可解释预测性维护：当前方法、挑战与机遇综述
人工智能
2024-01-17 v1 人机交互
机器学习
摘要
预测性维护是一套被广泛研究的技术集合，旨在通过使用人工智能和机器学习来预测执行维护的最佳时间，从而延长机械系统的寿命。这些方法使系统和硬件的维护者能够减少维护的财务和时间成本。随着这些方法被用于更严重且可能危及生命的应用，人类操作员需要信任预测系统。这吸引了可解释人工智能（XAI）领域将可解释性和可诠释性引入预测系统。XAI 为预测性维护领域带来了能够增强用户信任同时保持系统高性能的方法。这篇关于可解释预测性维护（XPM）的综述，遵循《系统综述和荟萃分析优先报告的条目》（PRISMA）2020 指南，讨论并介绍了当前应用于预测性维护的 XAI 方法。我们按照 XAI 文献将不同的 XPM 方法进行分类。此外，我们还包含了当前的挑战以及对 XPM 未来研究方向的讨论。
引用
@article{arxiv.2401.07871,
title = {Explainable Predictive Maintenance: A Survey of Current Methods, Challenges and Opportunities},
author = {Logan Cummins and Alex Sommers and Somayeh Bakhtiari Ramezani and Sudip Mittal and Joseph Jabour and Maria Seale and Shahram Rahimi},
journal= {arXiv preprint arXiv:2401.07871},
year = {2024}
}