基于 Shapley 的可解释 AI 在故障诊断与预测聚类中的应用
机器学习
2025-02-04 v1 系统与控制
信号处理
系统与控制
摘要
在数据驱动的智能制造中，人工智能模型需要具备可解释性，以促进现代工业的采纳与信任。然而，近期发展的在模型无关层面上估计特征贡献的可解释人工智能（XAI）技术，如 SHapley Additive exPlanations（SHAP），尚未在具有类不平衡与弱标记数据集特征的半监督故障诊断与预测问题上得到评估。本文探讨了利用 Shapley 值构建一种兼容半监督学习问题的新聚类框架的潜力，从而放宽现有 XAI 技术严格的监督要求。该广义方法在两个案例研究中得到验证：一个来自半导体制造工艺、具有类不平衡的热图图像数据集，以及 2021 年预测与健康管理（PHM）数据挑战赛中使用的基准数据集。基于 Shapley 值的半监督聚类相比完全无监督情形显著提升了聚类质量，推导出信息密集且与底层故障诊断模型预测相关的有意义簇。如第二个案例研究所示，这些簇也可由基于原始特征值的高精度决策规则刻画。这些规则仅限于利用原始特征尺度的 1-2 个项，以超过 0.85 的精度描述了 16 个推导出的设备失效簇中的 12 个，展示了该可解释聚类框架在智能制造应用中的良好效用。
引用
@article{arxiv.2303.14581,
title = {Shapley-based Explainable AI for Clustering Applications in Fault Diagnosis and Prognosis},
author = {Joseph Cohen and Xun Huan and Jun Ni},
journal= {arXiv preprint arXiv:2303.14581},
year = {2025}
}
备注
23 pages with 8 figures