基于因果推断和可解释人工智能的量子深度学习在预测设备剩余使用寿命中的应用

《Knowledge-Based Systems》：Causal Inference and Explainable Artificial Intelligence based Quantum Deep Learning for Remaining Useful Lifetime Prediction

准确预测剩余使用寿命（RUL）对工业可靠性至关重要，但传统方法存在过拟合、解释性差和计算成本高的问题。本文提出量子增强逆Transformer（QiTransformer），结合LiNGAM因果推断和可解释AI，通过因果剪枝优化特征空间，利用量子注意力机制捕捉时序依赖，在电池和NASA发动机数据集上验证其预测精度和效率优势，并识别关键特征。

　　

Manoranjan Gandhudi | Alphonse P J A | Sharan Srinivas | Gangadharan G R

印度理工学院帕特纳分校计算机科学与工程系

摘要

准确预测剩余使用寿命（RUL）对于提高工业可靠性、降低运营成本和防止计划外停机至关重要。然而，传统的机器学习和深度学习方法往往存在过拟合、可解释性有限以及计算开销高的问题，这使得它们在动态和高度监管的预测性维护环境中效果不佳。为了解决这些问题，我们提出了量子反向变压器（QiTransformer），这是一种将量子增强表示学习与因果推理和可解释人工智能相结合的新型架构。在该框架中，采用线性非高斯无环模型（LiNGAM）通过有向无环图来识别因果变量，从而实现更紧凑和计算效率更高的特征空间。QiTransformer的量子组件进一步增强了其提取时间依赖性的能力，从而提高了RUL估计的准确性。我们在两个不同的预测性维护基准测试数据集上评估了QiTransformer：一个电池退化数据集和NASA C-MAPSS飞机发动机数据集。在两个数据集中，所提出的模型在预测准确性和计算效率方面均显著优于传统的深度学习和基于变压器的方法。可解释性分析表明，在电池数据集中放电时间（秒）是最具影响力的因素，而在C-MAPSS数据集中校正后的核心转速（rpm）成为主要特征。这些结果展示了量子增强型、因果意识架构在下一代预测性维护解决方案中的潜力。

引言

预测性维护（PdM）在现代工业运营中发挥着核心作用，它利用了工业4.0和工业5.0的技术。[1] 与传统在固定时间间隔安排维护任务的维护策略不同，PdM依赖于持续的数据分析，以便根据设备在复杂生产环境中的实际运行状况和行为来采取维护措施。通过实时监控资产健康状况，PdM有助于及早发现潜在故障，从而减少计划外停机并提高设备整体可用性[2]。这种前瞻性策略通常可以降低维护成本，并提高运营效率[3]。此外，实时状态信息使组织能够更有选择性地分配维护资源，专注于真正需要关注的资产[4],[5]。因此，PdM增强了工业系统的稳定性，并减少了突发运营故障的频率[6]。

PdM的一个核心能力是估计RUL，即组件在需要干预之前可以可靠运行的时间跨度[7],[8],[9]。在过去十年中，提出了许多建模方法来描述退化行为并从流式传感器数据中推断磨损进展[10]。这些方法实现了详细的RUL预测，在制造、运输和能源基础设施等应用领域带来了切实的好处。

基于机器学习（ML）和深度学习（DL）的数据驱动方法在推进RUL预测方面发挥了特别重要的作用。当输入数据结构良好且拥有足够大的标记数据集时，传统的ML模型（包括梯度提升、随机森林和支持向量机）通常能够取得良好的结果[11]。深度架构，特别是循环神经网络（RNN）和卷积神经网络（CNN），通过捕捉工业传感器信号中的非线性效应和长期时间依赖性，进一步扩展了这些能力[12]。然而，这些模型家族也存在一些重要的局限性。

