一种带有自定义多标签损失的新型多任务多视图方法用于复杂工业设备故障检测

《ADVANCED ENGINEERING INFORMATICS》：A novel multi-task multi-view approach with custom multi-label loss for fault detection in complex industrial apparatus

　　

机器学习（ML）在工业4.0中扮演关键角色，通过分析海量日志数据实现预测性故障检测（FD）。然而，当前的ML方法常依赖单任务学习，忽视了日志数据的多样性和相互关联故障的预测。此外，多视图学习（MVL）和多任务学习（MTL）通常被分开应用，未能跨任务和视图进行联合学习。为弥补这些不足，研究人员提出了一种新方法，该方法利用多任务和多视图学习框架，并辅以多标签交叉熵损失（MTMVL-CE）。MTMVL-CE提升了不同故障类型之间及内部的泛化性能，实现了复杂工业机器中多重故障的分类。实际上，MTMVL-CE通过同时学习大量故障来优化分类性能，实现了异质日志数据的精确表示、稳健的故障分类以及随时间可行的泛化。研究人员通过在自动柜员机内复杂纸币循环器设备的实际FD用例上进行广泛实验来测试该方法。结果表明，MTMVL-CE在捕捉故障相互依赖性和提供准确可靠预测方面，相较于MTL和MVL的对比方法展现出优越性能。

以下是根据论文主体内容撰写的论文解读文章，字数约1500字：

**研究背景与问题**

在工业4.0时代，物联网（IoT）、大数据分析和人工智能（AI）等技术促进了智能制造环境的构建，其中故障检测（FD）对于确保机器连续可靠运行至关重要。然而，当前工业环境中常无法直接获取实时传感器数据，仅能依赖机器生成的日志数据。现有机器学习（ML）方法多采用单任务学习，忽略了日志数据来源的异质性以及多重故障之间的相互依赖关系。同时，多视图学习（MVL）和多任务学习（MTL）通常被孤立使用，未能实现跨任务和跨视图的联合学习。这些不足限制了故障检测的准确性和泛化能力，尤其在如自动柜员机（ATM）中纸币循环器等复杂工业设备中，故障类型多样且常同时发生，维修困难且成本高昂。为此，研究人员提出了一种创新方法——MTMVL-CE，旨在通过联合多视图与多任务学习框架，并引入自定义多标签损失函数，提升复杂工业设备中多重故障分类的性能。该项研究发表在《ADVANCED ENGINEERING INFORMATICS》。

**研究内容与结论**

研究人员开展了基于真实ATM日志数据的故障检测研究，数据来源于3000台ATM在2023年1月至2024年6月期间的7400条观测记录，涵盖六种故障区域（CASSETTE、CT、NE、NF、NV、SHUTTER）。通过提出MTMVL-CE框架，将多视图数据（设备区域与拒绝率视图、组件相关与辅助信息视图）联合处理，并利用自定义多标签交叉熵损失（LCEML）优化任务内与任务间的分类性能，同时采用基于任务相关性矩阵的模型正则化。实验采用时间留出法验证，与多种基线（如XGBoost、逻辑回归LR、单视图多标签DNN（ML-DNN）、多视图多标签DNN（MLMV-DNN）以及混合集成方法HEA-MV）进行比较。结果表明，MTMVL-CE在子集准确度（SA）等指标上显著优于所有对比方法，统计检验（Wilcoxon符号秩检验和Friedman检验，p<0.01）证实了其优越性。消融研究进一步表明，移除多标签CE损失或多视图组件均会导致性能下降，验证了二者的关键作用。该框架在时间泛化上表现稳健，且计算效率满足实时部署需求。研究还讨论了将MTMVL-CE集成到决策支持系统（DSS）中，以增强人机协作，推动从工业4.0向工业5.0的转型。

**关键的技术方法（不超过250字）**

研究人员主要采用了以下关键技术方法：
1. **多视图特征融合**：通过共享层分别处理两个视图（设备区域/拒绝率视图和组件/辅助信息视图）的特征，经线性变换（ReLU激活）后拼接为联合表示H′。
2. **多任务学习架构**：将联合表示输入任务特定层（线性层+Softmax），同时预测六个故障任务。
3. **自定义多标签交叉熵损失组合**：总损失L = α∑_t=1^TL_CEt + (1-α)∑_j=1^NL_CEMLj，其中L_CEt为任务内标准交叉熵（含类权重处理不平衡），L_CEMLj为跨任务多标签交叉熵。
4. **任务相关性正则化**：基于训练集故障事件的皮尔逊相关系数矩阵ρ构建正则化项Ω(W)=β₀‖WR‖²_F+β₁‖W‖²_F，R矩阵编码任务间相关性结构。
5. **时间留出验证与超参数网格搜索**：以2023年12月为验证集，优化子集准确度（SA）调整学习率、批次大小、α、β₀、β₁等。

