論文の概要: Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2608.10047v1
• Date: Mon, 10 Aug 2026 13:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.766523
• Title: Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review
• Title（参考訳）: 予後・健康管理における物理インフォームド・機械学習 : 体系的文献レビュー
• Abstract要約: 本研究は,Physics-Informed Machine Learning(PIML)が予後・健康管理(PHM)の文脈でどのように活用されているかを検討する。 全体としては、物理インフォームドアプローチが既に有意義な利益をもたらしていることを示している。
• 参考スコア（独自算出の注目度）: 3.7234035006358988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern industry, keeping complex systems reliable, safe, and efficient hinges on Prognostics and Health Management (PHM). Machine Learning (ML) has largely driven advancements in diagnostics and prognostics, yet purely data-driven models face inherent limitations, such as poor generalization, an inability to infer causal relationships, and a lack of interpretability. Physics-Informed Machine Learning (PIML) helps mitigate these limitations by incorporating prior physical knowledge directly into the ML pipeline, thereby fostering growing interest in its application to PHM. This work investigates how PIML is being leveraged in the context of PHM through a systematic literature review of 212 studies. The review introduces a four-class classification scheme, consisting of observational bias, inductive bias, learning bias, and hybrid approaches, and further categorizes studies by PHM task. Across all four classes, the reviewed studies consistently demonstrate improved predictive performance over conventional baselines across a broad range of assets, although the literature is heavily skewed toward lithium-ion batteries and bearings, and dominated by problem-specific solutions. Overall, the review indicates that physics-informed approaches already provide tangible benefits, whereas claims of improvements concerning some of the aforementioned limitations lack sufficient supporting evidence. Future research should prioritize transferable design patterns, benchmarks comparing integration strategies, and uncertainty-aware models that are lightweight and robust enough for online deployment in real-world settings.
• Abstract（参考訳）: 現代の産業では、複雑なシステムを信頼し、安全で、効率的なヒンジで、予後・健康管理(PHM)に頼っている。 機械学習(ML)は、診断や予後学の進歩を大いに推進してきたが、純粋にデータ駆動モデルは、一般化の欠如、因果関係を推測できないこと、解釈可能性の欠如など、固有の制約に直面している。 Physics-Informed Machine Learning (PIML)は、事前の物理知識を直接MLパイプラインに組み込むことで、これらの制限を緩和する。 本研究は、PIMLがPHMの文脈でどのように活用されているかについて、212の研究の体系的な文献レビューを通して検討する。 このレビューでは、観察バイアス、帰納バイアス、学習バイアス、ハイブリッドアプローチからなる4クラス分類方式を紹介し、さらにPHMタスクによる研究を分類する。 文献はリチウムイオン電池やベアリングに強く依存しており、問題固有のソリューションに支配されている。 全体としては、物理インフォームドアプローチは、既に有意義な利益をもたらしているのに対し、上記のいくつかの制限に関する改善の主張は十分な証拠を欠いていることを示している。 将来の研究は、トランスファー可能なデザインパターン、統合戦略の比較ベンチマーク、およびリアルタイム環境におけるオンラインデプロイメントに十分な軽量で堅牢な不確実性対応モデルを優先すべきである。

関連論文リスト

• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• A Scoping Review of Machine Learning Applications in Power System Protection and Disturbance Management [5.539105299550525]
  このスコーピングレビューは、電力系統保護と外乱管理における機械学習(ML)応用に関する最近の文献を合成する。 i) 保護タスクにおけるML研究の範囲を評価すること、(ii) さまざまな運用シナリオにわたるMLパフォーマンスを評価すること、(iii) グリッド条件の進化に適した方法を特定すること、の3つの主要な目的に対処する。
  論文  参考訳（メタデータ） (2025-09-10T23:19:28Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• A Survey of Predictive Maintenance Methods: An Analysis of Prognostics via Classification and Regression [0.9802228981482947]
  予測保守(PdM)は近代工業の実践において重要な要素となっている。 機械学習とディープラーニングは、機器の故障と有用寿命(RUL)のより正確な予測を可能にした 本稿では, PdM の方法論を概観するとともに, 分類法と回帰法の比較に強く焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-25T02:22:23Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Navigating Uncertainties in Machine Learning for Structural Dynamics: A Comprehensive Survey of Probabilistic and Non-Probabilistic Approaches in Forward and Inverse Problems [2.5142646517195693]
  本稿では,機械学習(ML)における不確実性のナビゲートに関する包括的レビューを行う。 確率的手法や非確率的手法に対する不確実性に気付くアプローチを列挙する。 このレビューは、ML技術を利用して構造的動的問題の不確実性に対処する際、研究者や実践者が情報的決定を行うのを支援することを目的としている。
  論文  参考訳（メタデータ） (2024-08-16T09:43:01Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection [1.124958340749622]
  PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。 本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
  論文  参考訳（メタデータ） (2024-01-22T11:29:44Z)
• Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
  Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。 本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。 提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
  論文  参考訳（メタデータ） (2023-12-07T07:15:11Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。