基于视觉Transformer的无监督磁控断路器故障诊断框架：一种融合可解释AI的透明化解决方案

本文提出了一种创新的无监督故障诊断框架，通过融合视觉Transformer（ViT）自编码器、HDBSCAN聚类和可解释人工智能（XAI）技术，解决了磁控断路器故障诊断中标记数据稀缺和模型决策不透明的核心挑战。该框架利用声振信号混合特征梅尔频谱图，实现了100%准确率的故障检测与诊断，为工业智能诊断提供了高透明度、强鲁棒性的解决方案。

　　

亮点

• •
  1. 1.
     基于ViT的自编码器通过仅学习正常状态数据分布，并利用重构误差进行异常识别，实现了无需标记故障样本的100%故障检测准确率。
• •
  1. 2.
     该框架在ViT编码器提取的潜在特征和注意力分数上进行HDBSCAN聚类，生成伪标签，实现了对多样化故障状态的自动化无监督故障聚类。
• •
  1. 3.
     融合注意力归因和集成梯度方法，该框架生成热图归因图以可视化关键时频区域，结合专家知识，将伪标签映射至实际故障类型，显著提升了诊断透明度。

结论

本研究提出了一种用于磁控断路器的无监督故障诊断框架，解决了标记数据依赖性和模型不透明性的挑战。通过集成ViT自编码器、HDBSCAN聚类和可解释AI技术，实现了具有增强透明度的鲁棒故障检测、聚类和诊断。主要结论总结如下：

• •
  1. 1.
     结果表明，仅基于正常状态梅尔频谱图训练的ViT自编码器能够有效检测故障。