可解释预测性维护
人工智能
2023-06-09 v1
摘要
可解释人工智能（XAI）充当了促进复杂智能系统与各色人员（包括数据科学家、领域专家、终端用户等）之间交互的关键接口。它有助于解读“黑箱”机器学习（ML）的复杂内部机制，使其决策背后的原因更易理解。然而，当前 XAI 研究主要聚焦于两方面：促进用户信任，或调试与精炼 ML 模型。其中大多数未能认识到更广泛情境中所需的多样化解释类型，因为不同用户与不同应用领域需要针对其特定需求的解决方案。预测性维护（PdM）便是这样一个领域，它是工业 4.0 与 5.0 框架下迅猛发展的研究方向。本立场论文凸显了现有 XAI 方法与工业应用（尤其是预测性维护领域）中特定解释需求之间的鸿沟。尽管可解释性至关重要，该主题仍相对未被充分探索，使本文成为引起研究界关注相关挑战的开拓性尝试。我们概述了预测性维护任务，并强调了对应解释的需求与不同目的。随后我们列举并描述了文献中常用的 XAI 技术，讨论其对 PdM 任务的适用性。最后，为使观点与主张更具体，我们展示了 XAI 在四个特定工业用例中的应用：商用车辆、地铁列车、钢铁厂与风电场，并指出了需进一步研究的方面。
引用
@article{arxiv.2306.05120,
title = {Explainable Predictive Maintenance},
author = {Sepideh Pashami and Slawomir Nowaczyk and Yuantao Fan and Jakub Jakubowski and Nuno Paiva and Narjes Davari and Szymon Bobek and Samaneh Jamshidi and Hamid Sarmadi and Abdallah Alabdallah and Rita P. Ribeiro and Bruno Veloso and Moamar Sayed-Mouchaweh and Lala Rajaoarisoa and Grzegorz J. Nalepa and João Gama},
journal= {arXiv preprint arXiv:2306.05120},
year = {2023}
}
备注
51 pages, 9 figures