.png){kind=icon}
返回
Explainable artificial intelligence study on bolt loosening detection using Lamb waves
.png){kind=icon}
OA
AI
DOI：10.1016/j.ymssp.2024.112285.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人工智能（AI）技术的快速发展，基于深度学习的结构健康监测（DeepSHM）方法已获得广泛关注。然而，其“黑箱”特性往往限制了可解释性和可信度。可解释人工智能（XAI）领域旨在通过人类可理解的解释来增强模型透明度和可靠性，以解决这一问题。本研究探讨了XAI算法在解释为多螺栓双层铝板螺栓松动检测中的兰姆波监测而开发的1D卷积神经网络（1D CNN）中的应用。研究中采用了四种现有XAI算法，包括敏感性分析（Sensitivity Analysis）、Deep Taylor、梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad CAM）和引导Grad CAM（Guided Grad CAM）。此外，本文还引入了两种新的XAI方法，即Smooth Simple Taylor和Deep Grad CAM，分别作为Simple Taylor和Grad CAM方法的改进。这六种XAI算法被用于建立1D CNN模型参数与输入向量之间的关系。结果通过两种提出的评估方法，即残差信号相关系数（Correlation Coefficient with Residual Signal）和残差信号加权重要性得分比（Residual Signal Weighted Importance Score Ratio），与输入向量的物理洞察力进行了比较评估。评估方法的结果结合了Infidelity、Sense sum和Sanity check，用于对六种XAI算法的性能进行排名。排名在模拟和实验数据集中均保持一致，且新提出的XAI算法Smooth Simple Taylor在两个数据集中均表现最佳。总体而言，本研究建立了一种新颖的方法，利用XAI算法增强人工智能在工程实际应用中的可解释性。
Keyword:
Lamb waves
Deep learning
Explainable AI (XAI)
One-dimensional convolutional neural network
Bolt loosening detection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容