中心虞文武教授团队在可解释人工智能与故障诊断交叉领域取得的重要成果被顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》录用

发布者:省应用数学中心发布时间:2026-04-29浏览次数:10

近日,研究中心虞文武教授团队提出ABIGX统一框架,在可解释故障检测与分类领域取得重要进展,该成果提出了一种适用于故障检测与分类(FDC)的统一可解释框架,为各类FDC模型提供了更全面、精准的故障解释方案,对推动工业故障诊断向可解释、高精度方向发展具有重要意义。相关研究成果“ABIGX: A Unified Framework for eXplainable Fault Detection and Classification”已被人工智能国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI)录用。

在工业生产、设备运维等领域,故障检测与分类是保障系统稳定运行的核心技术,而可解释性则是提升故障诊断可靠性、促进技术落地的关键前提。当前,主流故障诊断方法如贡献图(CP)、基于重构的贡献(RBC)等,存在适用范围有限、解释精度不足的问题,难以适配各类复杂FDC模型;同时,在故障分类任务中,普遍存在的故障类别模糊问题,也严重影响了故障解释的准确性,制约了故障诊断技术的实际应用效果。如何构建统一、高效的可解释框架,破解上述技术瓶颈,成为该领域的研究热点与难点。

针对上述挑战,研究团队提出了ABIGX统一框架,以现有经典故障诊断方法为基础,深度融合贡献图(CP)、基于重构的贡献(RBC)等方法的核心原理,显著拓展了其在各类FDC模型中的适用性,同时大幅提升了故障解释的精准度。该框架的核心创新点在于对抗性故障重构(AFR)方法,研究团队从对抗性攻击的视角重新审视故障重构问题,提出了一种可同时适用于故障检测与分类任务的新型故障指标,为两类任务提供了统一的技术支撑。团队通过严格论证,证实了CP和RBC方法是ABIGX框架的线性特例,成功搭建起新型框架与传统故障诊断方法之间的理论桥梁,为框架的合理性与通用性提供了坚实的理论支撑。

本研究工作是在国家自然科学基金和江苏省应用数学科学研究中心项目资助下完成的,且中心作为第一和通讯单位,也是体现了中心研究团队在可解释人工智能与故障诊断交叉领域的前沿研究水平。

论文信息:

Yue Zhuo, Jinchuan Qian, Junhua Zheng, Xiaoyu Jiang, Zhihuan Song, Duxin Chen, Wenwu Yu, Zhiqiang Ge, "ABIGX: A Unified Framework for eXplainable Fault Detection and Classification," IEEE Transactions on Pattern Analysis and Machine Intelligence. 2026, DOI: 10.1109/TPAMI.2026.3689327.

项目代码已公开,可通过以下链接获取:https://github.com/qianjc3391/ABIGX