许多ML和DL方法的“黑箱”特性是一个主要问题，其内部推理过程很少透明。在模型可解释性至关重要的领域（如医疗保健、航空、自动驾驶系统和金融服务）中，这种不透明度是个问题[13]。有限的透明度使得难以确定哪些特征驱动了预测结果，难以发现偏见或系统错误，也难以证明符合监管要求[14]。此外，高性能模型通常依赖于大量标记数据，而在工业环境中这些数据可能稀缺或生成成本高昂，而且当运行条件与训练期间观察到的条件不同时，模型的准确性可能会下降。为了解决这些问题，本研究提出了一个集成框架，该框架结合了因果推理、可解释人工智能（XAI）和量子反向变压器（QiTransformer）架构。标准变压器架构已经因其捕捉长期依赖性的能力而受到重视，但在处理高维特征空间时，嵌入量子计算概念可以提高效率和表达能力。量子启发的操作有助于并行探索复杂的输入表示，提供潜在的计算优势和改进的可扩展性。反向设计鼓励从观察到的退化状态进行逆向推理，有助于更精确地重建退化轨迹，并支持更准确的RUL预测。因此，所提出的框架提供了一种基于因果关系、可解释且计算先进的预测性维护方法。本研究的主要贡献如下：

•

设计并评估了一种能够处理大规模工业数据集并揭示与RUL预测相关的深度非线性模式的量子增强反向变压器。

•

整合因果推理技术，以揭示操作变量之间的可信因果关系，从而支持可靠的维护决策。

•

嵌入XAI机制，确保QiTransformer的预测结果对维护专业人员来说仍然是可解释的且实用的。

本文的其余部分安排如下：第2节概述了相关工作。第3节详细介绍了所提出的基于因果推理、由XAI支持的量子深度学习模型用于RUL预测。第4节通过两个基准测试数据集来评估该框架的有效性，第5节进行了总结性评论。

相关研究

本节回顾了现有的PdM（第2.1节）和RUL预测（第2.2节）研究。这些研究采用了多种技术，包括深度学习、变压器、GANs、元学习和量子启发方法。

提出的方法论

所提出的量子反向变压器（QiTransformer）通过将因果推理与量子注意力和可解释性相结合，为RUL预测提供了一个新的框架。与现有的量子变压器不同，该模型建立了一种既可解释又高效的训练方法。基于线性非高斯无环模型（LiNGAM）的因果剪枝仅保留那些具有直接因果影响的变量，从而减少了输入维度。

结果与讨论

在我们的研究中，我们使用了两个不同的基准数据集来预测机械设备的RUL。第一个数据集包含容量为2.8 Ah的电池，在25摄氏度下循环1000次，充电率为C/2，放电率为1.5 C，通过捕捉每次循环中电池的电流和电压行为来进行分析。该数据集使我们能够随时间监测设备的运行健康状况，并估计何时进行维护以预防性干预。

结论与未来工作

本研究提出了QiTransformer，这是一种结合了因果推理和可解释人工智能的量子启发反向变压器架构，用于预测性维护环境中的RUL预测。通过使用基于LiNGAM的因果剪枝，该框架选择了一组真正有影响力的变量，减少了输入维度并提高了量子嵌入阶段的效率。然后使用量子注意力层来捕捉时间依赖性。

未引用内容

声明

• •
  在本研究中，我们使用了两个公开可获取的数据集。
• •
  代码可用性（软件应用程序或自定义代码）：开发了自定义代码。
• •
  伦理批准：本文不包含任何作者参与的人类参与者或动物实验的研究。
• •
  利益冲突：作者声明没有可能影响本文工作的利益冲突。

CRediT作者贡献声明

Manoranjan Gandhudi：撰写 – 审稿与编辑、撰写 – 原稿、软件、方法论、形式分析、数据管理、概念化。 Alphonse P J A：撰写 – 审稿与编辑、方法论。 Sharan Srinivas：撰写 – 审稿与编辑、方法论。 Gangadharan G R：撰写 – 审稿与编辑、撰写 – 原稿、监督、方法论、形式分析、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益冲突或个人关系。