通用電氣的貝克休斯公司 Baker Hughes（BHGE）是世界領(lǐng)先的全流程石油和天然氣公司，致力于尋求更佳的方式向世界輸送能源。BHGE 的數(shù)字團隊開發(fā)了企業(yè)級別的，依靠人工智能驅(qū)動的 SaaS 解決方案，以提高效率并減少石油和天然氣行業(yè)的非生產(chǎn)時間。要考慮關(guān)鍵任務問題，諸如預測燃氣輪機故障或優(yōu)化石化廠等大型的系統(tǒng)；這些問題需要大規(guī)模構(gòu)建和維護復雜的分析。為此，我們開發(fā)了一種分析驅(qū)動型戰(zhàn)略計劃，為客戶實現(xiàn)全公司數(shù)字化改造。

多年來一直幫助工業(yè)界解決最棘手問題，使我們掌握了最優(yōu)雅持久的解決方案：

領(lǐng)域知識

傳統(tǒng)機器學習

概率技術(shù)

深度學習

之前難以處理的問題類別現(xiàn)在可以通過將一些看似毫無關(guān)系的技術(shù)并將它們與現(xiàn)代可擴展的軟硬件組合在一起部署來解決。我們與 TensorFlowProbability（TFP）團隊和 Google 的 Cloud ML 團隊的合作加速了我們大規(guī)模開發(fā)和部署這些技術(shù)的過程。

我們想將這些節(jié)點發(fā)生的創(chuàng)新通過這一系列的文章進行展示，希望以此激發(fā)在概率深度學習技術(shù)的工業(yè)應用中實現(xiàn)爆炸性增長。在這里你們可以看到我們在 Google Next 2018 展示的這些應用程序示例集。

需要概率深度學習

數(shù)十年來，基于物理的（即基于領(lǐng)域的）分析已經(jīng)被成功地應用于設(shè)計和操作航空航天、汽車、石油和天然氣等行業(yè)的系統(tǒng)。它們提供了一個行之有效的方法，能夠從一些觀察中概括復雜的行為。牛頓的運動方程可以用來精確地預測原子和星系的運動。然而，對現(xiàn)實世界問題的創(chuàng)新解決方案需要將這些律法與解決未知因素的有效方法相結(jié)合。要捍衛(wèi)科學，明確地追蹤我們信念的確定性至關(guān)重要。

我們舉一個采用射彈軌跡的 “簡單” 例子。為了預測拋射物落地的位置，進行準確預測所需的唯一觀察（數(shù)據(jù)）是投射拋射物的速度（速度和角度）。然而，在初始角度和風速中增加一個很小的不確定性（~5％）會給射彈落地的位置帶來巨大的不確定性（~200％），如下圖所示。

即使是簡單的系統(tǒng)，也可以通過不確定性進行準確的預測；想象一下優(yōu)化大型非線性系統(tǒng)得有多么復雜！

Digital Twin 是 BHGE Analytics 團隊在解決實際工業(yè)問題方面經(jīng)過多年磨練的結(jié)構(gòu)。我們將其定義為物理系統(tǒng)的數(shù)字表示，不斷調(diào)整用以表示當前條件并預測未來狀態(tài)。如下圖所示，構(gòu)建數(shù)字孿生所需的三大支柱是領(lǐng)域知識，概率推理和深度學習：

領(lǐng)域?qū)I(yè)知識（即物理學）與傳統(tǒng) ML 相結(jié)合，使我們能夠精確地解決已知問題，換句話說，已知的知識。通過傳統(tǒng)的 ML，我們指的是諸如多項式回歸，核密度方法和狀態(tài)空間估計方法（例如卡爾曼濾波器）之類的技術(shù)。在各種熱機械載荷下預測零件中裂紋的長度是領(lǐng)域?qū)I(yè)知識的一個例子：它需要徹底了解問題的物理特性以及溫度和壓力等邊界條件的知識。即使很好地理解了這種現(xiàn)象，也需要幾種傳統(tǒng)的 ML 技術(shù)來計算特定于問題的系數(shù)（例如材料特性）。

