面向智能数字孪生的可解释、可解读与可信 AI：以剩余使用寿命为例
机器学习
2024-04-30 v2 应用统计
统计计算
摘要
人工智能（AI）和机器学习（ML）正日益用于能源与工程系统，但这些模型必须公平、无偏且可解释。对 AI 的可信度保有信心至关重要。ML 技术在预测重要参数和提升模型性能方面颇有助益。然而，要使这些 AI 技术对决策有用，它们需可审计、可解释且易于理解。因此，在数字孪生系统中，使用可解释 AI（XAI）和可解读机器学习（IML）对于准确预测剩余使用寿命（RUL）等预后至关重要，以使其智能化，同时确保 AI 模型决策过程透明，且生成的预测可被用户理解和信任。通过使用可解释、可解读且可信的 AI，智能数字孪生系统可更准确地预测 RUL，从而改进维护和维修规划，并最终提升系统性能。本文旨在阐释 XAI 与 IML 的理念，并论证 AI/ML 在数字孪生框架及组件中需借由 XAI 更好理解预测的重要角色。本文从局部与全局两方面阐释 XAI 和 IML 在确保 RUL 预测中可信 AI/ML 应用的重要性。我们将 RUL 预测用于 XAI 和 IML 研究，并利用了可解读机器学习集成 Python 工具箱（PiML）。
引用
@article{arxiv.2301.06676,
title = {Explainable, Interpretable & Trustworthy AI for Intelligent Digital Twin: Case Study on Remaining Useful Life},
author = {Kazuma Kobayashi and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2301.06676},
year = {2024}
}