面向预测性维护的神经符号人工智能综述与建议

本文系统性地综述了过去五年里在商业建筑、制药设施或半导体制造等工业场景下预测性维护（Predictive Maintenance, PdM）的最新进展。总体而言，基于深度学习等数据驱动方法的准确性优于基于知识的传统系统。然而，这些系统也存在显著局限性。大规模标记数据集的需求、对新环境（超分布外泛化）的泛化性差、以及推理阶段的透明度不足，都是现实环境中 adoption 的障碍。相比之下，基于领域专家知识（如规则、逻辑或首要原理）的传统方法则表现不佳，存在大量假阳性结果，以及需要持续的专家监督和手动调参。尽管近期文献中大多数方法都采用某种数据驱动架构，但也有一些混合系统兼顾领域特定知识。这些混合系统有望在保留各自优势的同时，克服单一方法的弱点。我们进一步提出采用混合方法，融合深度学习与符号逻辑，即神经符号人工智能（Neuro-symbolic AI），以构建更精确、可解释、可解释且鲁棒的系统。我们描述了若干神经符号架构，并在PdM领域内评估其优势与局限。我们特别关注涉及传感器数据和人工构建规则输入的方法，通过具体阐述神经符号架构。简而言之，本综述概述了现代维护的背景，定义了关键概念，建立了通用框架，综述了当前的建模方法与挑战，并引入了对神经符号人工智能（NESY）的关注。