摘要
故障诊断对于工业设备的安全可靠运行至关重要。深度学习模型具有强大的故障识别能力，但透明度有限；而 belief rule bases（BRB，信念规则库）能够提供显式推理，但在表示复杂故障关系和具有语义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，并未显式地对齐中间语义状态和诊断路径。此外，常规分类指标无法直接评估层级推理的一致性。为解决上述问题，本文提出了一种层次语义知识蒸馏的信念规则库（HSD-BRB）。专家引导的语义建模为中间状态赋予显式含义，同时输出级、状态级和路径级知识蒸馏将教师模型的知识迁移到 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，而一致性评估机制则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，平均准确率分别达到 95.76% 和 96.81%，宏平均 F1 分数分别达到 0.9575 和 0.9680。在齿轮箱小样本设置下，BRB 仅使用 90 个标注样本进行优化，而教师模型使用全部 890 个样本的训练集。结果表明，状态级和路径级一致性均有提升，同时具备可追溯的语义状态、规则激活和最终故障信念。总体而言，HSD-BRB 提供了一种可解释的框架，将神经网络知识迁移到基于层次规则的故障诊断中。
