面向涡扇发动机排气温度的可解释人工智能
机器学习
2022-03-28 v2 人工智能
神经与进化计算
符号计算
摘要
数据驱动建模是各类工业应用中的重要工具，包括航空与商业航空领域的诸多应用。这些模型负责提供关键洞察，例如哪些参数对特定测量结果重要，或在给定一组输入参数的情况下我们预期观测到哪些参数值。然而，与此同时，这些模型严重依赖假设（例如平稳性）或是“黑箱”（例如深度神经网络），意味着它们缺乏内部工作机制的可解释性，且只能从输入与输出的角度来审视。一种可解释且假设显著更少的“黑箱”模型替代方案是符号回归（SR）。SR 在搜索最优模型结构的同时优化模型参数，而不依赖先验的模型结构。在本工作中，我们将 SR 应用于高频采集的整个飞行过程中的真实排气温度（EGT）数据，以揭示 EGT 与其他可测发动机参数之间有意义的代数关系。实验结果显示出良好的模型精度，以及可解释性：与真实值相比绝对差为 3{\deg}C，并从工程角度证明了其一致性。
引用
@article{arxiv.2203.13108,
title = {Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines},
author = {Marios Kefalas and Juan de Santiago Rojo and Asteris Apostolidis and Dirk van den Herik and Bas van Stein and Thomas Bäck},
journal= {arXiv preprint arXiv:2203.13108},
year = {2022}
}
备注
Main paper: 20 pages, 4 figures. Supplemental material: 18 pages, 30 figures. Published; Removed footnote on page 11 of the main article regarding a typo on formula (8) on the Journal version of this work. The Journal has corrected this typo since, therefore, there is no need for the footnote