概括
本研究介绍了一种动态模型解释引导学习方案 (DMI-LS) 用于实时安全评估在工业环境中. DMI-LS有效地检测并适应概念漂移,优于现有方法.
科学领域:
- 工业安全 工业安全 工业安全
- 机器学习 机器学习
- 动态系统 动态系统
背景情况:
- 实时安全评估对于工业过程至关重要,特别是在非静止环境中.
- 概念漂移是动态系统中常见的挑战,需要强大的检测和适应方法.
- 现有的安全评估方法在处理复杂概念漂移和增量学习方面存在局限性.
研究的目的:
- 提出一个新的动态模型解释引导在线主动学习计划 (DMI-LS).
- 解决现有方法的局限性,以实时评估动态系统的安全性和概念漂移.
- 改善危害预防和降低工业环境中的风险.
主要方法:
- 实施用于更新块数据模型的广泛学习系统.
- 开发一种新的查询策略,利用可解释的人工智能来排名偏好差异.
- 利用动态模型解释来指导在线主动学习过程.
主要成果:
- 拟议的DMI-LS与先进的现有方法相比,显示出更高的性能.
- 在JiaoLong深海载人潜水器数据上进行的实验验证了DMI-LS.的有效性.
- 该方案在处理概念漂移和增量学习场景方面取得了显著的改进.
结论:
- 在动态工业环境中,DMI-LS为实时安全评估提供了有效的解决方案.
- 集成动态模型解释和可解释的AI增强了概念漂移适应.
- 拟议的方法为改善工业安全和风险管理提供了坚实的框架.
