利用可解释 AI 提升注塑工艺的工业质量分类
人工智能
2025-11-12 v1
摘要
机器学习是优化工业质量控制过程的 essential 工具。然而，模型的复杂性常常因缺乏可解释性而限制其实际应用。此外，许多工业机器缺乏完善的传感器技术，导致数据获取不完整且具有挑战性。可解释人工智能(Explainable AI)通过提供模型决策见解和识别分类最相关特征，为解决这些问题提供了方案。本文研究了使用 XAI 技术进行特征降维对注塑件质量分类的影响。我们应用 SHAP、Grad-CAM 和 LIME 对在真实生产数据上训练的长短期记忆(LSTM)模型的特征重要性进行分析。通过将原始 19 个输入特征降至 9 个和 6 个，我们评估了模型准确率、推理速度和可解释性之间的权衡。我们的结果表明，特征降维可以在保持高分类性能的同时提升泛化能力，推理速度略有提高。这一方法增强了面向数据获取有限的工业环境的 AI 驱动质量控制可行性，为制造业中更高效和更可解释的机器学习应用铺平了道路。
引用
@article{arxiv.2511.08108,
title = {Improving Industrial Injection Molding Processes with Explainable AI for Quality Classification},
author = {Georg Rottenwalter and Marcel Tilly and Victor Owolabi},
journal= {arXiv preprint arXiv:2511.08108},
year = {2025}
}
备注
Accepted and published at the 2025 IEEE 9th Forum on Research and Technologies for Society and Industry (RTSI). 10 pages, 6 figures. DOI: 10.1109/RTSI64020.2025.11212395. This is the author-accepted manuscript (AAM) version