使用LIME、SHAP、PDP、ICE的可解释预测性维护旋转机器

人工智能（AI）是工业4.0的关键组成部分。旋转机械是制造业中的关键部分。在工业4.0广阔的世界中，物联网网络作为监控和决策系统，预测性维护迅速获得重要性。预测性维护是一种使用AI在潜在问题导致操作、流程或系统故障之前进行处理的方法。然而，AI模型（也称为“黑箱”）无法解释其决策是一个重大问题。这种可解释性对于做出维护决策和验证模型的可靠性至关重要，从而提高对AI驱动的预测性维护策略的信任和接受度。可解释AI是解决方案，因为它提供了人类可以理解的洞见，帮助理解AI模型如何得出其预测。在这方面，本文展示了基于可解释AI的工业旋转机器的预测性维护。所提方法分为四个全面阶段：a）基于多传感器的多故障（5种不同故障类别）数据采集，b）频域统计特征提取，c）对多种AI算法结果的比较，d）使用“局部可解释模型无关解释（LIME）”、“夏普利加法解释（SHAP）”、“部分依赖图（PDP）”和“个体条件期望（ICE）”集成XAI以解释结果。