得益于机器学习理论及技术的高速发展,数据驱动的预测及健康管理(Prognostic and Health Management, PHM)系统能从高维的多源异构数据中学习设备不同状态的特征和趋势,进而完成诊断和预测任务。然而,复杂机器学习模型的不透明性也引发...得益于机器学习理论及技术的高速发展,数据驱动的预测及健康管理(Prognostic and Health Management, PHM)系统能从高维的多源异构数据中学习设备不同状态的特征和趋势,进而完成诊断和预测任务。然而,复杂机器学习模型的不透明性也引发了使用者对模型的信任问题,且设计者难以根据自身知识针对性改进模型。为此,本文总结了机器学习可解释性研究进展,归纳了其研究范式,概述了模型可解释性在PHM领域中的应用,并对比了当前可解释性研究在机器学习和PHM中的研究模式,提出未来的一些研究设想。展开更多
文摘得益于机器学习理论及技术的高速发展,数据驱动的预测及健康管理(Prognostic and Health Management, PHM)系统能从高维的多源异构数据中学习设备不同状态的特征和趋势,进而完成诊断和预测任务。然而,复杂机器学习模型的不透明性也引发了使用者对模型的信任问题,且设计者难以根据自身知识针对性改进模型。为此,本文总结了机器学习可解释性研究进展,归纳了其研究范式,概述了模型可解释性在PHM领域中的应用,并对比了当前可解释性研究在机器学习和PHM中的研究模式,提出未来的一些研究设想。
