TwinExplainer：解释汽车数字孪生的预测
机器学习
2023-02-02 v1 人工智能
计算机与社会
神经与进化计算
摘要
车辆是在多种环境中运行的复杂信息物理系统（CPS），发动机、变速箱、制动器和燃油等一个或多个子系统发生故障的可能性会导致非计划停机并产生高昂的维护或维修成本。为防止这些问题，持续监测各子系统的健康状况并识别传感器通道的异常行为至关重要。数据驱动的数字孪生（DT）系统能够完成此类任务。当前的 DT 技术利用各种深度学习（DL）技术，其局限性在于缺乏对其预测的解释或依据。这些不透明系统的这一缺陷会影响决策并引发用户信任问题。本文针对该问题提出一种解决方案，其中 TwinExplainer 系统通过其三层架构流水线解释汽车 DT 的预测。此类系统可帮助汽车相关方理解传感器通道的整体规模及其对通用 DT 预测的贡献。TwinExplainer 还能可视化 DT 计算出的正常与异常局部预测的解释。
引用
@article{arxiv.2302.00152,
title = {TwinExplainer: Explaining Predictions of an Automotive Digital Twin},
author = {Subash Neupane and Ivan A. Fernandez and Wilson Patterson and Sudip Mittal and Milan Parmar and Shahram Rahimi},
journal= {arXiv preprint arXiv:2302.00152},
year = {2023}
}