**研究结果**

**实验比较（Experimental comparisons）**：通过每月独立测试和累积测试，MTMVL-CE在大部分测试月份（除4月外）均获得最高子集准确度（SA），且在宏平衡准确度（macro-BA）和微平衡准确度（micro-BA）上表现稳健。非参数统计检验（Wilcoxon和Friedman，p<0.01）证实MTMVL-CE的SA显著高于MLMV-DNN、ML-DNN、HEA-MV、XGBoost和LR。平均排名显示MTMVL-CE排名第一（1.18），远低于其他方法。

**消融研究（Ablation study）**：移除多标签CE损失（-ML-CE LOSS）或移除多视图组件（-MV）均导致所有指标显著下降。例如，在1月测试中，完整MTMVL-CE的SA为0.601，而-ML-CE LOSS仅为0.526，-MV为0.577。统计检验（Wilcoxon和Friedman，p<0.01）确认完整模型性能最优。以CASSETTE和CT故障为例，尽管两者相关性弱，移除多标签损失后CASSETTE平衡准确度从0.742降至0.715，表明跨任务梯度聚合有助于学习高判别性特征。

**时间复杂度分析（Analysis on time complexity）**：MTMVL-CE的时间复杂度主要来自MVL（O(N·∑_v=1^VD_v·D′)）和MTL（L_CE为O(N²·T)，L_CEML为O(N·T²)）。计算复杂度随样本和任务数线性或二次增长。

**计算时间（Computation time）**：尽管ML-DNN和MLMV-DNN计算时间略短，但MTMVL-CE的每个epoch持续时间始终低于1秒，推理延迟极低（毫秒级），满足实时要求，且支持增量学习以保持计算成本恒定。

**敏感度分析（Sensitivity analysis）**：在1月测试集上，当α∈[0.4,0.6]且β₀≤10^-3时，子集准确度最高。表明适度的结构共享（低β₀）有利，且两种损失（L_CE和L_CEML）的有效权衡有助于跨标签泛化。

**以人为中心的决策支持系统（Human-centric decision support system）**：MTMVL-CE可集成到决策支持系统（DSS）中，通过捕捉故障依赖性和整合异质日志数据，为技术人员提供精确诊断，减少决策不确定性，支持实时故障检测而无额外硬件负担，促进人类-机器协作，实现从工业4.0到工业5.0的转变。

**总结讨论部分**：讨论部分强调MTMVL-CE通过联合多视图和多任务学习以及自定义损失，克服了现有方法忽视数据异质性和故障相关性的局限。其泛化性和计算效率使其适用于各类工业场景，尤其适合仅依赖日志数据的环境。将MTMVL-CE嵌入DSS可提升诊断精度，降低培训成本，加速维护行动，支持可持续维护实践。同时指出，未来可集成特征级和视图级可解释性机制，以量化不同日志源的贡献。

**研究结论部分翻译**：
本文提出了MTMVL-CE，一个统一的故障检测框架，它联合利用多任务学习和多视图学习，并辅以自定义多标签交叉熵损失。在7400个真实ATM日志观测上的实验结果表明，MTMVL-CE在时间留出验证中显著优于最先进的对比方法，获得了更高的子集准确度。统计检验（Friedman和Wilcoxon，p<0.01）证实了该方法的稳健性，特别是相较于标准基线在时间泛化方面的能力。消融研究进一步验证了多视图融合和复合损失函数对于捕捉不同故障类型间结构依赖性的必要性。一个有趣的未来研究方向是集成特征级和视图级可解释性机制，以量化不同日志源的贡献，从而增强决策支持系统中的以人为中心的决策。尽管结果令人鼓舞，但研究人员承认某些局限性。首先，当前实现采用线性共享层以确保泛化，这受限于可用数据集规模较小和特定故障类别稀少；这可能会限制模型学习复杂非线性特征表示的能力。其次，该框架目前仅基于日志数据，未利用实时物理传感器数据（如振动信号），而后者可能在其他场景中进一步增强诊断粒度。未来工作将集中于将方法扩展到更大数据集以探索更复杂架构，并扩展多视图框架以融合异质传感器进行实时监测。此外，未来可探索在MTMVL-CE框架内集成不平衡感知的单标签损失（如Focal Loss），以在严重类别不平衡下进一步提升稳健性。