摘要
故障诊断对于工业设备的安全可靠运行至关重要。深度学习模型提供了强大的故障识别能力，但透明度有限；而可信规则基（BRBs）能够提供明确的推理过程，但在表示复杂故障关系和有意义的中间状态方面面临挑战。现有的知识蒸馏方法主要关注最终输出，未能显式对齐中间语义状态和诊断路径。此外，传统的分类指标无法直接评估层次推理的一致性。为解决这些问题，本文提出了一种层次语义知识蒸馏可信规则基（HSD-BRB）。通过专家引导的语义建模，为中间状态分配明确的含义，同时通过输出级、状态级和路径级的知识蒸馏，将教师知识转移到BRB的相应层级。专家偏差约束进一步保留了初始化的规则知识，而一致性评估机制量化了状态级和路径级的对齐程度。在东南大学轴承和齿轮箱数据集上的实验表明，该方法的平均准确率分别为95.76%和96.81%，Macro-F1分数分别为0.9575和0.9680。在齿轮箱小样本设置中，BRB使用90个标注样本进行优化，而教师模型使用全部890个样本的训练分区。结果表明，该方法在提高状态级和路径级一致性的同时，提供了可追溯的语义状态、规则激活和最终故障信念。总体而言，HSD-BRB为将神经网络知识转移到层次化的规则故障诊断中提供了一种可解释的框架。