概率推理提供了一種量化不確定性的系統(tǒng)方法，即已知的未知數(shù)。在上面的例子中，除了理解這些現(xiàn)象外，我們還需要考慮測量的不確定性和制造變異性等非模型因素。眾所周知，系統(tǒng)中存在會影響裂紋擴展的可變性（不確定性）。預測裂縫長度然后成為不確定性量化練習。更具體地說，當我們在測量中增加不確定性時，材料特性校準成為概率推理問題。

深度學習和現(xiàn)代 ML 有潛力識別和預測未知的模式和行為，也就是未知的未知。在裂縫傳播實例中，即使概率推理與領(lǐng)域模型相結(jié)合，我們也可以預測裂縫僅在具有已知不確定性的特定負載條件下傳播?？紤]基于自動編碼器的異常檢測模型，該自動編碼器監(jiān)視負載條件以及設(shè)備上的各種其他條件。這種深度學習模型可以捕獲基于物理的模型無法獲取的異常情況。我們將此預測表示為未知的未知，原因是因為我們沒有關(guān)于異常的任何數(shù)據(jù)來訓練模型。雖然深度學習模型訓練正常操作的數(shù)據(jù)（以及一些驗證異常），但它可以捕捉到之前未觀察到的正常行為的任何偏差。這是深度學習模型派上用場的眾多例子之一。可以說，在某些情況下，基于傳統(tǒng)技術(shù)（如 PCA 重建誤差）的簡單異常檢測模型也可以解決問題。根據(jù)我們的經(jīng)驗，當已知的過程特征與這些方法的簡化假設(shè)一致時，更簡單的技術(shù)可以提供與深度學習模型類似甚至更好的性能，從而導致已知的異常。當異常事件突如其來毫無征兆時 - 當你之前從沒有看到特定的故障模式時，深度學習模型的表現(xiàn)真的出類拔萃。

在本文中，我們將重點關(guān)注在預測已知未知數(shù)的領(lǐng)域模型的概率推斷。我們將演示貝葉斯校準的能力，其中裂縫傳播問題被公式化為基于物理的概率推理模型。

概率深度學習使我們能夠在 “自學” 包中利用上面強調(diào)的所有功能。我們將在隨后的博客中討論使用 TFP 進行概率深度學習，其中包括模型差異，異常檢測，缺失數(shù)據(jù)估計和時間序列預測。

預測組件的壽命：概率性裂縫傳播示例

預測易于開裂的部件的壽命是一個老生常談的問題，斷裂力學界已經(jīng)研究過。裂縫傳播模型是工程系統(tǒng)的預測和健康管理（PHM）解決方案的核心。題為《預測與工程系統(tǒng)健康管理：簡介》一書提供了一個很好的例子，說明現(xiàn)實世界數(shù)據(jù)如何用于校準工程模型。通過下面的示例，我們希望激發(fā)使用結(jié)合概率學習技術(shù)和工程領(lǐng)域模型的 “混合模型”。

疲勞裂紋擴展現(xiàn)象可以用巴黎定律建模。巴黎定律通過以下等式將裂紋擴展速率（da / dN）與應力強度因子（ΔK=Δσ√）聯(lián)系起來：

其中 a 是裂紋長度，N 是加載循環(huán)次數(shù)，σ 是應力，（C，m）是材料屬性。

將巴黎定律與特定幾何和加載配置相結(jié)合，我們得出裂縫大小的分析公式，作為加載循環(huán)的函數(shù)，如下所示：

其中 a? 是初始裂縫長度。通過了解給定應用中的 a? 和因子 Δσ√，可以使用等式 2 來計算未來裂縫的大小，假設(shè)應用將隨時間累積 N 個周期?？梢詫⒃擃A測的裂縫長度與安全操作的閾值進行比較。例如，如果預測的裂縫長度超過幾何極限（例如，部件厚度的一半），那就說明該修理了。

在給定裂縫長度 a 與加載循環(huán) N 數(shù)據(jù)的情況下，需要針對每個物理組件校準參數(shù) C 和 m。換句話說，考慮到現(xiàn)場測量的裂縫，我們希望推斷出 C 和 m，這樣就可以估算出在裂縫長度變大到一定程度，在部件失效的風險之前，可以安全地運行多少個循環(huán)。

