用于航空发动机预测性维护的机器学习模型可解释系统性综述
机器学习
2023-09-26 v1
摘要
本文对各类机器学习和深度学习模型进行了一项可解释综述，以预测航空发动机维护从而避免任何灾难。该策略的优势之一在于其可处理规模适中的数据集。在本研究中，利用传感器数据，通过 LSTM、Bi-LSTM、RNN、Bi-RNN、GRU、随机森林、KNN、朴素贝叶斯和梯度提升，在预定循环次数内预测航空发动机故障。我们以一个仅含单一数据源的简单场景，阐释深度学习与机器学习如何用于生成预测性维护中的预测。我们对模型应用了 LIME，以帮助我们理解为何机器学习模型表现不如深度学习模型。针对若干测试数据给出了模型行为的广泛分析，以理解模型的黑箱情形。GRU、Bi-LSTM 和 LSTM 分别取得了 97.8%、97.14% 和 96.42% 的可观准确率，这表明了这些模型在早期阶段预测维护的能力。
引用
@article{arxiv.2309.13310,
title = {An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine},
author = {Abdullah Al Hasib and Ashikur Rahman and Mahpara Khabir and Md. Tanvir Rouf Shawon},
journal= {arXiv preprint arXiv:2309.13310},
year = {2023}
}