通过稀疏和结构化的神经注意力来解释轴承的故障诊断的时间逻辑推断
1Shien-Ming Wu School of Intelligent Engineering, South China University Of Technology, Guangzhou, 511442, China; State Key Laboratory of Mechanical Transmission for Advanced Equipment, Chongqing University, Chongqing 400044, China.
ISA transactions
|January 17, 2025
概括
本研究介绍了Sparse Temporal Logic Network (STLN),这是一个用于机器故障诊断的新型可解释的神经网络. STLN为其诊断决策提供了强大的性能和明确的解释.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 机器学习方法对于机器故障诊断至关重要.
- 在当前用于故障诊断的机器学习模型中,可解释性仍然是一个重大挑战.
- 缺乏透明度阻碍了对人工智能的信任和采用在关键的工业应用中.
研究的目的:
- 引入一种新的可解释的神经网络结构,即Sparse Temporal Logic Network (STLN),用于机器故障诊断.
- 通过时间逻辑,使机器学习决定在故障诊断中的正式解释成为可能.
- 在人工智能驱动的诊断系统中弥合高性能和可解释性之间的差距.
主要方法:
- 开发了以神经元作为逻辑命题和使用逻辑运算符的正式连接的稀疏时间逻辑网络 (STLN).
- 集成了一个基本的文字网络与波段内核用于特征提取.
- 采用了具有稀疏,结构化的神经注意力的变压器编码器来识别相关的信号段.
- 利用逻辑网络在正式语言中合成故障解释 (加权信号时间逻辑).
主要成果:
- 在机器故障诊断任务中,STLN表现出强大的性能.
- 该网络为其决策过程提供了可解释的解释.
- 在实验数据集上的实证验证证证了STLN的有效性.
结论:
- STLN成功地解决了用于故障诊断的机器学习中可解释性的挑战.
- 拟议的模型为可解释的机器故障诊断提供了一个强大的工具.
- STLN促进了对基于AI的诊断系统的更深入的理解和信任.