在本例中，我們將使用由 Kim，An 和 Choi 編寫的 PHM 書中的樣本數(shù)據(jù)集，演示使用 TFP 進行 C 和 m 的概率校準。在 BHGE Digital，我們利用 Depend-on-Docker 項目實現(xiàn)分析開發(fā)的自動化。此處提供了此類自動化的示例，其中包含以下示例的完整代碼。

如下圖所示，我們使用了 Kim，An 和 Choi 的 PHM 書中的表 4.2 中提供的數(shù)據(jù)集。對于大多數(shù)裂縫傳播數(shù)據(jù)集而言，從觀察到的數(shù)據(jù)點來看，潛在趨勢并不十分明顯。

對于貝葉斯校準，我們需要定義校準變量的先驗分布。在實際應用中，這些先驗可以由主題專家通知。對于這個例子，我們假設(shè) C 和 m 都是高斯和獨立的：

在 TFP 中，我們可以對此信息進行如下編碼：

1prio_par_logC = [-23., 1.1] # [location, scale] for Normal Prior

2prio_par_m = [4., 0.2] # [location, scale] for Normal Prior

3rv_logC = tfd.Normal(loc=0., scale=1., name='logC_norm')

4rv_m = tfd.Normal(loc=0., scale=1., name='m_norm')

我們?yōu)閮蓚€變量定義了外部參數(shù)和標準正態(tài)分布，只是為了從標準化空間中進行采樣。因此，在計算裂縫模型時，我們需要對兩個隨機變量進行去標準化。

現(xiàn)在我們定義被校準的隨機變量的聯(lián)合對數(shù)概率以及由等式 2 定義的相關(guān)裂縫模型：

1def joint_log_prob(cycles, observations, y0, logC_norm, m_norm):

2# Joint logProbability function for both random variables and observations.

3# Some constants

4dsig = 75.

5B = tf.constant(dsig * np.pi**0.5, tf.float32)

6# Computing m and logC on original space

7logC = logC_norm * prio_par_logC[1]**0.5+ prio_par_logC[0] #

8m = m_norm * prio_par_m[1]**0.5 + prio_par_m[0]

9

10# Crack Propagation model

11crack_model =(cycles * tf.exp(logC) * (1 - m / 2.) * B**m + y0**(1-m / 2.))**(2. / (2. - m))

12y_model = observations - crack_model

13

14

15# Defining child model random variable

16rv_model = tfd.Independent(

17 tfd.Normal(loc=tf.zeros(observations.shape), scale=0.001),

18reinterpreted_batch_ndims=1, name = 'model')

19# Sum of logProbabilities

20return rv_logC.log_prob(logC_norm) + rv_m.log_prob(m_norm) + rv_model.log_prob(y_model)

最后，是時候設(shè)置采樣器并運行 TensorFlow 會話了：

1# This cell can take 12 minutes to run in Graph mode

2# Number of samples and burnin for the MCMC sampler

3samples = 10000

4burnin = 10000

5

6# Initial state for the HMC

7initial_state = [0., 0.]

8# Converting the data into tensors

9cycles = tf.convert_to_tensor(t_,tf.float32)

10observations = tf.convert_to_tensor(y_,tf.float32)

11y0 = tf.convert_to_tensor(y_[0], tf.float32)

12# Setting up a target posterior for our joint logprobability

13unormalized_target_posterior= lambda *args: joint_log_prob(cycles, observations, y0, *args)

14# And finally setting up the mcmc sampler

15[logC_samples, m_samples], kernel_results = tfp.mcmc.sample_chain(

16num_results= samples,

17num_burnin_steps= burnin,

18current_state=initial_state,

19kernel= tfp.mcmc.HamiltonianMonteCarlo(

20target_log_prob_fn=unormalized_target_posterior,

21step_size = 0.045,

22num_leapfrog_steps=6))

23

24

25# Tracking the acceptance rate for the sampled chain

26acceptance_rate = tf.reduce_mean(tf.to_float(kernel_results.is_accepted))

27

28# Actually running the sampler

29# The evaluate() function, defined at the top of this notebook, runs `sess.run()

30# in graph mode and allows code to be executed eagerly when Eager mode is enabled

31[logC_samples_, m_samples_, acceptance_rate_] = evaluate([

32logC_samples, m_samples, acceptance_rate])

