A Linguistically Interpretable Fuzzy Fault Diagnosis Model: Knowledge Distillation Perspective
Notice bibliographique
Résumé
Emerging deep fuzzy neuralnetwork-based fault diagnosis (FD)—integrating deep neural networks (DNNs) and fuzzy neural networks (FNNs) in sequential or parallel architectures—has demonstrated great potential in both high performance and model interpretability. However, in the cascade architecture, the membership functions of the FNN struggle to finely describe the complex fault features extracted by the DNN, leading to reduced FD performance. Meanwhile, the abstraction of fault features undermines the FNN's interpretability. In the parallel architecture, designing a reasonable strategy to fuse the heterogeneous features extracted by the DNN and FNN is nontrivial. To address these challenges, we propose a novel FD model called linguistically interpretable fuzzy neural network with knowledge distillation, which integrates DNN and FNN through the perspective of knowledge distillation, aiming for high performance while preserving FNN's intrinsic interpretability. The model extracts modality probability knowledge from a well-trained DNN teacher unit and feeds into the knowledge distillation unit to generate soft labels encapsulating modality similarity knowledge. These soft labels carry the teacher unit's core insights into FD and activate implicit information of negative modalities. Then, the knowledge-based Takagi–Sugeno–Kang unit uses the soft labels as consequent variables to perform linguistically interpretable rule reasoning from original features to fault modalities. The model is optimized by minimizing a composite loss comprising cross-entropy, soft label regularization, and L2 regularization, ensuring more knowledge is transferred to the distilled unit. Comprehensive evaluation across a series of industrial process cases validated the model's effectiveness in performance and interpretability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».