Tolkbar artificiell intelligens för tillståndsövervakning

Viktiga resultat som projektet gav

Målen var uppfylda.

Långsiktiga effekter som förväntas

Vi har kommit långt i förståelsen för hur man kan använda ML för tillståndskontroll. Genom att använda osäkerhetskvantifiering, kontrafaktiska förklaringar och ömsesidig information förstår vi bättre när vi ska lita på modellens förutsägelser, förklarar bättre resultatet av black-box ML-modeller och kan skapa skelett av kausala grafer. Resultaten visar hur man kan använda ML effektivt för prediktivt underhåll, samt resultaten tjänar till att ställa krav på industrin för att möjliggöra det.

Upplägg och genomförande

I det här projektet har vi utvecklat en uppsättning kompletterande verktyg som adresserar några av utmaningarna med maskininlärning för tillståndsövervakning. Vi använde osäkerhetskvantifiering för att ta itu med utmaningarna med robusthet och anpassningsförmåga, kontrafaktiska förklaringar för att förbättra tolkningsbarheten av black box-modeller samt kausalitet för ML-modeller för att göra modellerna mer anpassningsbara, robusta och tolkningsbara.