面向安全关键应用的可信故障诊断不确定性感知框架
机器学习
2021-11-02 v1
摘要
随着自主系统的快速发展,基于深度学习的预测与健康管理(PHM)用于构建端到端维护决策支持系统日益受到关注。然而,当处理来自与训练数据集分布不同的未知分布(称为分布外(OOD)数据集)数据时,PHM 的低可信度阻碍其在安全关键资产中的应用。为弥补这一差距,我们提出一种不确定性感知框架,在诊断故障的同时检测 OOD 数据集,从而实现学习未知数据的能力并取得可信故障诊断。特别地,我们开发了概率贝叶斯卷积神经网络(CNN)来量化故障诊断中的认知不确定性与偶然不确定性。该故障诊断模型对具有较大预测不确定性的 OOD 数据集进行标记以交由专家干预,并对处于可容忍不确定性内的数据自信地给出预测。这实现了可信故障诊断并降低错误决策的风险,从而潜在避免不良后果。所提框架通过轴承故障诊断进行验证,涉及分别由随机数生成、未知故障模式及四种常见传感器故障导致的三个 OOD 数据集。结果表明,该框架在处理未知量与增强安全关键应用中故障诊断可信度方面具有特殊优势。
引用
@article{arxiv.2111.00874,
title = {An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in Safety-Critical Applications},
author = {Taotao Zhou and Enrique Lopez Droguett and Ali Mosleh and Felix T. S. Chan},
journal= {arXiv preprint arXiv:2111.00874},
year = {2021}
}
备注
49 pages