用于预测机器剩余使用寿命的可解释回归框架
机器学习
2022-05-03 v2 人工智能
摘要
预测机器的剩余使用寿命（RUL）是预测性维护中的关键任务之一。该任务被视为回归问题，其中机器学习（ML）算法用于预测机器部件的RUL。这些ML算法通常作为黑箱使用，完全聚焦于性能，而未识别算法决策背后的潜在原因及其工作机制。我们认为，仅性能（就均方误差（MSE）等而言）不足以建立利益相关者对ML预测的信任，而是需要更多关于预测背后原因的洞察。为此，在本文中，我们通过提出一个用于预测机器RUL的可解释回归框架，探索可解释AI（XAI）技术的潜力。我们还评估了若干ML算法，包括基于经典方法和神经网络（NNs）的解决方案用于该任务。对于解释，我们依赖两种模型无关XAI方法，即局部可解释模型无关解释（LIME）和Shapley加性解释（SHAP）。我们相信，本工作将为该领域未来研究提供基线。
引用
@article{arxiv.2204.13574,
title = {An Explainable Regression Framework for Predicting Remaining Useful Life of Machines},
author = {Talhat Khan and Kashif Ahmad and Jebran Khan and Imran Khan and Nasir Ahmad},
journal= {arXiv preprint arXiv:2204.13574},
year = {2022}
}
备注
6 pages, 3 figures