RI2AP:在组装管道中进行可靠和可解释的二维异常预测
Chathurangi Shyalika1, Kaushik Roy1, Renjith Prasad1
1Artificial Intelligence Institute, College of Engineering and Computing, University of South Carolina, Columbia, SC 29208, USA.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
一种名为"强大可解释的二维异常预测" (RI2AP) 的新方法,可以提高制造组装线上的异常预测. 这种方法显著提高了F1分数,为工业过程提供了宝贵的见解.
科学领域:
- 制造业 制造业 制造业 制造业
- 工业工程 工业工程 工业工程
- 机器学习 机器学习
背景情况:
- 异常预测对于制造效率和降低成本至关重要.
- 当前的机器学习方法与罕见事件和复杂的依赖关系作斗争,产生低于最佳的F1分数.
- 高保真模拟数据稀缺且昂贵,限制了传统的ML模型培训.
研究的目的:
- 引入一种新的方法,强大可解释的二维异常预测 (RI2AP),用于增强异常预测.
- 解决预测异常发生和理解相互依赖的双重挑战.
- 为领域专家提供对传感器数据的可解释性见解.
主要方法:
- 开发了可靠和可解释的二维异常预测 (RI2AP).
- 利用因果影响框架来解释模型的可解释性.
- 在火箭组装模拟和真实世界制造数据上进行验证.
主要成果:
- 与现有的ML方法相比,RI2AP表现出高达30点的F1测量改进.
- 该方法有效地预测异常事件及其依赖性.
- 解释机制为领域专家提供了可操作的见解.
结论:
- RI2AP显著提升了制造装配线上的异常预测.
- 该模型的可解释性提高了对工业应用的信任和实用性.
- 在复杂的制造环境中,RI2AP显示出在现实世界部署的巨大潜力.
