理解信号流图

信号流图(SFGs)是系统工程的基石,提供了一种图形方法来代表线性系统中变量之间的关系. 最初由克劳德·香农在模拟计算机工作上提出,后来由塞缪尔·J·梅森正式提出控制理论,SFG由代表系统变量的节点和表示传输函数或增益的定向分支组成. 每个分支都携带一个信号乘以分支的增益,节点和进信. 这个结构使得SFG特别有效分析信号流,进行块图的减少,计算系统转移功能而无需直接解决代数方程. 虽然传统上应用于电路,机械系统和化学过程,但同样的地理学原理现在正在深神经网络的结构中找到新的生命.

现代机器工程学习

机器学习(ML)已成为跨工程学科不可或缺的工具. 从制造中的预测性维护到自主车辆的实时控制,ML模型都接受了关于庞大数据集的培训,以识别规律,预测结果,优化性能. 然而,现代建筑的复杂性——具有数百万参数的深神经网络——往往牺牲精度解释能力. 工程师们面临着理解模型为何做出特定决定的挑战,特别是在安全关键环境下. 信号流图的结构,视觉性质可以提供古典系统分析与深层学习的黑盒性质的桥梁.

工程学中的关键机器学习范式

  • 超监督学习,用于材料属性预测或缺陷检测等回归和分类任务.
  • 无监督的学习用于在传感器数据中进行异常检测和集群.
  • 强制学习,用于机器人和能源管理方面的最佳控制政策.
  • 转录学习,使预训模型适应数据有限的新的工程域.

缩小差距:信号流图和机器学习

SFG理论和现代ML的趋同不仅仅是学术性的;它提供了设计、分析和调试神经网络的实用工具。 通过将神经网络映射到信号流图上,工程师可以利用几十年的控制理论和系统动力来更好地理解梯度流、稳定性和趋同性。

神经网络作为信号流图

将神经网络视为一个向导神经网络。每个层对应一组节点,层之间的加权连接成为带增益的分支。激活函数引入非线性,但网络骨架仍然是定向环形图 — — 完全是一个SFG的结构。这个观点允许工程师使用Mason的增益公式计算网络的传输功能(如果线性化)或分析信号的传播。对于演化网络来说,演化操作可以被代表为一个稀少的,结构化的SFG,每个内核定义了一组局部连接。 经常性神经网络,用其反馈循环,自然地将图像映射到循环SFG上,从而能够使用控制理论的方法进行稳定性分析。

SFG理论的分析见解

  • 节点稳定性:[ 通过分析网络线性近似值的等位值,工程师可以预测消失或爆炸的梯度.
  • 帕斯敏感性:[ 从输入到输出的收益可以使用梅森的循环规则分解为单个路径的贡献.
  • 循环分析:[] 经常性网络中的反馈循环可以通过调整循环增益来优化,在不牺牲内存能力的情况下保持稳定性.

加强模型解释性

将SFG带入ML的最迫切原因之一是可解释性. 传统的黑盒模型对输入特性如何结合产生输出没有多大的洞察力. 通过将训练过的重量作为分支增益来对待,从任何输入神经元到最终输出的信号路径可以追踪到最强的信号路径. 例如,在为预测性维护而训练过的模型中,SFG可视化可以突出哪些传感器输入在故障预测信号中占主导地位. 这种透明度在航空航天(见 FAA准则)和医疗设备设计( FDA文献)等受管制行业中至关重要.

案例研究:SFG-启发机器实践学习

自动车辆管制

在自驾车车厢中,感知和控制管道涉及多个神经网络处理相机,LiDAR,以及雷达数据. 每个子系统都可以作为SFG来代表,使工程师可以模拟整个信号路径,从传感器输入到方向指令. 通过分析控制反馈的循环增益,开发者可以检测振荡易发区和再排网络以平滑反应. 这种混合方法已被多个研究组采用(见本关于神经网络控制的文件[),以确保现实世界扰动下的稳定.

电网断层检测

现代电网利用深度学习将哈斯尔测量单元(PMU)数据中的断层分类。 代表时间序列模型的SFG揭示了扰动如何通过网络隐藏状态传播。 操作员然后可以确定最关键的测量点 — — 类似于SFG中高度中心化的节点 — — 并优先进行传感器维护或冗余。这种方法也有助于为每个断层分类生成反事实解释,满足对网格操作员的监管要求。

制造业的预测维修

在工厂设置中,基于反复出现的神经网络(RNN)的条件监测模型预测了机器的剩余使用寿命。通过将RNN映射到循环SFG上,工程师可以提取具有长期依赖性的主导反馈循环。如果循环收益过高,模型可能会变得不稳定和输出不稳定的预测。调整这些循环的重量调节(一种称为]] 循环调节[),可以提高通化,减少假警报。这一应用在近期的著作中得到了来自[工业AI研究人员的详细说明。

未来展望:混合分析-经验方法

工程的未来在于将古典系统理论的刚性与机器学习的数据驱动力结合起来。信号流图为两个世界提供了共同的语言。我们已经看到]物理知情神经网络的出现[将已知的微分方程嵌入SFG地形,确保模型尊重保存法。此外,图象神经网络——SFG概念的自然延伸——正在被用来模拟流体动态模拟或结构健康监测等任意连接的复杂系统。

实时系统监测

SFG 表示允许在线监测生产中的机器学习模型。 通过计算网络在新数据流流中累积的收益,操作员可以检测漂移或对抗攻击。例如,两个关键节点之间的信号增益意外变化可能表明传感器故障或模型退化。 TensorFlow 的模型分析库(见 TF模型分析[ 等工具已经支持了基于图表的调试,未来的版本可能从本土角度将基于Mason的诊断纳入其中。

可解释性作为核心要求

随着ML模型更多地嵌入安全关键基础设施,管理机构要求解释每个自动决定。 SFG提供了一种自然机制,可以生成 原因图表,追踪每个输入通过网络的贡献。 这比依赖于后热近似化的特征归属方法要更能解释。 类似 的DARPA XAI程序[ 等公司正在积极资助将图理论稳定性分析与深层学习相结合的研究。

结论:新的工程综合

信号流图并不是过去的遗迹;它们是一个强大的框架,在与现代机器学习相结合时,可以解开对复杂模型的更深刻理解。 掌握这种交汇点的工程师可以设计不仅准确而且透明、稳定和可核查的系统。 无论是通过循环网络的循环分析,还是通过可解释性路径追踪,还是物理约束的AI的混合模型,SFG和ML的聚合被设定为定义下一代智能工程系统。 通过采用这一全面方法,专业人士可以建立更聪明、更安全和更可靠的系统,真正利用古典分析和数据驱动创新的优势。