原文传递
机器学习模型可解释性研究及其在PHM中应用现状综述
| 题名： | 机器学习模型可解释性研究及其在PHM中应用现状综述 |
| 正文语种： | 中文 |
| 作者： | 周登极;郝佳瑞;黄大文 |
| 作者单位： | 上海交通大学动力机械及工程教育部重点实验室 |
| 关键词： | 机器学习;可解释性;PHM;深度学习;故障诊断;特征选择 |
| 摘要： | 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 HealthManagement，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。 |
| 期刊名称： | 系统工程 |
| 出版年： | 2022 |
| 期： | 06 |
| 页码： | 1-10 |
检索历史
应用推荐