33

34# Some initial results

35print('acceptance_rate:', acceptance_rate_)

值得注意的是，盡管我們開始使用 C 和 m 的兩個獨立高斯分布，但后驗分布是高度相關(guān)的。這種相關(guān)性的產(chǎn)生是因為解空間規(guī)定對于 m 的高值，唯一有物理意義的結(jié)果是 Cand 的小值，反之亦然。如果我們使用任意數(shù)量的確定性優(yōu)化技術(shù)來找到適合此數(shù)據(jù)集的 C 和 m 的 “最佳擬合”，那么根據(jù)我們的起點和約束，我們最終會得到一些位于直線上的值。執(zhí)行概率優(yōu)化（也就是貝葉斯校準）為我們提供了可以解釋數(shù)據(jù)集的所有可能解決方案的全局視圖。

后驗抽樣后進行預測

現(xiàn)在到了最后一步，我們將后驗函數(shù)定義為對數(shù)正態(tài)分布，期望由物理模型定義：

已知損壞（在這種情況下為裂縫長度）是傾斜的，因此對數(shù)正常或 Gumbel 分布通常用于模擬損傷。在 TFP 中表達模型如下所示：

1def posterior(logC_samples, m_samples, time):

2n_s = len(logC_samples)

3n_inputs = len(time)

4

5# Some Constants

6dsig = 75.

7B = tf.constant(dsig * np.pi**0.5, tf.float32)

8

9# Crack Propagation model - compute in the log space

10

11y_model =(

12time[:,None] *

13tf.exp(logC_samples[None,:])*

14(1-m_samples[None,:]/2.0) *B**m_samples[None,:] +y0** (1-m_samples[None,:]/2.0))**(2. / (2. - m_samples[None,:]))

15noise = tfd.Normal(loc=0., scale=0.001)

16samples = y_model + noise.sample(n_s)[tf.newaxis,:]

17# The evaluate() function, defined at the top of this notebook, runs `sess.run()`

18# in graph mode and allows code to be executed eagerly when Eager mode is enabled

19samples_ = evaluate(samples)

20return samples_

21

22# Predict for a range of cycles

23time = np.arange(0, 3000, 100)

24y_samples = posterior(logC_samples_scale, m_samples_scale, time)

25print(y_samples.shape)

如下所示，使用混合物理概率模型的裂縫長度的 95％ 不確定界限的預測平均值。很顯然，該模型不僅捕獲平均行為，還捕獲每個時間點模型預測的不確定性估算。當我們偏離觀察時，模型預測中的不確定性呈指數(shù)增長趨勢。

下一步

我們選擇這個例子十分小心，來對概率模型做一個介紹。將概率模型應用于實際應用程序存在一些挑戰(zhàn)。即使在像這里所展示的簡單問題中，如果我們放松高斯先驗的假設(shè)，那么解決方案也會變得棘手。如果讀者感到好奇，可以嘗試使用統(tǒng)一先驗來觀察一下模型預測能力急劇下降的情況。

另一個微妙點是定義可能性的方式。我們選擇直接在預測誤差上定義它，而不是預測值。請注意，下面在 “基于預測誤差的可能性” 中描述的各個藍線是模型預測誤差的樣本。直接將公式更改為模型預測 - 而不是預測誤差 - 會產(chǎn)生非單調(diào)的非物理結(jié)果，如 “基于實際預測的可能性 ” 所示。我們稱這些結(jié)果是非物理的，因為裂縫長度不會隨著時間的推移而減小。如果我們只查看上面顯示的 “模糊” 百分位數(shù)視圖，我們可能不會注意到模型公式中可能導致較大預測誤差的細微差別。我們將在下一篇文章中解決其中一些更實際的挑戰(zhàn)及其緩解措施。

這是系列文章中的第一篇，旨在通過 TFP 擴展概率和深度學習技術(shù)在工業(yè)應用中的應用。我們（@sarunkarthi）很想聽聽關(guān)于您的應用程序的說明，并期待看到這些方法應用到更多獨特的方方面面。請繼續(xù)關(guān)注此文章供稿，了解有關(guān)異常檢測，缺失數(shù)據(jù)估算和變異推斷預測的更多更新的示例。