面向制造业的透明且数据驱动的故障检测：基于单变量离散时间序列的案例研究
机器学习
2026-04-09 v1 人工智能
信号处理
摘要
在现代制造业中，确保产品质量的稳定性尤为重要，尤其是在安全关键应用中。传统的质量控制方法依赖人工定义的阈值和特征，难以适应生产数据所固有的复杂性和变异性，且需要大量的领域专业知识。相比之下，数据驱动方法（如机器学习）在检测性能方面表现出色，但通常作为黑箱模型，限制了其在解释性至关重要的工业环境中的接受度。本文引入一种兼具数据驱动性和透明性的故障检测方法，将监督式机器学习模型用于多类故障分类，采用Shapley可加解释（SHAP）进行事后解释，并提出一种特定于领域的可视化技术，将模型解释映射到操作人员可理解的特征上。此外，本文提出一种评估方法，通过定量扰动分析评估模型解释，通过定性专家评估评估可视化效果。该方法应用于压接工艺——一种安全关键的连接技术，使用单变量离散时间序列数据集。系统实现了95.9%的故障检测准确率，定量选择性分析和定性专家评估均确认所生成解释的相关性和可解释性。这种以人为中心的方法旨在增强数据驱动故障检测的可信度和可解释性，为工业质量控制中的实际系统设计做出贡献。
关键词
引用
@article{arxiv.2507.00102,
title = {Towards transparent and data-driven fault detection in manufacturing: A case study on univariate, discrete time series},
author = {Bernd Hofmann and Patrick Bruendl and Huong Giang Nguyen and Joerg Franke},
journal= {arXiv preprint arXiv:2507.00102},
year = {2026}
}