A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance

预测性维护应用越来越复杂，许多组件之间存在交互作用。基于深度学习技术的黑匣子模型因其预测准确性而备受欢迎。本文提出了一种神经符号结构，利用在线规则学习算法来解释黑匣子模型何时预测出故障。该系统同时解决了两个问题：异常检测和异常的解释。对于第一个问题，我们使用了一种无监督的最先进的自动编码器。对于第二个问题，我们训练了一个规则学习系统，该系统学习从输入特征到自动编码器重构误差的映射。这两个系统在线并行运行。自动编码器会对重构误差超过阈值的示例发出警报。信号警报的原因对于人类来说很难理解，因为它们是传感器数据的非线性组合结果。触发该示例的规则描述了输入特征和自动编码器重构误差之间的关系。该规则通过指出哪些传感器对警报做出贡献，并允许识别涉及故障的组件来解释故障信号。该系统可以为黑匣子模型提供全局解释，并为为什么黑匣子模型预测故障提供局部解释。我们在波尔图地铁的一个真实案例研究中评估了该系统，并提供了说明，说明其优点。

该论文试图解决预测性维护应用中的两个问题：异常检测和异常的解释。如何解释黑盒模型预测失败的原因是一个挑战，这篇论文提出了一个神经符号架构，通过在线规则学习算法来解释黑盒模型的预测。

论文提出的解决方案是使用一个无监督的自编码器来进行异常检测，并使用一个规则学习系统来训练从输入特征到自编码器重构误差的映射。这两个系统在线并行运行，自编码器检测到重构误差超过阈值的示例就会发出警报，规则学习系统可以解释警报，指出哪些传感器导致了警报，从而识别涉及故障的组件。

该论文的亮点包括提供了一个可以解释黑盒模型预测的神经符号架构，可以提供全局和局部解释。论文在Metro do Porto进行了实际案例研究，并提供了实验结果和解释。

相关研究包括使用深度学习技术的黑盒模型进行预测性维护，以及使用解释性模型来解释黑盒模型的预测。例如，一些研究使用基于规则的方法来解释黑盒模型的预测。