面向工业系统可解释故障检测的多实例Hoeffding Anytime Tree方法

《ADVANCED ENGINEERING INFORMATICS》：A multi-instance Hoeffding Anytime Tree approach for interpretable failure detection in industrial systems

　　

研究人员提出了一种灵活且可解释的故障检测方法，用于弱标签多变量序列。该方法采用多实例学习（Multi-Instance Learning，MIL）与增量决策树相结合，对有序序列包进行处理。通过设计决策规则和故障相关子序列，实现了内在可解释性。在两种公共基准数据集上进行了验证，性能达到与现有最先进方法相竞争的水平。

**论文解读：面向工业系统可解释故障检测的多实例Hoeffding Anytime Tree方法**

**研究背景与问题**
工业4.0与5.0的推进使预测性维护（Predictive Maintenance，PdM）成为关键，但现有方法面临三大挑战：工业传感器数据高维、弱标签（仅序列级标签）且噪声大；故障常表现为渐进退化模式，需捕获时间依赖性；模型需具备可解释性以支持专家决策。传统单实例学习（Single Instance Learning，SIL）方法忽略时序结构，而深度学习方法虽强但计算开销大、可解释性差。多实例学习（Multi-Instance Learning，MIL）可减少标注成本，但现有MIL方法多忽略实例顺序。因此，研究人员提出一种结合MIL与增量决策树的可解释故障检测方法——多实例Hoeffding Anytime Tree（MIHATT），以解决上述问题。

**研究内容与结论**
MIHATT将故障检测任务转化为时间序列MIL问题：每个操作序列表示为有序的滑动窗口包，保留时序局部性；采用Hoeffding Anytime Tree（HATT）作为基学习器，该树能动态生长、修剪旧分支，适应数据分布变化；通过迭代强化过程，逐步聚焦于故障相关子序列。在NASA CMAPSS航空发动机数据集（4个子集）和CWRU轴承数据集（4个子集）上，MIHATT在准确率、Hamming损失、精确率、召回率、F1分数上均优于11种基线方法（包括MIL、SIL+特征提取、深度学习等），平均准确率0.8482，且统计检验显示在多数比较中具有显著优势。方法本身具有设计可解释性：决策树保持原始特征空间，输出规则、阈值与决策路径；MIL机制识别出故障关键时间片段。论文发表在《ADVANCED ENGINEERING INFORMATICS》。

**主要技术方法**
（1）采用多实例表示：将每个操作序列通过滑动窗口（窗口长度ω，步长λ）分割为有序的实例包，保留时序局部性；每个包对应序列级健康标签。
（2）基学习器为HATT：基于Hoeffding界动态决定分裂，并能定期评估旧分裂是否过时，进行子树替换或剪枝，支持增量更新。
（3）迭代强化过程：初始化阶段用所有实例训练HATT；后续每次迭代，对每个包选择k个连续窗口（使累积似然最大化）作为当前概念近似，仅用这些子序列更新模型，直至验证准确率不再提升。
（4）样本队列来源：NASA CMAPSS航空发动机退化数据集（4个子集，含不同工况与故障模式）和CWRU轴承振动数据集（4个子集，按故障位置与严重程度划分）。

**研究结果**
（1）**参数研究**：通过对MIL参数（ω、λ、k）和基学习器参数（κ、δ）的网格搜索，发现短窗口（约序列长度10%-30%）、小k值（如2）、中等重叠（约10%）及适中的κ（约6.7%）和δ（约0.0025）可获得最佳平均准确率。
（2）**设计选择分析**：对比SIL vs. MIL、标准Hoeffding树 vs. HATT、增量学习 vs. 特征提取，结果显示：MIL带来约30%平均提升；HATT带来约25%提升；增量学习带来约10%提升。这表明时序局部性建模、自适应分裂修订及直接处理原始窗口均有益。
（3）**与现有方法对比**：在8个数据集上，MIHATT平均准确率0.8482，高于第二名siRFfe的0.7878和miHT的0.6029；在CMAPSS（渐进退化）上优势更明显（如FD001准确率0.75 vs. 次优0.67）；在CWRU（平稳故障）上接近100%。Wilcoxon符号秩检验表明，MIHATT在8/11方法中具有统计显著优势（p<0.05）。
（4）**可解释性分析**：以FD003为例，决策树显示传感器9>1.3是严重故障的关键分裂；传感器9≤1.3且传感器10≤47.47且传感器13≤8147.92则判定为正常。同时，MIL选择的高似然子序列对应传感器9的拐点，指示退化开始时刻。

**讨论与结论**
讨论部分指出：MIHATT并非严格在线流式方法，而是离线批处理+迭代强化，计算开销可控；其假设故障相关概念可由k个连续窗口近似，这适用于大多数渐进退化场景，但对间歇性或分布式故障模式可能受限，未来可扩展为非连续表示。此外，可解释性未经过领域专家验证，需后续实际工业评估。
结论部分翻译：本研究提出了MIHATT，一种用于预测性维护中故障检测的可解释且领域专用机器学习模型。通过结合增量决策树与多实例学习框架，MIHATT应对了工业操作序列中的关键挑战，包括噪声数据、弱标签和可解释预测需求。基于之前的工作（MIHT），MIHATT通过一系列面向预测性维护的领域驱动调整扩展了该框架，包括时间局部性约束以及用HATT替换标准Hoeffding树以支持迭代强化过程中的自适应决策规则修订。首先，所提出的面向故障的多实例公式将每个操作序列建模为有序的重叠时间窗口集合，从而能够从变长操作序列中学习，同时聚焦于表征许多工业故障的局部退化模式。其次，MIL与HATT的集成使模型能够迭代优化所选故障相关子序列和相应的决策边界，形成一个适应噪声工业数据的自适应学习框架。第三，可解释性嵌入模型设计：最小预处理保留原始特征空间，使决策树能揭示每个预测背后的变量、阈值和决策路径，而MIL表示则识别出与预测故障最相关的时间子序列。这些贡献共同定义了一个面向应用且可解释的工业预测性维护MIL框架，而非对底层增量决策树的理论扩展。在CMAPSS和CWRU基准数据集上的实验表明，MIL公式、HATT使用和增量学习方案均带来可测量的性能提升，MIHATT在多个场景中达到接近100%的准确率，且可解释性分析提供了定性信息。未来工作包括探索多标签学习、放宽时间局部性假设以及研究自适应参数选择策略。