一种罕见事件的神经符号解释器：关于预测性维护的一个案例研究

预测性维护应用程序日益复杂，涉及许多组件之间的相互作用。基于深度学习技术的黑箱模型因其预测准确性而受到欢迎。本文提出一种神经符号架构，该架构使用在线规则学习算法来解释黑箱模型预测故障时的情况。该提议系统平行解决两个问题：异常检测和异常的解释。对于第一个问题，我们使用一种最先进的无监督自编码器。对于第二个问题，我们训练一个规则学习系统，该系统学习从输入特征到自编码器重构误差之间的映射。两种系统都在线运行并行工作。自编码器对重构误差超过阈值的示例发出警报。警报的原因对于人类来说难以理解，因为它们是来自非线性传感器数据的组合结果。触发该示例的规则描述了输入特征与自编码器重构误差之间的关系。该规则通过指示哪些传感器有助于警报以及允许识别警报所涉及的组件来解释故障信号。该系统可以为黑箱模型提供全局解释，并解释黑箱模型预测故障的局部原因。我们在 Metro do Porto 的真实案例研究中评估了所提出的系统，并提供了说明其益处的解释。