Jan, 2024

可解释性预测维护：现有方法、挑战与机遇的调查

PDF
TL;DR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.
发现论文，激发创造
  • 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

  • 革命性系统可靠性：人工智能在预测性维护策略中的作用

    在计算连续体系统中，维护领域正随着人工智能（AI）的整合而快速发展。本文重点调查了计算连续体中预测性维护（Pd.M.）的当前状态，并注重可扩展 AI 技术的结合。通过综合研究领域内最新进展的发现，本文提供了实施基于 AI 的预测性维护的效果和挑战的见解，强调了在 AI 时代需要继续研究和发展更智能、高效和经济的维护解决方案的趋势。

    Apr, 2024

  • 预防性维护调查：系统、目的和方法

    本文通过系统架构、目标和方法等方面，全面综述了预测性维护（PdM），并从知识、传统机器学习（ML）和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法，提出了重要的未来研究方向和目标。

    Dec, 2019

  • 预测过程监控结果可解释性：你能看到我的数据问题吗？

    本文探讨了预测业务流程监控（PPM）中不同设置对 ML 模型的影响，并研究了导致生成不同解释的原因。

    Feb, 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

  • VisioRed: 可解释预测维护的可视化工具

    本文介绍一种可视化工具，结合解释功能，用于展示基于时间序列数据训练的预测性维护模型导出的信息。

    Mar, 2021

  • 人工智能和工业互联网从预测性维护进化为智能化维护

    通过评估现有的预测性维护方法并提出创新性框架，本研究介绍一种基于人工智能和工业互联网的智能化维护框架，包括概率可靠性建模和深度学习等最新机器学习算法，并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。

    Sep, 2020

  • 钢铁业预测性维护的人工智能方法：调查

    基于人工智能的预测性维护对钢铁行业具有重要意义，通过使用来自工业传感器的数据，可以提高操作效率、减少停机时间、延长设备寿命并预防故障。调查与钢铁行业中基于人工智能的预测性维护相关的文章，研究设备和设施，确定常见的预测性维护方法，并了解使用这些解决方案开发的人工智能方法的趋势。最主要的挑战包括将提出的方法应用于生产环境、将其纳入维护计划中，并提高研究的可访问性和可复现性。

    May, 2024

  • 可解释可解释的机器学习方法用于预测过程监控：系统文献综述

    该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

    Dec, 2023

  • 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