Независимые от архитектуры парето‑эвидециальные сети для надежной диагностики отказов и обнаружения выходов за распределение

Почему умные аварийные сигналы важны

Современные заводы полагаются на датчики и алгоритмы, которые отслеживают ранние признаки проблем в машинах — от крошечных подшипников до крупных вращающихся валов. Эти системы хорошо работают с привычными неисправностями, встречавшимися в обучающей выборке, но могут становиться опасно самоуверенными, когда появляется по-настоящему новая ситуация. В статье предложен метод под названием Pareto‑driven Evidential Dual‑head Network (PEDNet), который помогает диагностическим алгоритмам не только указывать наиболее вероятную неисправность, но и признавать: «Я не уверен», чтобы люди могли вмешаться до появления повреждений или аварий.

Проблема неизвестных неисправностей

Традиционные системы диагностики рассматривают мир так, будто все возможные типы отказов уже известны. Их обучают на размеченных вибрационных сигналах — от исправных подшипников и ограниченного набора дефектных состояний — а затем ожидают, что каждый будущий сигнал будет отнесён к одному из этих классов. На реальных предприятиях оборудование стареет, нагрузки меняются, и появляются новые сочетания отказов, которых не было в обучающей выборке. Такие непривычные ситуации называют событиями вне распределения (out‑of‑distribution, OOD). Обычные глубокие сети склонны «пришивать» эти неизвестные случаи к ближайшей известной метке с высокой уверенностью, что может вводить персонал в заблуждение и подрывать доверие к автоматическому контролю.

Две головы лучше, чем одна

Чтобы решить эту проблему, PEDNet использует простую, но эффективную идею: разделить принятие решения сетью на две согласованные части, или «головы», которые используют одни и те же извлечённые признаки. Одна голова выполняет привычную задачу — определяет, какой образец неисправности лучше всего соответствует входному сигналу. Другая голова оценивает надёжность этого решения, моделируя неопределённость по принципиальному подходу. Вместо единственного жёсткого балла голова неопределённости представляет, сколько «доказательств» есть у модели в пользу каждого класса. Когда доказательств мало или они противоречивы, общая уверенность падает, что сигнализирует о том, что вход может быть нетипичным или выходить за пределы прошлой практики.

Баланс между точностью и осторожностью

Простое добавление второй головы само по себе не гарантирует надёжного поведения: две задачи — быть точным на известных дефектах и осторожным с неизвестными — могут тянуть общую сеть в разные стороны во время обучения. PEDNet решает эту проблему с помощью парето‑основанной схемы взвешивания, которая анализирует градиенты, или направления обновления, поступающие от каждой головы на каждой тренировочной пачке. Вместо использования фиксированных или вручную подобранных весов метод аналитически находит компромиссное направление, которое одновременно максимально снижает оба критерия. Эта «динамическая перемирия» направляет обучение к решениям, где модель и чётко распознаёт известные паттерны, и честно сообщает об уровне неопределённости, когда что‑то выглядит необычно.

Доказательство эффективности на данных реальных машин

Авторы проверяют PEDNet на двух публичных наборах данных по подшипникам, имитирующих реалистичные заводские сценарии. Один набор содержит смеси одиночных и составных дефектов на двух подшипниках, так что определённые комбинации появляются только на этапе тестирования и ведут себя как по‑настоящему новые режимы отказа. Другой набор постепенно увеличивает степень повреждения, рассматривая самый тяжёлый уровень как невидимый на этапе обучения. На четырёх различных архитектурах — от небольшой сверточной сети до более специализированных решений — PEDNet последовательно улучшает точность классификации отказов и существенно снижает долю случаев, когда неизвестные события ошибочно принимаются за норму. Метод также даёт более хорошо калиброванные оценки уверенности: заявленная уверенность лучше соответствует фактической доле правильных ответов. Даже в жёстких тестах, где модель обучают на одном наборе, а оценивают на другом с другими датчиками и конструкцией машин, сигналы неопределённости остаются информативными, хотя авторы подчёркивают, что всё ещё требуется определённая настройка под конкретную предметную область.

Что это значит для более безопасных машин

На практическом уровне PEDNet предлагает стратегию обучающего плагина, которую можно разместить поверх многих существующих архитектур нейросетей без изменения их внутренней структуры. Это упрощает модернизацию текущих диагностических систем введением второго чувства: не только обнаруживать вероятные неисправности, но и помечать показания, выходящие за пределы привычной области. Хотя подход не избавляет от необходимости аккуратно задавать пороги и организовывать человеческий надзор — особенно при резких изменениях оборудования или режимов эксплуатации — он обеспечивает более надёжную основу для автоматического мониторинга. Помогая алгоритмам учиться, когда следует быть уверенными, а когда уступать место человеку, PEDNet приближает промышленную диагностику отказов к осторожному и прозрачному поведению, необходимому для приложений с критическими требованиями безопасности.

Цитирование: Shi, J., Tang, M. & Tan, L. Backbone agnostic Pareto evidential networks for trustworthy fault diagnosis and out of distribution detection. Sci Rep 16, 10096 (2026). https://doi.org/10.1038/s41598-026-40463-0

Ключевые слова: диагностика отказов, обнаружение выходов за распределение, ИИ с учётом неопределённости, промышленный мониторинг, многозадачное обучение