基于物理原理且考虑成本成本的故障分类方法及其在预测性维护中的可解释性比较：SHAP与LIME方法的一致性分析

《Scientific Reports》：Physics-informed, cost-aware fault classification with comparative explainability for predictive maintenance: a SHAP–LIME agreement analysis

　　

摘要

预测性维护是工业4.0的核心能力，但目前大多数基于广泛使用的AI4I 2020基准数据的机器学习研究都依赖于原始传感器数据，将所有分类错误视为同等严重，并在未验证其一致性的情况下使用可解释性工具。本研究在AI4I 2020数据集上开发并评估了一种多类别、考虑成本因素的故障分类框架，该框架包含三个组成部分：（i）从已有的故障方程中提取的五个基于物理原理的特征（机械功率、过应变指数、温度差、温度与速度的交互效应以及磨损扭矩比）；（ii）一种用于说明故障严重程度的成本矩阵，既可作为类别权重分配依据，也可作为性能评估指标；（iii）通过斯皮尔曼等级相关系数对SHAP和LIME特征排序结果进行定量一致性分析。研究使用了四种分类器（逻辑回归、支持向量机、随机森林和XGBoost），在经过标准化处理且采用SMOTE技术平衡数据量的训练集上进行训练，并通过一种防止数据泄漏的交叉验证方法进行评估，其中标准化和过采样操作在每个验证组内分别进行。结果显示，随机森林在可学习的故障类别上表现最佳（测试加权F1值为0.987，宏观F1值为0.629，ROC-AUC值为0.992），同时也是成本最低的分类模型（总成本为148）。消融实验表明，这些基于物理原理的特征具有独立的贡献作用：仅基于这五个物理特征训练的随机森林模型性能优于仅基于六个原始特征训练的模型（加权F1值分别为0.980和0.976，成本分别为190和290），而结合两种特征训练的模型效果最佳（成本为148）；这一特征贡献是本研究中最有说服力的核心结论。不过本研究也存在两个局限性。首先，尚未实现可靠的六类故障分类：该模型未能正确识别所有工具磨损类故障实例，且测试集中不存在随机故障类，因此其仅在可学习的故障类别（无故障、HDF、PWF、OSF）上表现良好。其次，由于这些物理特征是根据生成数据的相同规则推导出来的，因此SHAP结果与物理机制高度吻合在某种程度上是意料之中的，不能将其视为该模型可应用于实际复杂系统中的证据。与成本敏感型分类框架的一致性分析显示，尽管采用了基于成本的类别权重分配方法，但在十种不同的随机种子条件下，总成本并未出现显著降低（标准训练下的总成本为120.0±13.8，而采用成本敏感型方法后的总成本为124.6±17.0；威尔科克森检验的p值为0.078），这是因为成本主要受数据量较少的工具磨损类的影响。通过对每个类别最多50个被正确分类的实例进行多实例SHAP和LIME分析，得到的斯皮尔曼相关系数的中位数为0.714（四分位数范围为0.618至0.830），这表明各种方法之间的匹配度属于中等水平而非非常高，且这种匹配度会受到LIME样本大小的影响，并在不同实例和随机种子条件下存在差异。这些研究结果支持在预测性维护中运用基于物理原理的特征工程以提高模型的可解释性，提醒人们不要仅依赖单实例的LIME解释结果，同时也表明当导致成本上升的主要因素是无法被模型学习的少数类别时，基于成本的权重分配方法并无实际效果。