基于过程探矿驱动的建模与仿真以提升网络-物理系统中的故障诊断
机器学习
2025-12-16 v2 人工智能
摘要
网络-物理系统 (CPS) 在生产环境中紧密地将数字与物理操作相互连接，实现对制造过程和生产力的实时监控、控制、优化和自主决策，从而直接提升制造流程和生产力。这些系统的内在复杂性可能导致故障，需进行稳健且可解释的诊断以维持系统的可靠性和运行效率。然而，手动建模故障行为需要大量的领域专业知识，无法利用 CPS 的低层传感器数据。此外，尽管深度学习方法功能强大，但其产生的诊断结果具有黑箱特性，缺乏可解释性，限制了其实际应用。为此，我们提出了一种方法，对系统状态和状态转换进行无监督特征化，利用多种过程探矿技术通过可解释的随机 Petri 网来建模故障，通过仿真 Petri 网来全面理解故障条件下的系统行为，并进行基于 Petri 网的故障诊断。该方法应用于机器人臂数据集 (RoAD)，该数据集来自部署在规模化复制的智能制造装配线上的机器人臂。RoAD 的应用表明，该方法在 CPS 中建模、仿真和分类故障行为方面具有有效性。建模结果表明，我们的方法在可解释性与仿真精度之间实现了满意的权衡，分别达到 0.676 弧度简洁性、0.395 R^2 和 0.088 RMSE。此外，故障识别结果显示，该方法在保持 0.020 秒低 conformance 检查时间的同时，将 F1 分数提升至最高可达 98.925%，与其他深度学习方法相抗衡。
引用
@article{arxiv.2506.21502,
title = {Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems},
author = {Francesco Vitale and Nicola Dall'Ora and Sebastiano Gaiardelli and Enrico Fraccaroli and Nicola Mazzocca and Franco Fummi},
journal= {arXiv preprint arXiv:2506.21502},
year = {2025}
}