由于工业制造领域的问题具备较高的复杂度，想用人工智能解决工业领域的问题，需要融合机理模型、专家经验和数据驱动的方法来解决。如果寄希望于只用人工智能就解决领域问题，可能性不大。今天和大家介绍机理模型与数据驱动模型的融合，数据驱动模型与专家经验的融合，可解释机器学习在工业制造领域的具体应用。
1 机理模型与数据驱动模型的融合
|--------|----------------|------------------------------|-------------------|-------------------------------------------|
| 方面 | 校准机理模型 | 后处理机理模型 | 获取数据驱动模型特征 | 两种模型融合 |
| 特征 | 提供参数的点估计或者分布估计 | 采用统计方法修正机理模型； 采用统计方法综合多个机理模型 | 根据机理获取重要特征，具有可解释性 | * 机理模型获取全局动态演化过程 * 数据模型刻画局部稳态周期模式 |
| 应用场景 | 卡尔曼滤波 | 天气预测问题 | 风机结冰预测 | 空气质量预测 |
2 数据驱动模型与专家经验的融合
适用场景
历史数据没有标记，领域专家提供少量异常样本。
融合方法
- 将已有专家规则形式化，采用大量历史数据验证，完善专家规则逻辑。
- 主动学习（Active Learning），旨在通过智能选择最有价值的数据样本来进行标注，从而在标注成本有限的情况下，最大限度地提高模型的性能。参考链接 【学习资源】人在环路的机器学习
- 采样策略包括：不确定性采样、基于代表性的采样、基于密度的采样、信息增益法、多样性采样以及综合性策略
- 可使用的其他方法 ：
- 无监督学习，包括异常样本相似度匹配。参考视频 【理论和案例】工业大数据分析方法论与故障预诊断和设备健康管理
3 工业制造领域的问题和可解释机器学习能解决的问题
问题类型
- 简单问题：线性关系、低维
- 中等复杂问题：非线性关系、需特征分析
- 高复杂问题：复杂因果关系、多变量交互
问题场景
- 质量控制与缺陷检测、设备故障诊断、预测生产性能、预测设备寿命 、预测与优化能耗、预测产品合格率、分类故障、优化过程工艺参数、优化生产流程、分类工艺条件、检测生产异常、推荐生产参数、故障预测与预防性维护、因果分析、风险评估
4 可解释机器学习的应用
介绍可解释机器学习的特点、应用场景和问题复杂度。
|--------|--------------------------------------|-------------------------------------------------------------------------|---------------------------------------------|------------------------------------------------------------|
| | 决策树 | 随机森林 | 线性回归和逻辑回归 | 支持向量机 |
| 特点 | * 结构简单，易于可视化。 * 每个决策路径对应一个具体规则，便于解释。 | * 基于多个决策树的集成模型，虽然复杂度高于单一决策树，但仍具有较好的可解释性。 * 提供特征重要性评分，帮助理解哪些因素对预测结果贡献最大。 | * 简单、直观，适用于线性关系的建模。 * 模型系数可以直接用于解释变量对结果的影响。 | * 虽然解释性稍低，但对于低维度问题，通过支持向量和边界位置，可以提供一定的可解释性。 * •可用于分类和回归问题。 |
| 应用场景 | * 质量控制与缺陷检测 * 设备故障诊断 | * 预测生产性能 * 预测设备寿命 | * 预测能耗 * 预测产品合格率 | * 分类故障 * 优化工艺参数，找到最优工艺参数的决策边界 |
| 问题 复杂度 | 简单 | 中等复杂 | 简单 | 中等到高复杂问题 |
|--------|---------------------------------------------------------|-------------------------------------------------------------|----------------------------------------------------------------|------------------------------------|
| | 朴素贝叶斯 | **K-**近邻 | 梯度提升树 | 因果推断与贝叶斯网络 |
| 特点 | * 基于概率的简单分类模型，特别适用于条件独立性假设成立的场景。 * 提供后验概率，可解释预测结果的置信度。 | * •基于相似性度量，简单直观。 * •结果可通过查看"邻居"样本的特征来解释。 | * 性能强大，解释性相对较好，提供特征重要性分析。 * 可以通过树结构或特征重要性图来解释模型的预测逻辑。 | * 特别适合分析变量间的因果关系。 * 提供可解释的因果路径。 |
| 应用场景 | * 根据历史数据，对生产工艺条件进行分类并解释条件组合的影响。 * 利用传感器数据，检测生产过程中的异常模式。 | * 根据历史数据，推荐与当前条件最相似的成功生产案例的参数。 * 根据设备历史运行数据，判断当前设备运行状态是否异常。 | * •用于优化复杂生产流程，找出对产量或质量影响最大的参数。 * •根据时序数据，预测设备的故障时间，并分析关键的故障指标。 | * 分析生产参数之间的因果关系。 * 评估参数对生产结果的潜在影响。 |
| 问题 复杂度 | 简单到中等复杂问题 | 简单到中等复杂问题 | 中等复杂到高复杂问题 | 高复杂 |
5 参考资源
书籍
田春华. 工业大数据分析算法实战. 2022年6月. 机械工业出版社
可解释机器学习:黑盒模型可解释性理解指南(第2版)(德)Christoph Molnar (克里斯托夫·莫尔纳)
视频
如何融合机理模型、专家经验和数据驱动实现工业人工智能？
https://www.bilibili.com/video/BV1EaFYz6Eix/
智慧树工业AI科普课程
https://coursehome.zhihuishu.com/courseHome/1000134128
幻灯片
https://github.com/bettermorn/IAICourse/tree/main/courseware
参考文章
https://blog.csdn.net/weixin_38575258/article/details/142705839 【学习资源】人在环路的机器学习
更多工业智能内容，欢迎查看