A Digital Twin for Diesel Engines: Operator-infused Physics-Informed Neural Networks with Transfer Learning for Engine Health Monitoring
作者: Kamaljyoti Nath, Varun Kumar, Daniel J. Smith, George Em Karniadakis
分类: cs.LG, eess.SY
发布日期: 2024-12-16 (更新: 2025-10-10)
💡 一句话要点
提出融合物理信息与深度算子网络的数字孪生方法，用于柴油发动机健康监测。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 柴油发动机 数字孪生 物理信息神经网络 深度算子网络 迁移学习 健康监测 参数识别
📋 核心要点
- 现有发动机健康监测方法侧重于组件级分析，缺乏通用性和物理可解释性，限制了其应用。
- 该论文提出了一种融合PINN和DeepONet的混合框架，利用物理知识和数据驱动训练来提升模型性能。
- 提出的迁移学习策略有效降低了PINN的重新训练负担，提高了计算效率和预测精度。
📝 摘要（中文）
本文提出了一种新颖的混合框架，该框架结合了物理信息神经网络（PINN）和深度算子网络（DeepONet），以实现均值柴油发动机模型中准确且计算高效的参数识别。该方法利用基于物理的系统知识，结合神经网络的数据驱动训练，以增强模型的适用性。通过结合离线训练的DeepONet来预测执行器动态，与现有的PINN框架相比，显著降低了在线计算成本。为了解决PINN在不同输入条件下常见的重新训练负担，提出了两种迁移学习（TL）策略：（i）一种多阶段TL方案，与PINN模型的完全在线训练相比，提供了更好的运行时效率；（ii）一种少样本TL方案，该方案冻结了共享的多头网络主体，并在训练循环之外计算模型训练所需的基于物理的导数。第二种策略为预测发动机动态和参数识别提供了一种计算成本低廉且基于物理的方法，与现有的PINN框架相比，提供了计算效率。与现有的健康监测方法相比，该框架结合了基于物理的模型的解释性和深度学习的灵活性，为柴油发动机诊断提供了泛化性、准确性和部署效率方面的显著提升。
🔬 方法详解
问题定义：论文旨在解决柴油发动机健康监测中，现有方法缺乏通用性、物理可解释性以及计算效率低下的问题。传统的基于组件级分析的方法难以推广到不同工况，而纯数据驱动的方法又缺乏物理意义，难以解释和信任。PINN虽然融合了物理信息，但在不同输入条件下需要重新训练，计算负担重。
核心思路：论文的核心思路是将物理信息神经网络（PINN）与深度算子网络（DeepONet）相结合，构建一个数字孪生模型，用于柴油发动机的参数识别和健康监测。通过DeepONet学习执行器动态，降低在线计算成本；通过迁移学习策略，减少PINN在不同工况下的重新训练负担。
技术框架：整体框架包含以下几个主要模块：1) 基于物理的均值柴油发动机模型；2) 用于预测执行器动态的离线训练DeepONet；3) 融合物理信息和数据驱动的PINN；4) 用于加速模型适应新工况的迁移学习模块。首先，利用DeepONet离线学习执行器动态，然后在PINN中结合物理模型和数据进行训练。最后，通过迁移学习策略，将训练好的PINN模型快速适应新的工况。
关键创新：论文的关键创新在于：1) 将DeepONet引入到PINN框架中，用于预测执行器动态，降低了在线计算成本；2) 提出了两种迁移学习策略，包括多阶段迁移学习和少样本迁移学习，有效解决了PINN在不同工况下的重新训练问题；3) 融合了物理信息和数据驱动的方法，提高了模型的通用性和可解释性。
关键设计：DeepONet采用encoder-decoder结构，encoder用于提取输入信号的特征，decoder用于预测执行器动态。PINN的损失函数包括数据驱动损失和物理信息损失，通过最小化损失函数来训练网络。迁移学习策略中，多阶段迁移学习逐步解冻网络参数进行微调，少样本迁移学习则冻结共享的多头网络主体，仅更新物理信息相关的参数。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在参数识别精度和计算效率方面均优于传统的PINN方法。例如，多阶段迁移学习策略相比于完全在线训练，运行效率提升显著。少样本迁移学习策略在少量数据下也能实现较高的预测精度，为实际应用提供了可能。
🎯 应用场景
该研究成果可应用于柴油发动机的实时健康监测、故障诊断和预测性维护。通过构建数字孪生模型，可以准确识别发动机的参数变化，及时发现潜在故障，从而提高发动机的可靠性和使用寿命，降低维护成本，并减少排放。
📄 摘要（原文）
Improving diesel engine efficiency, reducing emissions, and enabling robust health monitoring have been critical research topics in engine modelling. While recent advancements in the use of neural networks for system monitoring have shown promising results, such methods often focus on component-level analysis, lack generalizability, and physical interpretability. In this study, we propose a novel hybrid framework that combines physics-informed neural networks (PINNs) with deep operator networks (DeepONet) to enable accurate and computationally efficient parameter identification in mean-value diesel engine models. Our method leverages physics-based system knowledge in combination with data-driven training of neural networks to enhance model applicability. Incorporating offline-trained DeepONets to predict actuator dynamics significantly lowers the online computation cost when compared to the existing PINN framework. To address the re-training burden typical of PINNs under varying input conditions, we propose two transfer learning (TL) strategies: (i) a multi-stage TL scheme offering better runtime efficiency than full online training of the PINN model and (ii) a few-shot TL scheme that freezes a shared multi-head network body and computes physics-based derivatives required for model training outside the training loop. The second strategy offers a computationally inexpensive and physics-based approach for predicting engine dynamics and parameter identification, offering computational efficiency over the existing PINN framework. Compared to existing health monitoring methods, our framework combines the interpretability of physics-based models with the flexibility of deep learning, offering substantial gains in generalization, accuracy, and deployment efficiency for diesel engine diagnostics.