因果 vs 相关性 AI：用于预测性维护的基准测试
人工智能
2026-02-24 v2 机器学习
摘要
制造业环境中的预测性维护是一个具有极端成本不平衡的优化问题，其中漏检的成本约为误报的成本的五十倍。传统机器学习方法通常优化统计准确度指标，这些指标不反映这种运营现实，无法可靠地区分因果关系与虚假关联。本研究在10,000台 CNC 机器的数据集上，对八种预测模型进行基准测试，从基线统计方法到贝叶斯结构因果方法不等。虽然像随机森林（L4）这样的集成相关性模型实现了最高的原始成本节省（70.8% 的降幅），但贝叶斯结构因果模型（L7）以竞争的财务绩效（66.4% 的成本降幅）实现了失败归因的内在能力，这是相关性模型难以提供的。该模型对 HDF、PWF 和 OSF 三种失效类型实现了完美归因。这些结果表明，结合领域知识和贝叶斯推断的因果方法，在预测性维护应用中，在预测性能与操作可解释性之间可能实现更有利的权衡。
引用
@article{arxiv.2512.01149,
title = {A Benchmark of Causal vs. Correlation AI for Predictive Maintenance},
author = {Shaunak Dhande and Chutian Ma and Giacinto Paolo Saggese and Paul Smith and Krishna Taduri},
journal= {arXiv preprint arXiv:2512.01149},
year = {2026}
}