典型文献
机器学习模型可解释性研究及其在PHM中应用现状综述
文献摘要：
得益于机器学习理论及技术的高速发展,数据驱动的预测及健康管理(Prognostic and Health Management,PHM)系统能从高维的多源异构数据中学习设备不同状态的特征和趋势,进而完成诊断和预测任务.然而,复杂机器学习模型的不透明性也引发了使用者对模型的信任问题,且设计者难以根据自身知识针对性改进模型.为此,本文总结了机器学习可解释性研究进展,归纳了其研究范式,概述了模型可解释性在PHM领域中的应用,并对比了当前可解释性研究在机器学习和PHM中的研究模式,提出未来的一些研究设想.
文献关键词：
机器学习;可解释性;PHM;深度学习;故障诊断;特征选择
中图分类号：
作者姓名：
周登极;郝佳瑞;黄大文
作者机构：
上海交通大学动力机械及工程教育部重点实验室,上海 200240
文献出处：
引用格式：
[1]周登极;郝佳瑞;黄大文-.机器学习模型可解释性研究及其在PHM中应用现状综述)[J].系统工程,2022(06):1-10
A类：
机器学习可解释性
B类：
机器学习模型,模型可解释性,可解释性研究,PHM,现状综述,机器学习理论,Prognostic,Health,Management,高维,多源异构数据,不透明性,信任问题,设计者,改进模型,研究范式,研究模式,特征选择
AB值：
0.268832
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
