面向注射模塑过程产品质量根因分析的可解释人工智能
机器学习
2025-05-08 v1 人工智能
摘要
当产品在注射模塑过程中偏离其期望属性时，可通过关联输入机器设置与输出质量特性的模型来辅助其根因分析。测试的机器学习质量预测模型大多为黑箱模型，因而未提供其预测的直接解释，这限制了其在质量控制中的应用。此前尝试的可解释性方法要么仅限于基于树的算法，要么不强调某些可解释性方法可能导致产品偏离期望属性的根因识别错误。这一研究首先展示了在按中心复合设计收集的真实实验数据中，多个输入机器设置之间确实存在相互作用。随后，对比了用于注射模塑中特征影响分析的模型无关可解释 AI 方法，首次表明不同的可解释性方法确实导致不同的特征影响分析结果。进一步表明，更好的特征归因结果对应正确的原因识别和对注射模塑过程的可操作性见解。由于模型无关，针对随机森林和多层感知器都进行了解释分析，因为这两种模型在实验数据集上的平均绝对百分比误差均小于 0.05%。
引用
@article{arxiv.2505.01445,
title = {Explainable AI for Correct Root Cause Analysis of Product Quality in Injection Moulding},
author = {Muhammad Muaz and Sameed Sajid and Tobias Schulze and Chang Liu and Nils Klasen and Benny Drescher},
journal= {arXiv preprint arXiv:2505.01445},
year = {2025}
}