Hierarkisk trädstrukturerad belief rule-baserad metod för feldiagnostik i komplexa elektromekaniska system

Smartare säkerhetskontroller för maskiner

Moderna tåg, fabriker och flygplan är beroende av komplexa elektromekaniska system fyllda med sensorer och styrkretsar. När ett dolt fel slinker igenom kan konsekvenserna bli kostsamma eller rentav farliga. Denna artikel presenterar ett nytt sätt att upptäcka sådana problem tidigt, genom ett lagerdelat resonemangssystem som blandar ingenjörsmässig expertkunskap med maskindata, samtidigt som logiken hålls tillräckligt transparent för att experter ska kunna förstå och lita på den.

Varför dolda fel är svåra att upptäcka

Stora maskiner, till exempel permanentmagnetmotorer i höghastighetståg, är byggda för att vara mycket pålitliga. Verkliga fel är sällsynta, så det finns få felaktiga exempel att träna vanliga maskininlärningsmodeller på. Samtidigt är signalerna från dessa system rika och sammanflätade: många sensorer, många driftförhållanden och fel som kan vara stabila, långsamt växande eller plötsliga och slumpmässiga. Traditionella fysikbaserade modeller kan vara för svåra att detaljkonstruera, och rena datadrivna modeller kan fungera som svarta lådor som ger precisa svar utan att förklara sitt resonemang. Befintliga regelbaserade system som försöker blanda expertregler med data stöter ofta på ett annat problem: när antalet sensorfunktioner ökar exploderar antalet möjliga regler, vilket gör tillvägagångssättet för otympligt i praktiken.

Ett lagerat träd av människovänliga regler

Författarna angriper denna regelexplosion direkt genom att omforma hur reglerna organiseras. Istället för en enorm, platt regeltabell som försöker alla kombinationer av funktioner bygger de ett träd av mindre regelblock. Varje litet block ser bara på ett fåtal noga utvalda funktioner och ger en tro (belief) om vilket felstatus maskinen befinner sig i. Dessa block är ordnade i en hierarki, så att högre nivåer hanterar de mest informativa funktionerna medan lägre nivåer förfinar beslutet med ytterligare detaljer. En evolutionär sökprocess utforskar automatiskt många möjliga trädlayouter och behåller de som balanserar noggrannhet med enkelhet, så att ingenjörer inte behöver konstruera hela strukturen manuellt.

Att välja rätt signaler att bevaka

Redan innan trädet byggs arbetar metoden för att välja de mest användbara sensorfunktionerna. Den mäter hur starkt varje funktion relaterar till feltyper med idéer från informationsteori och justerar sedan dessa poäng med expertkunskap om hur fel faktiskt påverkar strömmar, vibrationer och andra signaler. Till exempel nedprioriteras en funktion som ofta varierar med hastighet eller belastning men inte med fel, medan en funktion som är känd för att följa ett specifikt felmönster stärks. Slutpoängen för varje funktion blandar bevis från data, fysisk insikt och tidigare erfarenheter över olika driftförhållanden. Endast de högst rankade funktionerna behålls, vilket reducerar indatautrymmet och hindrar onödiga regler från att skapas från början.

Kombinera överlappande ledtrådar utan dubbelräkning

Eftersom trädet innehåller flera regelblock som kan förlita sig på besläktade signaler är deras utgångar inte oberoende. Om denna överlappning ignoreras kan en standardfusionsmetod av misstag räkna samma bevis flera gånger och förvränga den slutliga diagnosen. För att undvika detta anpassar författarna ett ramverk kallat MAKER, som mäter hur lika utgångarna från olika block är, inklusive subtila icke-linjära kopplingar. Varje block tilldelas en tillförlitlighet baserat på dess tidigare noggrannhet, en vikt som speglar dess betydelse och ett korrelationsmått som återspeglar hur mycket av dess information som redan finns på annat håll. Dessa faktorer används tillsammans för att justera hur mycket varje block påverkar det slutliga beslutet, så att starka men redundanta ledtrådar tonas ned medan unika, tillförlitliga ledtrådar får större tyngd.

Metoden testas på riktiga motorer

För att testa sitt tillvägagångssätt använde forskarna ett verkligt elektriskt drivsystem byggt kring en permanentmagnet-synkronmotor, liknande de som används i höghastighetståg. De injicerade fyra typer av sensorsfel i strömmätningarna: konstant offset, felaktig vinst, långsam drift över tid och slumpmässiga intermittenta toppar, tillsammans med ett friskt tillstånd. Från enkla tidsbaserade statistiska mått av strömmen, såsom energi- och topprelaterade mått, valde metoden en kompakt uppsättning av sex funktioner och byggde ett hierarkiskt regelträd. Med bara 480 datapunkter matchade eller överträffade den noggrannheten hos flera avancerade maskininlärningsmodeller, samtidigt som den använde betydligt färre regler än ett traditionellt belief rule-system och höll varje steg i resonemanget spårbart. Trädstrukturen gjorde också träning och inferens i realtid snabbare, en viktig faktor för industriell övervakning.

Vad detta innebär för säkrare maskiner

Enkelt uttryckt visar studien att komplexa maskiner kan övervakas med ett regelsystem som förblir hanterbart, förklarar sina val och fungerar väl även när det finns få fel-exempel. Genom att först välja de mest informativa signalerna, sedan organisera små regelblock i ett träd och fusera deras utgångar med korrelationsmedvetenhet undviker metoden den vanliga explosionen i antal regler och opaciteten hos många inlärningsmodeller. För operatörer av tåg, fabriker och andra säkerhetskritiska system erbjuder detta en väg mot feldiagnostikverktyg som är både precisa och begripliga, vilket hjälper mänskliga experter att lita på och förfina automatiska larm istället för att acceptera dem blint.

Citering: 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

Nyckelord: feldiagnostik, elektromekaniska system, belief rule base, sensorsfel, hierarkisk modellering