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

利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

Sep, 2023

本文评估了应用深度学习于 Prognostics 和 Health Management（PHM）领域，用于检测、诊断和预测复杂工业资产故障的现状、挑战、潜在解决方案和未来研究需求。

May, 2020

通过对 Prognostics and Health Management (PHM) 系统进行敌对样本攻击测试，本论文发现 IoT 传感器和 DL 算法都容易受到攻击，这可能导致 PHM 系统出现严重缺陷，从而减少设备的使用寿命。

Sep, 2020

本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了这些技术在油田临界设备的预测性维护中的潜在应用，以降低意外停机和维护成本。

Jun, 2023

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 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

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。

Apr, 2022

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

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