.png){kind=icon}
返回
Interpretable Predictive Maintenance: Combining Anomaly Detection with Quantitative Root Cause Analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05179-0_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测性维护（PdM）旨在通过早期检测来预防故障，但缺乏可解释性以支持决策制定。当前PdM模型通常能识别故障，但无法解释其根本原因，尤其是在具有复杂和有限标注数据的实际场景中。本研究提出了一种可解释框架，结合基于LSTM的异常检测与基于SHAP归因的双层根本原因分析（RCA）。应用于实际数据集时，该方法能检测退化转变，追踪随时间的故障模式，并提供无需显式根本原因标签的可解释信息。
Keyword:
Predictive Maintenance
Anomaly Detection
Root Cause Analysis
Explainability
期刊
P
IF:
0
论文数:
36
被引数:
0
机构
引用论文
Predicting the Failure of Component X in the Scania Dataset with Graph Neural Networks使用图神经网络预测Scania数据集中组件X的故障
PREAI
分享收藏Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏SCANIA Component X dataset: a real-world multivariate time series dataset for predictive maintenanceSCANIA Component X 数据集：一个用于预测性维护的真实世界多元时间序列数据集SCIENTIFIC DATA
OAAI
SCIENTIFIC DATAIF6.9
OAAI分享收藏
查看更多内容