基于物理原理的残差学习与SHAP解释方法,用于实现可解释的机器人故障诊断

《JOURNAL OF INTELLIGENT MANUFACTURING》:Physics-guided residual learning and SHAP attribution for explainable robotic fault diagnosis

【字体: 大 中 小 】 时间:2026年04月14日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.4

编辑推荐:

  机器人系统故障诊断中,针对非保守动力学带来的非线性、语境依赖性问题,提出基于物理信息神经网络与SHAP可解释性分析的方法。通过DeLaN模型捕捉保守动力学,残差信号表征非保守效应,结合SHAP值构建高维特征映射,训练分类器实现透明化故障检测。实验证明该方法在工业机器人数据集上分类性能优异,有效解决黑箱模型与物理可解释性之间的鸿沟。

  

摘要

在现代制造环境中,机器人系统中准确且可解释的故障诊断对于确保运行安全和效率至关重要。然而,由于非保守动力学的非线性和依赖环境的特性,检测由非保守动力学引起的异常仍然具有挑战性——尤其是在工业环境中遇到的情况。所提出的框架支持对工业机器人关节的早期故障识别,例如异常摩擦、齿轮磨损和减速器中的反向间隙。这使得制造线的维护计划得到改进,停机时间减少。本文介绍了一种基于物理知识的故障诊断框架,该框架利用可解释的神经归因技术来揭示和分类这些复杂行为。我们首先使用深度拉格朗日网络(DeLaN)根据物理原理对机器人的保守动力学进行建模。DeLaN预测的扭矩与实际测量扭矩之间的差异被视为捕获非保守力的残差信号。然后训练一个单独的多层感知器来明确表示这种残差,即非保守效应。为了解释学习到的表示,我们应用Shapley加性解释(SHAP)来估计每个输入特征对每个隐藏神经元的贡献。这些SHAP值形成了一个高维特征图,反映了非保守行为如何影响内部网络的激活。通过在这些SHAP profile上训练分类器,我们实现了准确的故障检测,同时保持了决策的透明度。在工业机器人数据集上的实验结果表明了高分类性能,并提供了对故障神经编码的可解释性见解。这种方法为故障诊断提供了一种可扩展且基于物理的方法,克服了机器人应用中黑盒神经模型与可解释的、具有物理意识的决策系统之间的分离。

在现代制造环境中,机器人系统中准确且可解释的故障诊断对于确保运行安全和效率至关重要。然而,由于非保守动力学的非线性和依赖环境的特性,检测由非保守动力学引起的异常仍然具有挑战性——尤其是在工业环境中遇到的情况。所提出的框架支持对工业机器人关节的早期故障识别,例如异常摩擦、齿轮磨损和减速器中的反向间隙。这使得制造线的维护计划得到改进,停机时间减少。本文介绍了一种基于物理知识的故障诊断框架,该框架利用可解释的神经归因技术来揭示和分类这些复杂行为。我们首先使用深度拉格朗日网络(DeLaN)根据物理原理对机器人的保守动力学进行建模。DeLaN预测的扭矩与实际测量扭矩之间的差异被视为捕获非保守力的残差信号。然后训练一个单独的多层感知器来明确表示这种残差,即非保守效应。为了解释学习到的表示,我们应用Shapley加性解释(SHAP)来估计每个输入特征对每个隐藏神经元的贡献。这些SHAP值形成了一个高维特征图,反映了非保守行为如何影响内部网络的激活。通过在这些SHAP profile上训练分类器,我们实现了准确的故障检测,同时保持了决策的透明度。在工业机器人数据集上的实验结果表明了高分类性能,并提供了对故障神经编码的可解释性见解。这种方法为故障诊断提供了一种可扩展且基于物理的方法,克服了机器人应用中黑盒神经模型与可解释的、具有物理意识的决策系统之间的分离。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号