用于工业系统不确定性感知诊断的概率机器学习
机器学习
2025-09-24 v1
摘要
深度神经网络在故障诊断中的应用日益广泛,其利用历史数据捕捉系统行为,从而无需高保真物理模型。然而,尽管这些模型在预测任务中表现出色,但往往难以评估其置信度。这一问题在基于一致性的诊断中尤为关键,因为决策逻辑对误报高度敏感。为应对这一挑战,本工作提出了一种诊断框架,该框架使用集成概率机器学习,通过量化和自动化预测不确定性,来改进基于数据驱动一致性的诊断特性。所提出的方法在多个案例研究中通过消融分析和对比分析进行了评估,结果显示在一系列诊断指标上均有一致的提升。
引用
@article{arxiv.2509.18810,
title = {Probabilistic Machine Learning for Uncertainty-Aware Diagnosis of Industrial Systems},
author = {Arman Mohammadi and Mattias Krysander and Daniel Jung and Erik Frisk},
journal= {arXiv preprint arXiv:2509.18810},
year = {2025}
}