Hybrid Recurrent Physics-Informed Neural Networks for Cyber-Physical Systems Prognostics

Abstract

Este trabalho investiga o potencial das Redes Neurais Recorrentes Híbridas com Informação Física (HRPINNs) para o avanço das técnicas de prognóstico em Sistemas Ciberfísicos (CPS), focando na formalização de sua aplicação e no aprofundamento de suas bases teóricas. A pesquisa demonstra a versatilidade e a eficácia das HRPINNs através de dois distintos estudos de caso: sistemas eletroquímicos (baterias) e mecânicos (máquinas rotativas). Os resultados evidenciam a superioridade das HRPINNs em múltiplas tarefas, incluindo modelagem de sistema, detecção de anomalias e previsão de Fim de Vida Útil (EOL). Para sistemas de baterias, as HRPINNs apresentaram erros de reconstrução significativamente menores e tendências de degradação mais realistas em comparação com modelos puramente orientados a dados. Isso se deve, fundamentalmente, à capacidade do modelo híbrido de incorporar conhecimento físico específico do sistema diretamente em sua arquitetura, aplicando-o como restrições fortes (hard constraints) em contraste com as restrições fracas (soft constraints) frequentemente usadas em outras abordagens PINN, resultando em uma descrição mais precisa da degradação. Tal precisão é evidenciada pela magnitude e evolução de métricas estatísticas, incluindo o Dynamic Time Warping (DTW) durante o envelhecimento das células. Já para máquinas rotativas, sua superior capacidade de detectar desvios sutis causados por falhas reais advém da modelagem mais precisa do comportamento esperado, possibilitada por este conhecimento físico estruturalmente incorporado, que torna os desvios anômalos mais evidentes. Isso se refletiu em resíduos bem centrados em torno de zero em condições normais e com métricas distintivas como DTW, assimetria e curtose para condições de falha, resultando em excelente desempenho na classificação binária de anomalias. Uma contribuição central deste trabalho é o desenvolvimento de um método sistemático de sete etapas para a construção e aplicação de HRPINNs em qualquer CPS, visando facilitar sua adoção e exploração em diferentes domínios, complementada por uma análise teórica de sua capacidade de representação e potenciais vantagens. Avaliações de desempenho computacional confirmaram que HRPINNs, especialmente na configuração WithMLP+Lambda, oferecem ganhos significativos em velocidade de treinamento, tempo e eficiência energética de inferência. O Modelo Lambda demonstrou boa capacidade de atualizar dinamicamente parâmetros do sistema. Este trabalho estabelece uma base metodológica e teórica para prognósticos híbridos com informação física, oferecendo uma abordagem promissora para aprimorar a segurança e eficiência de sistemas complexos.

This work investigates the potential of Hybrid Recurrent Physics-Informed Neural Networks (HRPINNs) for advancing prognostics in Cyber-Physical Systems (CPS), focusing on formalizing their application and deepening their theoretical foundations. The research demonstrates the versatility and effectiveness of HRPINNs through two distinct case studies: electrochemical (battery) and mechanical (rotating machinery) systems. Results show the superiority of HRPINNs in multiple tasks, including system modeling, anomaly detection, and End-of-Life (EOL) prediction. For battery systems, HRPINNs exhibited significantly lower reconstruction errors and more realistic degradation trends compared to purely data-driven models. This is fundamentally due to the hybrid model's ability to incorporate system-specific physical knowledge directly into its architecture, applying it as hard constraints by design—in contrast to the soft constraints often used in other PINN approaches—resulting in a more accurate description of degradation. Such accuracy is evidenced by the magnitude and evolution of statistical metrics, including Dynamic Time Warping (DTW) during cell aging. For rotating machinery, their superior capability in detecting subtle deviations caused by real-world faults stems from the more precise modeling of expected behavior, enabled by this structurally embedded physical knowledge, which makes anomalous deviations more evident. This was reflected in residuals tightly centered around zero under normal conditions and distinctive metrics like DTW, skewness, and kurtosis for fault conditions, thus resulting in excellent performance in binary anomaly classification. A central contribution of this work is the development of a systematic seven-step method for constructing and applying HRPINNs for any CPS, aiming to facilitate their adoption and exploration in different domains, complemented by a theoretical analysis of their representational capacity and potential advantages. Computational performance evaluations confirmed that HRPINNs, especially with the WithMLP+Lambda configuration, offer significant gains in training speed, inference time, and energy efficiency. The Lambda Model showed good ability to dynamically update system parameters. This work establishes a methodological and theoretical basis for hybrid physics-informed prognostics, offering a promising approach for enhancing the safety and efficiency of complex systems.