- 1、本文档共66页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
目录
摘要I
AbstractIII
1绪论1
1.1研究背景和意义1
1.2国内外研究现状2
1.2.1预测性维护3
1.2.2可解释方法5
1.2.3可解释的预测性维护在机械领域的应用8
1.3主要研究目标和研究内容9
1.4论文章节安排10
2相关理论技术12
2.1知识图谱12
2.2故障预测模型13
2.2.1用于故障预测的机器学习模型14
2.2.2用于故障预测的深度学习模型14
2.3可解释方法14
2.3.1SHAP14
2.3.2LIME15
3基于SHAP和LIME的涡轮风扇发动机可解释故障预测方法16
3.1引言16
3.2方法框架16
3.2.1故障预测和解释17
3.2.2知识图谱的构建19
3.3实验23
3.3.1数据集介绍23
3.3.2实验设置24
3.3.3评价指标25
3.3.4模型比较26
3.3.5故障预测结果解释26
3.4本章小结29
4基于卷积神经网络和事件知识图谱的涡轮风扇发动机可解释故障预测方法30
4.1引言30
4.2方法框架30
4.2.1故障预测31
4.2.2知识图谱的构建31
4.2.3解释网络36
4.2.4知识推理和解释37
4.3实验39
4.3.1数据集介绍39
4.3.2实验设置42
4.3.3评价指标43
4.3.4预测网络实验44
4.3.5解释网络实验44
4.4案例研究46
4.5本章小结49
5总结与展望50
5.1总结50
5.2展望51
参考文献52
致谢59
攻读学位期间发表的学术论著60
摘要
机械设备维护在工业领域至关重要,它显著影响成本和可靠性。随着“中国制造2025”
国家战略的推进,云计算、物联网、人工智能等新一代信息技术与制造业的深度融合成为
了智能转型与升级的关键。维护策略正逐步从被动维护向预测性维护演变。预测性维护利
用历史数据、模型和专业知识,通过统计学和机器学习模型分析趋势、行为模式和相关性,
旨在提前识别潜在故障。这种方法通过优化维护决策过程,减少意外停机,来提升设备可
靠性和效率。目前,数据驱动的预测性维护方法已展现出良好性能,但其采用的人工智能
算法缺乏透明度,无法提供对预测结果的准确解释,这导致用户对预测结果持怀疑态度。
为解决这一问题,本研究提出了一种基于SHAP和LIME的涡轮风扇发动机可解释故
障预测方法,该方法不仅可以诊断设备早期故障,确定异常部位,还可以提供准确解释。
目前在图像识别领域,可解释性方法已经得到了广泛的应用,这些方法有助于理解模型如
何做出决策,尤其在医疗诊断和安全系统等关键领域。相比之下,在机械领域,尽管机器
学习和人工智能技术的应用正在增长,但关于可解释性方法的研究和应用较少。本研究将
可解释性方法应用于机械故障预测。首先通过实验研究选择合适的故障预测模型,确保准
确诊断设备状态。然后,本研究选择SHapleyAdditiveexPlanations(SHAP)和Local
InterpretableModel-AgnosticExplanations(LIME)这两种可解释性方法,它们是目前
文档评论(0)