燃气轮机、直升机和核电站发电机等先进工程设备在高性能工作的前提下，其安全、时间和成本都至关重要。当这些设备发生故障并造成重大事故时，将会造成巨大的经济损失和人员伤亡。因此，有必要开发预后和健康管理(PHM)技术诊断设备可能出现的故障。随着传感器网络和计算系统的广泛应用，制造业全面迎来了大数据革命。深度学习由于具有强大的表征能力，能够从海量数据中自动提取特征，在智能故障诊断领域得到了广泛的应用。

    虽然基于深度学习的智能故障诊断表现出了先进的性能，然而，由于缺乏可解释性，深度学习模型往往无法真正被信任，这限制了深度学习模型在安全关键应用中的进一步部署。因此，可信赖的故障诊断需要具备准确诊断大多数情况下故障的能力，当模型失败时，专家介入处理模型给出的不可信赖的预测，同时结合人工干预和深度学习进行决策。深度学习中的不确定性是解决深度学习模型信任问题的一种有前景的方法，可以帮助诊断模型识别其自身的知识边界。理想的可信赖故障诊断模型不仅应该实现高精度预测，还应该评估结果的不确定性，以反映对预测结果的置信度。

02成果介绍

    西安交通大学严如强教授与陈雪峰教授联合英国皇家工程院院士布鲁内尔大学Nandi教授联合提出了一个统一的不确定性感知的深度学习框架(UU-DLF)，利用一种简化的方法来量化确定性网络中的任意不确定性和认知不确定性以实现可信赖故障诊断的宏伟愿景。该框架有效地体现了“人在循环”的思想，不仅可以对诊断模型的异常情况进行人工干预，还可以基于可追溯性分析对现有模型进行相应的改进。研究成果发表于IEEE/CAA Journal of Automatica Sinica 2024年第11卷第6期：J. Ren, J. Wen, Z. Zhao, R. Yan, X. Chen, and  A. Nandi,  “Uncertainty-aware deep learning: A promising tool for trustworthy fault diagnosis,” IEEE/CAA J. Autom. Sinica, vol. 11, no. 6, pp. 1317–1330, Jun. 2024. doi: 10.1109/JAS.2024.124290 

    该方法的整体框架如图1所示，首先提出了一种量化确定性网络中任意不确定性和认知不确定性的简化方法。为了直接捕捉任意不确定性，将网络输出分布建模为多元高斯分布，该模型与各种认知不确定性表示方法兼容，有效降低了量化任意不确定性和认知不确定性的计算复杂度。然后基于任意不确定性和认知不确定性建立了一个统一的可靠故障诊断框架，该框架易于与现有模型兼容。它有助于从不确定性分解的角度实现模型故障预警和模型改进，可对模型未知的分布外（Out-of-distribution,OOD）样本进行检测，从而使深度学习模型更易获得用户信任。

图1  总体框架

    该方法在开源齿轮箱故障数据和航空发动机滑油附件控制系统锥齿轮故障数据上进行了验证，该框架分别于Monto Carlo-dropout, Deep Ensembling, Bootstrapping结合得到SAEU-MCD,SAEU-DE,SAEU-BS，贝叶斯神经网络BNN作为基线方法，我们的方法的最佳诊断精度、分布外样本检测精度和误警率分别达到95.10%、100.00%和9.92%。

表1  航空发动机锥齿轮故障数据集的分布外检测结果

    采用t-SNE来实现可视化，引入了不确定性作为背景，图2比较了BNN和我们提出的SAEU-BS。BNN提供的不确定性范围为0到0.02，这可能与训练集混淆。然而，SAEU-BS给出的不确定度在0到0.24之间。训练集和测试集之间的这种显著差异可以导致更好的分布外检测。

    不确定性分解图如图3所示。测试集中不确定性的联合分布位于训练集中不确定度分布的右上角，任意不确定性和模型不确定性都较大，模型给出“分布外&噪声大”的预警，提醒专家介入干预。该方法在区分分布内和分布外数据方面都优于基线方法BNN，为更好的OOD检测性能奠定了基础。

图3  噪声混合测试数据集的不确定度分解图。(a)BNN；(b) SAEU-MCD；(c) SAEU-DE；(d)SAEU-BS

03作者及团队

任佳信，西安交通大学博士研究生。研究领域包括可信赖深度学习、迁移学习和故障诊断。

文靖程，西安交通大学博士研究生。主要研究方向包括机器智能健康监测与剩余使用寿命预测。

赵志斌，西安交通大学机械工程学院助理教授，2020年博士毕业于西安交通大学，曾于2019年至2020年在曼彻斯特大学担任访问博士生，从事医疗人工智能研究。目前研究方向为稀疏信号处理和机器健康监测和医疗保健的机器学习算法。

严如强，IEEE Fellow，西安交通大学机械工程学院教授，2007年博士毕业于马萨诸塞大学，曾于2006年至2008年担任美国国家标准与技术研究所（NIST）的客座研究员，并于2009年至2018年任职于东南大学仪器科学与工程学院教授。研究兴趣包括数据分析、人工智能以及节能型传感器网络在大规模、复杂、动态系统状态监测和健康诊断中的应用。曾任IEEE Transactions on Instrumentation and Measurement主编。

陈雪峰，西安交通大学机械工程学院教授，2004年博士毕业于西安交通大学，担任中国机械工程学会故障诊断分会执行理事。分别于2007年获得国家优秀博士论文奖、2008年获得教育部一等技术发明奖、2009年获得第二届全国技术发明奖、2013年获得首个省级教学成果奖、2015年获得教育部一等技术发明奖，并于2013年获得中国青年科技奖。此外，还于2015年作为首席科学家主持了中国国家973重点研究计划。

Asoke K. Nandi，IEEE Fellow，于剑桥大学获得物理学博士学位。曾在多所大学担任教职，包括牛津大学、伦敦帝国学院、斯特拉斯克莱德大学、利物浦大学以及芬兰杰出教授职位，2013年加入伦敦布鲁内尔大学。1983年，Nandi教授与他的团队合作者共同发现了W+、W-和Z0三种基本粒子，为电磁力和弱相互作用的统一提供了证据。因其决定性贡献，1984年诺贝尔物理学奖授予了他的两位团队领导人。目前的研究兴趣集中在信号处理和机器学习领域，应用于机器健康监测、功能性磁共振数据、基因表达数据、通信和生物医学数据。

感谢本文作者提供以上简介