【工业智能】可解释机器学习在工业制造领域的应用

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 :

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

https://github.com/bettermorn/IAICourse

相关推荐
对你无可奈何7 小时前
给 ComfyUI 做了一个手机助手
人工智能
feasibility.9 小时前
英伟达把物理AI的3D模型“应用商店”开放了:2575个SimReady仿真资产,总计约472GB,可让agent装配机器人训练场景
人工智能·3d·机器人·仿真·建模·具身智能·英伟达
智联视频超融合平台9 小时前
消防宣传月过半,“AI+消防“给视频平台换了张考卷
人工智能·边缘计算·视频监控·安防·视频联网
冬奇Lab10 小时前
一天一个开源项目(第262篇):AG-UI —— 把 AI Agent 接进前端的开放协议,和 MCP、A2A 并列的第三块拼图
人工智能·开源
罗西的思考11 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
RobinDevNotes12 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV12 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
Bowen_J13 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
IT_陈寒13 小时前
Redis那个过期删除策略,差点让我线上崩了
前端·人工智能·后端
阿里云大数据AI技术13 小时前
AI 原生大数据服务 ADA 快速入门:完成首次对话式数据分析
大数据·人工智能