Иерархическая древовидная база правил уверенности для диагностики отказов сложных электромеханических систем

Более умные проверки безопасности машин

Современные поезда, заводы и самолёты полагаются на сложные электромеханические системы, насыщенные датчиками и управляющей электроникой. Когда скрытый дефект проходит незамеченным, это может привести к значительным затратам или даже опасным последствиям. В этой статье предложен новый способ раннего выявления таких проблем: многоуровневая система рассуждений, которая сочетает инженерную экспертность с данными от машин, при этом сохраняя логику достаточно прозрачной, чтобы специалисты могли её понимать и доверять ей.

Почему сложно поймать скрытые отказы

Крупные механизмы, такие как синхронные двигатели с постоянными магнитами в высокоскоростных поездах, проектируются на высокую надёжность. Реальные отказы редки, поэтому примеров неисправностей для обучения стандартных моделей машинного обучения мало. В то же время сигналы от этих систем богаты и запутаны: много датчиков, различные режимы работы, и отказы, которые могут быть постоянными, медленно нарастающими или внезапными и случайными. Традиционные физические модели слишком трудоёмки для детальной разработки, а чисто данные-ориентированные модели часто ведут себя как «чёрные ящики», давая точные ответы без объяснения своих рассуждений. Существующие экспертно-правилные системы, пытающиеся сочетать знания специалистов с данными, часто сталкиваются с иным препятствием: по мере роста числа признаков датчиков количество возможных правил взрывается, делая подход громоздким и непрактичным.

Многоуровневое дерево понятных правил

Авторы решают проблему экспоненциального роста правил, переорганизуя их структуру. Вместо одной большой плоской таблицы правил, перебирающей все комбинации признаков, они строят дерево из более мелких блоков правил. Каждый такой блок рассматривает лишь несколько тщательно выбранных признаков и выдаёт вероятность (веру) принадлежности к тому или иному состоянию отказа. Блоки организованы иерархически: верхние уровни обрабатывают наиболее информативные признаки, а нижние уточняют решение дополнительно. Процесс эволюционного поиска автоматически изучает множество возможных компоновок дерева и сохраняет те, которые обеспечивают баланс точности и простоты, поэтому инженерам не приходится вручную проектировать всю структуру.

Выбор правильных сигналов для наблюдения

Ещё до построения дерева метод отбирает наиболее полезные признаки датчиков. Он оценивает, насколько сильно каждый признак связан с типами отказов, применяя идеи из теории информации, а затем корректирует эти оценки с учётом экспертных знаний о том, как отказы влияют на токи, вибрации и другие сигналы. Например, признак, который часто меняется с скоростью или нагрузкой, но не при отказах, понижается в рейтинге, тогда как признак, связанный с конкретным паттерном отказа, усиливается. Итоговый балл каждого признака сочетает данные, физическую интуицию и опыт из различных режимов работы. Сохраняются лишь признаки с наивысшим рейтингом, что сокращает пространство входных данных и препятствует созданию лишних правил.

Комбинирование пересекающихся подсказок без двойного счёта

Поскольку дерево содержит несколько блоков правил, которые могут опираться на связанные сигналы, их выходы не являются независимыми. Если эту корреляцию игнорировать, стандартный метод слияния может непреднамеренно учесть одно и то же доказательство несколько раз и исказить итоговую диагностику. Чтобы этого избежать, авторы адаптируют фреймворк под названием MAKER, который измеряет, насколько похожи выходы разных блоков, включая тонкие нелинейные связи. Каждому блоку присваивается надёжность на основе его прошлой точности, вес, отражающий его значимость, и мера корреляции, показывающая, какой объём его информации уже присутствует в других местах. Эти факторы совместно используются для корректировки вклада каждого блока в итоговое решение: сильные, но избыточные подсказки приглушаются, а уникальные и надёжные сигналы получают больший вес.

Проверка метода на реальных двигателях

Для проверки подхода исследователи использовали реальную электроприводную систему на базе синхронного двигателя с постоянными магнитами, аналогичную тем, что применяются в высокоскоростном железнодорожном транспорте. Они внедрили четыре типа ошибок в измерения тока: постоянный сдвиг, неверный коэффициент усиления, медленное дрейфующее изменение со временем и случайные прерывистые выбросы, а также учитывали состояние «здоровая система». Из простых временных статистик тока, таких как энергия и характеристики пиков, метод выбрал компактный набор из шести признаков и построил иерархическое дерево правил. На всего 480 образцах данных он достиг точности, сопоставимой или превосходящей ряд современных моделей машинного обучения, при этом используя гораздо меньше правил, чем традиционная база правил уверенности, и сохраняя прослеживаемость каждого шага рассуждения. Древовидная структура также ускорила обучение и реальное инференс-время, что важно для промышленного мониторинга.

Что это значит для безопасности машин

Проще говоря, исследование показывает, что сложные машины можно контролировать с помощью системы правил, которая остаётся управляемой, объясняет свои решения и работает эффективно даже при небольшом числе примеров отказов. Сначала выбирая наиболее информативные сигналы, затем организуя небольшие блоки правил в дерево и объединяя их выходы с учётом корреляций, метод избегает обычного взрыва числа правил и непрозрачности многих моделей обучения. Для операторов поездов, заводов и других критичных к безопасности систем это предлагает путь к инструментам диагностики отказов, которые одновременно точны и понятны, помогая экспертам доверять и корректировать автоматические оповещения, а не принимать их на веру.

Цитирование: 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

Ключевые слова: диагностика отказов, электромеханические системы, база правил уверенности, ошибки датчиков, иерархическое моделирование