面向在线失效预测的可解释规则：以 Metro do Porto 数据集为例

由于深度学习技术在近年日益增多地被用于预测性维护应用，其高预测性能令人注目。然而，正如在其他实际应用场景中一样，解释性需求常被提出但未得到充分满足。本研究聚焦于预测葡萄牙 Porto 地铁列车的失效。尽管近期研究发现高性能深度神经网络架构具备并行解释性管道，但生成的解释相当复杂，难以解释失效为何发生。本文提出一种简单基于在线规则的解释性方法，采用可解释特征，生成直观易懂的规则。我们在 MetroPT2 上展示了该方法，发现仅需三 specific sensors 即可用简单规则预测数据集中存在的失效。