在基于模型诊断中的关键观测

在模型驱动的故障诊断中,能够识别出导致系统异常的关键观测数据是十分有价值的。本文介绍了一种识别关键观测数据的框架和算法。该框架通过将原始观测数据抽象为”子观测”,来确定哪些观测对诊断结果至关重要。一个”关键子观测”被定义为在最大程度上抽象化后,仍能导出与原始观测相同的最小诊断集。

该研究由澳大利亚的Cody James Christopher和法国的Alban Grastien两位作者合作完成,分别来自澳大利亚科学与工业研究组织数据61中心和法国原子能与替代能源委员会。他们的工作发表于2024年的人工智能期刊上。

研究人员首先阐述了模型驱动诊断的基本框架和概念。该框架包括系统模型、观测数据和诊断假设空间三个主要部分。系统模型描述了系统的所有可能行为;观测是对实际系统行为的感知,可能来源于传感器读数或日志记录;诊断假设则对应系统可能的故障模式。通过将模型预测的行为与实际观测进行对比,可计算出一组一致的诊断候选。研究着眼于从所有候选中识别出最小诊断集。

接下来,作者提出了”子观测”和”关键子观测”的概念。子观测是对原始观测的抽象表示,包含原观测的部分信息。一个足够的子观测指的是能够推导出与原观测相同的最小诊断集。而关键子观测则是在所有足够子观测中,抽象程度最高的一个。

为了计算关键子观测,作者设计了一个通用算法框架。该算法从原观测对应的子观测出发,逐步增加抽象级别,剪枝掉那些不足以推导最小诊断的子观测分支。当找到一个足够的子观测后,算法将根据其”子观测”继续搜索,直到无法进一步抽象为止,从而得到一个关键子观测。根据定理,该算法能给出正确和完整的关键子观测,并且一定会终止。

研究人员进一步扩展了该框架,使其能够处理基于状态观测和基于事件序列观测的诊断问题。对于状态观测,他们将子观测定义为观测变量的部分赋值集合;而对于事件观测,子观测则是事件序列的子序列。作者阐述了如何在这两种情况下实例化框架,并引入了识别”冲突对”的概念,以进一步优化搜索。

此研究提出了一种有效识别关键诊断观测数据的理论框架和算法。这一成果有助于为人工智能系统提供可解释的诊断结果,并为诊断决策提供支撑证据,从而提高人工智能系统的可信赖性。该框架具有一定的通用性,可应用于不同类型的模型驱动诊断问题。