Un modelo PI-Dual-STGCN de diagnóstico de fallas basado en el marco de explicación conjunta SHAP-LLM

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Diagnóstico de Fallas Industriales

Sus antecedentes:

• Los modelos de aprendizaje profundo a menudo carecen de transparencia e interpretabilidad en el diagnóstico de fallas.
• Los métodos existentes tienen dificultades con explicaciones claras de los resultados del diagnóstico.
• Las aplicaciones industriales requieren sistemas de soporte de decisiones verificables y comprensibles.

Objetivo del estudio:

• Desarrollar un modelo de diagnóstico de fallas transparente e interpretable para aplicaciones industriales.
• Mejorar la explicabilidad de los procesos de diagnóstico de aprendizaje profundo.
• Aprovechar los modelos de lenguaje grandes (LLM) para el soporte de decisiones verificable sin diagnóstico directo.

Principales métodos:

• Se propuso un modelo PI-Dual-STGCN (Red de Convolución Espacio-Temporal de Grafos Duales Informada por Física) que incorpora restricciones físicas.
• Se construyó una arquitectura de grafo dual que combina la topología física y los grafos de similitud de señales.
• Se desarrolló un marco de explicación conjunta SHAP-LLM (Shapley Additive exPlanations-Large Language Model) utilizando IA explicable (XAI) y Generación Aumentada de Recuperación (RAG).

Principales resultados:

• El modelo PI-Dual-STGCN logró una precisión de diagnóstico del 99,22 %.
• El marco SHAP-LLM generó explicaciones visuales y una base de conocimiento jerárquica.
• Se utilizaron LLM para razonar sobre información textual basada en hechos (métricas de rendimiento, resultados SHAP), evitando el diagnóstico directo y las alucinaciones.

Conclusiones:

• El enfoque combinado PI-Dual-STGCN y SHAP-LLM mejora significativamente la precisión y la transparencia del diagnóstico.
• XAI proporciona explicaciones visuales y cuantitativas de la lógica de decisión del modelo.
• Este método ofrece soporte de decisiones inteligente verificable para el diagnóstico de fallas industriales al basar el razonamiento de LLM.