Physics-Informed Machine Learning in Prognostics and Health Management: A Systematic Literature Review

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.

한 줄 요약

PIML을 PHM에 적용한 212개 연구를 체계적으로 검토하여, 성능 개선 효과와 한계를 분석하고 미래 연구 방향을 제시한다.

핵심 기여도

212개 연구를 대상으로 PIML의 PHM 적용 현황을 체계적 리뷰를 통해 분석.
관측 편향, 귀납 편향, 학습 편향, 혼합 접근법 4가지 분류 체계를 도입.
리튬 이온 배터리와 베어링에 집중된 연구 경향을 지적.
PIML이 예측 성능을 개선하지만, 일반화 능력 향상 주장은 증거 부족.

핵심 아이디어

PIML은 데이터 기반 ML 모델의 한계를 극복하기 위해 물리적 지식을 모델에 직접 통합하는 접근법이다. 이는 ML의 예측력과 물리 모델의 해석성, 구조적 안정성을 결합하여 PHM에서 신뢰성 높은 예측을 가능하게 한다. 본 연구는 PIML이 PHM에서 어떻게 활용되고 있는지를 212개 연구를 대상으로 체계적으로 분석하여, 주요 패턴과 한계를 도출했다. 특히, PIML은 관측 편향, 귀납 편향, 학습 편향, 혼합 접근법으로 분류되며, 각각 다른 방식으로 물리 지식을 모델에 통합한다. 예를 들어, 관측 편향은 센서 데이터에 물리적 제약을 적용하고, 귀납 편향은 모델 구조에 물리 법칙을 내재화한다. 이처럼 구조화된 분류 체계를 통해 PIML의 다양한 활용 방식을 체계적으로 정리한 것이 본 연구의 핵심 통찰이다.

기술적 접근법

**리뷰 방법**: ASReview 프레임워크 내에서 활성 학습 알고리즘을 활용한 2단계 스크리닝.
첫 번째 사이클: TF-IDF 기반 특징 추출 + Naive Bayes 분류기.
두 번째 사이클: sBERT 임베딩 + 신경망(NN) 분류기.
**데이터셋**: Scopus, WoS, arXiv에서 2012년 1월 ~ 2025년 5월까지의 논문 검색.
**최종 선택**: 212개 연구(저널 180, 컨퍼런스 18, preprint 14)를 대상으로 전체 텍스트 분석.

주요 결과

**성능 개선**: PIML 적용 시 전통적 ML 기반 모델 대비 예측 성능이 개선됨.
예: 리튬 이온 배터리 RUL 예측에서 +10~15% 개선 보고됨.
**데이터셋 편향**: 리튬 이온 배터리(65%), 베어링(20%)에 집중된 연구.
**문제별 적용**: 고장 진단, RUL 예측, 이상 감지 등 PHM 태스크별로 PIML 적용 방식이 다름.
**증거 부족**: 일반화 능력, 인과 추론, 해석성 향상 주장은 대부분의 연구에서 실증적 증거 부족.

의의 및 한계

PIML은 PHM에서 데이터 부족, 노이즈, 환경 변화 등 실제 산업 문제를 해결하는 데 기여할 수 있다. 특히, 물리적 제약을 모델에 통합함으로써 예측의 신뢰도를 높이고, 모델의 해석성을 향상시킨다는 점에서 학술적·실용적 가치가 있다. 그러나 현재까지의 연구는 특정 문제에 국한된 솔루션 위주로 진행되어 일반화 가능성에 한계가 있다. 또한, PIML이 ML의 일반화 능력, 인과 추론, 해석성 향상에 기여한다는 주장은 대부분의 연구에서 충분한 실증적 증거를 제시하지 못하고 있다. 이는 향후 연구에서 주목해야 할 주요 과제이다.

실용적 활용

PIML은 제조업, 에너지, 항공 등 고장 예측이 중요한 산업 분야에서 예지 정비(PdM) 시스템 개발에 활용될 수 있다. 특히, 센서 데이터가 불완전하거나 환경 변화가 심한 상황에서 물리적 지식을 통합한 모델이 더 높은 신뢰도를 제공할 수 있다. 또한, PIML은 온라인 배포가 가능한 경량화 모델 설계와 결합될 경우, 실시간 모니터링 및 의사결정 지원에 유용하게 사용될 수 있다.