Apr, 2022

一种可解释的回归框架用于机器剩余寿命的预测

HTML
PDF
TL;DR本文提出了一种可解释的机器学习模型，使用Local Interpretable Model-Agnostic Explanations和Shapley Additive Explanations方法预测机器剩余使用寿命，为未来相关领域的研究提供了基础。
发现论文，激发创造
  • 可解释深度学习方法预测剩余寿命：基于变分贝叶斯推断

    提出了一种结构效应神经网络，通过估计机器学习和概率密度函数的混合模型的参数，预测了设备的剩余寿命，并证明了这种方法在预测性能和可解释性方面更为优越。

    Jul, 2019

  • 不要把机器学习算法按可解释性排序！以用户为中心的性能和可解释性研究

    通过两项用户实验，本研究旨在提供实证证据，以解决机器学习算法的性能和可解释性之间的权衡问题，并发现其在最终用户的感知中的权衡程度相对较低，其取决于数据复杂性等情况，并根据第二项实验的结果，也发现了可解释性人工智能的增强手段是提高解释性的一种途径，但解释的类型对最终用户的印象起着至关重要的作用。

    Jun, 2022

  • 机床剩余寿命预测中的遮蔽自监督

    本文提出一种基于掩蔽自编码器的方法，利用未标注数据进行自监督，并将其用于残余寿命（RUL）预测。在C-MAPSS数据集上的实验表明，相较于使用完全监督模型的方法，本文的方法在RUL预测的准确性和有效性上表现更佳。

    Jul, 2022

  • 关于 PHM 中 XAI 的准确性

    本文提出一种应用于时间序列回归模型的XAI方法的关键性和比较式修订，以探索这些方法的有效性，并比较它们之间的性能差异，结果表明GRAD-CAM是最强大的方法。

    Mar, 2023

  • 可解释预测性维护

    本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟，并探讨了特定于预测维护领域的解释方案的需求和不同目的，列举和描述了通常在文献中使用的可解释人工智能技术，最后展示了四个特定的工业用途案例。

    Jun, 2023

  • 自动化机器学习用于剩余寿命预测

    本文介绍了AutoRUL，这是一种自动化RUL（Remaining Useful Life）预测的自动机器学习（AutoML）驱动的端到端方法，结合了标准回归方法的微调和高预测能力的集成，为领域专家提供了一种消除构建数据驱动模型中的机器学习专业知识，使RUL预测更易于实现的替代方案。

    Jun, 2023

  • 机器学习生命周期中可解释人工智能的千变万化：工业现实与研究现状

    该研究考察了可解释人工智能（XAI）在实际中的相关性，特别关注生产行业，并将其与当前学术XAI研究进行了比较。通过对多个行业中的各种职位和关键利益相关者进行广泛访谈，我们发现了XAI在当前工业实践中沿着机器学习（ML）生命周期的应用和未来的相关性。与当前研究方法相比，我们的访谈结果揭示出一些差异。虽然存在多种不同的XAI方法，但其中大多集中在模型评估阶段和数据科学家上。其他阶段的多样化功能目前要么未被充分探索，要么在实践者中不流行。与现有研究一致，我们的研究也确认了需要更多的努力来使非专业用户能够理解和解释不透明的AI模型，使用现有的方法和框架。

    Oct, 2023

  • 可解释性预测维护：现有方法、挑战与机遇的调查

    通过使用人工智能和机器学习来预测最佳维护时间, 预测性维护是一套经过深入研究的技术集合, 旨在延长机械系统的使用寿命。当这些方法被应用于更为严重且潜在危及生命的应用时, 人类操作员需要对预测系统产生信任, 这就引入了可解释的人工智能 (XAI) 领域, 以提高用户对预测系统的信任度和性能.

    Jan, 2024

  • 准确故障检测和诊断的可解释人工智能技术综述

    制造业中的深度学习模型的不透明性对故障检测和诊断构成了重要挑战。本文对可解释人工智能（XAI）的工具和技术进行了综述，探讨了各种XAI方法在增加人工智能决策透明度方面的作用，特别是在涉及人类的关键情景中。同时，我们还讨论了当前的局限性以及未来潜在的研究，旨在在改善信任度的同时平衡可解释性与模型性能，以应用于关键工业用例的人工智能应用。

    Apr, 2024

  • 概念瓶颈模型的可解释预测

    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