涡扇发动机废气温度的可解释人工智能
该论文引入了可解释的人工智能框架，通过Shapley值和最新的可解释AI for回归方法，从SCADA数据中学习风力发电机功率曲线模型。研究结果表明，学习策略可以更好地指示模型的鲁棒性，比验证集或测试集错误更有用。本文提出了在风力涡轮机性能监测中利用XAI的方案，最终目标是选取更透明和鲁棒的数据驱动风力涡轮机功率曲线模型。
Apr, 2023
本篇论文提出了一种基于物理知识的神经网络（PINN）方法来监测柴油发动机的健康状况，并考虑将深度神经网络（DNN）与PINN模型相结合，以更好地适应柴油发动机的状态。
Apr, 2023
本文评估了采用机器学习模型预测燃气轮机排放的性能，在Siemens Energy的测试数据集上比较了现有预测排放模型，基于SAINT和XGBoost开发的两个机器学习模型，以展示采用机器学习技术可获得氮氧化物（NOx）和一氧化碳（CO）的改进预测性能，并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。
Jul, 2023
本研究提出将符号回归作为特征工程步骤与机器学习模型结合，通过在合成和真实物理相关数据集上进行大量实验，实证了SR派生特征的融合显著提高了机器学习和深度学习回归模型的预测能力，合成数据集RMSE有34-86%的改进，真实数据集有4-11.5%的改进，同时还在基于Eliashberg理论的超导临界温度预测中取得了20%以上的RMSE改进，这些结果突出了SR作为数据驱动模型特征工程组件的潜力。
Nov, 2023
建议评估解释性方法以解释回归模型，特别是符号回归模型。在实验中，我们使用各种可解释和不可解释的回归方法以及流行的解释方法评估了解释器的性能，并发现符号回归模型是一种能够提供准确模型和合适解释的有趣选择。最稳定的解释模型是Partial Effects和SHAP，而Integrated Gradients在基于树的模型中不稳定。此基准可供进一步实验使用。
Apr, 2024
通过提出基于概念解释的概念瓶颈模型（CBMs）来预测剩余寿命，改进了深度学习在工业资产预测中缺乏解释性的问题，并展示了CBMs在剩余寿命预测中的性能优势和可解释性。
May, 2024
通过基因符号回归算法，本研究提出了一个可解释的数学表达式，用于在整个尾流区预测尾流的速度缺失，从而弥补了现有的解析尾流模型在近尾流区的预测能力不足的问题。
Jun, 2024
利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用C-MAPSS数据集，使用随机方法估计C-MAPSS数据的物理模型并将其应用于LSTM模型，结果表明PIML方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。
Jun, 2024
通过结合飞机引擎领域和神经网络领域的领域知识，我们提出了一种策略，能够实时预测引擎性能参数，并且在预测准确性、计算效率、建模复杂性和数据依赖性之间取得理想平衡。我们通过精心设计网络结构、调节内部信息流，并采用四种不同的特征融合方法和创新的损失函数公式来实现这一目标。通过对两个不同数据集的全面验证，实验证明了我们的策略的有效性和健壮性，并且相较于传统的黑盒机器学习方法，我们的模型具有更好的解释性。
Jun, 2024