابلة للنقل، والمقاييس التي تقارن استراتيجيات الدمج، والنماذج القادرة على إدراك عدم اليقين والتي تكون خفيفة وقوية بما يكفي للنشر عبر الإنترنت في البيئات الواقعية.