模型驱动与数据驱动相结合为故障诊断提供了兼具可解释性和适应性的框架。分析冗余关系（ARR）是模型驱动中用于诊断的输入‑输出关系，而学习技术则提供了对复杂系统的自适应建模能力。
DT4X 是一种基于符号回归的诊断算法。它利用符号回归生成多变量关系，并将这些关系作为决策树的划分函数。该方法继承了 ARR 的部分属性，使得生成的表达式在一定程度上可解释。然而，DT4X 在每个节点仅优化两个选定类别之间的分离度，导致其余类别被碎片化，进而削弱了整体的可解释性和诊断性能。
为了解决上述问题，本文提出了 DT4X+。该改进在训练集构造上确保目标类别与非目标类别在同一节点上保持整体一致性；在符号回归损失函数中加入了对非目标类别内部一致性的约束，同时仍最大化目标类别的分离度。
经过这些改进后，生成的关系完全符合 ARR 的属性，能够提供更具信息量的划分，提升了决策树的鲁棒性，并在动态系统数据集上取得了更好的诊断效果。实验在多个基准系统上进行，对比结果表明 DT4X+ 在准确率、鲁棒性以及解释性方面均优于原始 DT4X。
点评