.png){kind=icon}
返回
Utilizing knowledge graphs for explainable artificial intelligence in manufacturing
.png){kind=icon}
PRE
AI
DOI：10.1080/0951192X.2026.2619782.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业4.0的创新通过整合信息技术（IT）和运营技术（OT）彻底改变了现代制造系统的能力。这种融合释放了前所未有的制造潜力，实现了高级智能和自主性。然而，一个关键挑战依然存在：这些系统的决策过程缺乏透明度和可解释性。机器学习模型是许多工业4.0进步的核心，但通常作为“黑箱”运行，提供决策而缺乏明确的推理依据。本文通过引入基于知识图谱的可解释性框架来解决这一挑战，以增强机器学习输出的推理过程。开发了一种流程本体并将其应用于机器人装配线，以明确分类算法决策背后的推理。该框架为技术人员提供了分类器预测背后的解释。本文详细介绍了该框架的开发及其在机器人装配线上的成功部署。选择DrCIF作为分类器，经过训练和测试后能够以99%的F1分数识别有缺陷的组装火箭。然后通过部署的本体解释该分类器的输出，展示了其弥合先进制造智能与决策透明度之间差距的潜力。
Keyword:
Smart manufacturing
explainable AI
knowledge graph
manufacturing ontology
time series analytics
期刊
I
IF:
4
论文数:
2.3K
被引数:
3.4K
机构
引用论文
A methodology for building a semantically annotated multi-faceted ontology for product family modelling一种为产品族建模构建语义注释的多面本体的方法
PREAI
分享收藏
分享收藏Benchmarking Transfer Learning Strategies in Time-Series Imaging: Recommendations for Analyzing Raw Sensor Data.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容