Hierarchiczna drzewiasta baza reguł wiarygodności do diagnostyki usterek złożonych systemów elektromechanicznych

Bardziej inteligentne kontrole bezpieczeństwa maszyn

Nowoczesne pociągi, zakłady produkcyjne i statki powietrzne opierają się na złożonych systemach elektromechanicznych wypełnionych czujnikami i układami sterowania. Gdy ukryta usterka prześlizgnie się niezauważona, konsekwencje mogą być kosztowne lub nawet niebezpieczne. W artykule przedstawiono nowy sposób wykrywania takich problemów wcześnie, wykorzystujący warstwowy system wnioskowania łączący inżynierską wiedzę ekspertów z danymi maszynowymi, przy jednoczesnym zachowaniu przejrzystości logiki na tyle, by specjaliści mogli ją zrozumieć i jej zaufać.

Dlaczego ukryte usterki trudno wychwycić

Duże maszyny, takie jak silniki z magnesami trwałymi w pociągach dużych prędkości, są projektowane z myślą o dużej niezawodności. Prawdziwe usterki występują rzadko, więc istnieje niewiele przykładów wadliwych stanów do wytrenowania standardowych modeli uczenia maszynowego. Jednocześnie sygnały pochodzące z tych systemów są bogate i złożone: wiele czujników, różne warunki pracy oraz usterki, które mogą być stałe, narastające powoli lub nagłe i losowe. Tradycyjne modele oparte na fizyce mogą być zbyt trudne do szczegółowego zbudowania, zaś czysto oparte na danych modele mogą działać jak czarne skrzynki, dając dokładne odpowiedzi bez wyjaśnienia swojej logiki. Istniejące systemy regułowe próbujące łączyć reguły ekspertów z danymi często napotykają inny problem: wraz ze wzrostem liczby cech z czujników liczba możliwych reguł eksploduje, co sprawia, że podejście staje się zbyt nieporęczne do praktycznego zastosowania.

Warstwowe drzewo przyjaznych reguł

Autorzy rozwiązują ten problem eksplozji reguł, zmieniając sposób organizacji reguł. Zamiast jednej ogromnej, płaskiej tabeli reguł próbującej każdej kombinacji cech, budują drzewo mniejszych bloków reguł. Każdy mały blok analizuje tylko kilka starannie wybranych cech i wydaje przekonanie co do stanu usterki maszyny. Bloki te są rozmieszczone w hierarchii, tak że bloki wysokiego poziomu przetwarzają najbardziej informacyjne cechy, podczas gdy niższe poziomy doprecyzowują decyzję dodatkowymi szczegółami. Proces poszukiwania oparty na algorytmie ewolucyjnym automatycznie bada wiele możliwych układów drzewa i zachowuje te, które równoważą dokładność z prostotą, dzięki czemu inżynierowie nie muszą ręcznie tworzyć całej struktury.

Wybór właściwych sygnałów do obserwacji

Nawet przed zbudowaniem drzewa metoda koncentruje się na wyborze najbardziej użytecznych cech z czujników. Mierzy, jak silnie każda cecha wiąże się z typami usterek, używając pomysłów z teorii informacji, a następnie koryguje te oceny wiedzą ekspercką o tym, jak usterki rzeczywiście wpływają na prądy, drgania i inne sygnały. Na przykład cecha, która często zmienia się z prędkością lub obciążeniem, ale nie z usterkami, jest obniżana, podczas gdy cecha znana z odwzorowywania określonego wzorca usterki jest zwiększana. Końcowy wynik dla każdej cechy łączy dowody z danych, wgląd fizyczny i doświadczenie z różnych warunków pracy. Zachowywane są tylko najwyżej ocenione cechy, co ogranicza przestrzeń wejściową i zapobiega tworzeniu niepotrzebnych reguł od samego początku.

Łączenie nakładających się wskazówek bez podwójnego liczenia

Ponieważ drzewo zawiera kilka bloków reguł, które mogą opierać się na powiązanych sygnałach, ich wyjścia nie są niezależne. Jeśli ten nakład nie zostanie uwzględniony, standardowa metoda fuzji może niezamierzenie policzyć ten sam fragment dowodu wielokrotnie i wypaczyć końcową diagnozę. Aby tego uniknąć, autorzy dostosowują ramy zwane MAKER, które mierzą, jak podobne są wyjścia różnych bloków, włączając subtelne nieliniowe powiązania. Każdemu blokowi przypisywana jest wiarygodność na podstawie jego dotychczasowej dokładności, waga odzwierciedlająca jego znaczenie oraz miara korelacji pokazująca, ile z jego informacji jest już obecne gdzie indziej. Czynniki te są stosowane razem, by dostosować wpływ każdego bloku na ostateczną decyzję, tak aby silne, lecz redundantne wskazówki były osłabiane, podczas gdy unikalne, godne zaufania wskazówki miały większą wagę.

Testy metody na rzeczywistych silnikach

Aby przetestować swoje podejście, badacze użyli rzeczywistego systemu napędowego opartego na synchronicznym silniku z magnesami trwałymi, podobnym do stosowanych w kolejach dużych prędkości. Wprowadzili cztery typy usterek czujników do pomiarów prądu: stałe przesunięcie, błędne wzmocnienie, wolny dryf w czasie oraz losowe przerywane impulsowe zakłócenia, wraz ze stanem zdrowym. Z prostych statystyk czasowych prądu, takich jak energia i miary związane z wartościami szczytowymi, metoda wybrała kompaktowy zestaw sześciu cech i zbudowała hierarchiczne drzewo reguł. Na zaledwie 480 próbkach danych osiągnęła porównywalną lub lepszą dokładność niż kilka zaawansowanych modeli uczenia maszynowego, przy użyciu znacznie mniejszej liczby reguł niż tradycyjny system bazujący na regułach wiarygodności i zachowując śledzalność każdego kroku wnioskowania. Struktura drzewa również przyspieszyła trenowanie i wnioskowanie w czasie rzeczywistym, co jest istotne dla monitoringu przemysłowego.

Co to oznacza dla bezpieczniejszych maszyn

Mówiąc prosto, badanie pokazuje, że złożone maszyny można monitorować systemem regułowym, który pozostaje możliwy do zarządzania, wyjaśnia swoje wybory i działa dobrze nawet przy niewielkiej liczbie przykładów usterek. Przez najpierw wybór najbardziej informacyjnych sygnałów, następnie organizację małych bloków reguł w drzewo oraz fuzję ich wyjść z uwzględnieniem korelacji, metoda unika typowego wzrostu liczby reguł i nieprzejrzystości wielu modeli uczących się. Dla operatorów pociągów, zakładów i innych systemów o krytycznym znaczeniu dla bezpieczeństwa to propozycja narzędzi diagnostycznych, które są zarówno dokładne, jak i zrozumiałe, pomagając ekspertom ufać i dopracowywać automatyczne alarmy, zamiast polegać na nich w ciemno.

Cytowanie: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

Słowa kluczowe: diagnostyka usterek, systemy elektromechaniczne, baza reguł wiarygodności, usterki czujników, modelowanie hierarchiczne