Επεξηγήσιμη τεχνητή νοημοσύνη για ανάλυση χρονοσειρών και προληπτική συντήρηση

Abstract

Αυτή η εργασία ερευνά τη χρήση μεθόδων Τεχνητής Νοημοσύνης στην ανάλυση χρονοσειρών και την προγνωστική συντήρηση, με στόχο την παροχή εις βάθος γνώσεων και ρεαλιστικών λύσεων για προκλήσεις σε αυτούς τους τομείς καθώς και την εφαρμογή μεθόδων Επεξηγήσιμης Τεχνητής Νοημοσύνης (XAI) στην ανάλυση χρονοσειρών τονίζοντας την ανάγκη για κατανοητά και ερμηνεύσιμα αποτελέσματα. Σημαντικό μέρος αυτής της εργασίας είναι η ανάπτυξη μιας πρωτότυπης εφαρμογής για την παρακολούθηση και την προγνωστική συντήρηση των κύριων κινητήρων σε εμπορικά πλοία. Η εφαρμογή έχει σχεδιαστεί για τον έγκαιρο εντοπισμό πιθανών βλαβών, αξιοποιώντας δεδομένα χρονοσειρών από διάφορους αισθητήρες κινητήρων. Αυτή η προληπτική προσέγγιση βοηθά στην αποφυγή δαπανηρών και χρονοβόρων επισκευών, διασφαλίζοντας την αδιάλειπτη και ασφαλή λειτουργία των πλοίων. Όπως και άλλος βιομηχανικός εξοπλισμός, τα πλοία είναι εξοπλισμένα με αισθητήρες που συλλέγουν δεδομένα σχετικά με τη συνολική τους λειτουργία και την κατάσταση των εξαρτημάτων τους. Αυτά τα δεδομένα, όταν αναλύονται μέσω τεχνικών τεχνητής νοημοσύνης, δίνουν πληροφορίες για πιθανά σφάλματα του κινητήρα. Αυτές οι πληροφορίες καθοδηγούν τις διαδικασίες λήψης αποφάσεων, όπως η παραγγελία ανταλλακτικών ή η αλλαγή δρομολόγησης πλοίων για συντήρηση. Αυτή η εργασία εισάγει μια προσέγγιση δύο επιπέδων για την προγνωστική συντήρηση, χρησιμοποιώντας τεχνικές μηχανικής και βαθιάς εκμάθησης σε δεδομένα αισθητήρων για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της μηχανής ενός πλοίου. Η προσέγγιση περιλαμβάνει μια σειρά μοντέλων που αναλύονται και εφαρμόζονται ειδικά για τη ναυτιλιακή βιομηχανία, καθώς και ένα σύνολο από αυτά τα μοντέλα για βελτιωμένη ακρίβεια πρόβλεψης. Η αποτελεσματικότητα αυτής της προσέγγισης αποδεικνύεται χρησιμοποιώντας δεδομένα πραγματικού κόσμου από μια ναυτιλιακή εταιρεία. Επιπλέον, η εργασία υπερβαίνει τη συμβατική εξόρυξη δεδομένων και την προεπεξεργασία στο ML, τονίζοντας τη σημασία της εμπιστοσύνης και της ερμηνείας του μοντέλου, ειδικά σε σενάρια λήψης αποφάσεων στην πραγματικότητα. Το XAI είναι κεντρικό από αυτή την άποψη, υποστηρίζοντας σαφέστερες εξηγήσεις των αποφάσεων μοντέλων ML, πέρα από τις βασικές μετρήσεις απόδοσης. Η εργασία διερευνά διάφορες τεχνικές επεξήγησης, τόσο ενσωματωμένες όσο και εφαρμοσμένες μετά την ανάπτυξη του μοντέλου, για τη βελτίωση της κατανόησης και της εφαρμογής των αποτελεσμάτων. Παρουσιάζεται ένα Βαθύ Νευρωνικό Δίκτυο (DNN) με αρχιτεκτονική δασκάλου-μαθητή (μοντέλο απόσταξης), το οποίο προσφέρει ερμηνευτικότητα σε εργασίες ταξινόμησης χρονοσειρών. Η μέθοδος περιλαμβάνει τη μετατροπή χρονοσειρών σε 2D γραφικά και τη χρήση μεθόδων επισήμανσης εικόνων όπως το LIME και το Grad-Cam για να γίνουν κατανοητές οι προβλέψεις. Αν και αυτή η προσέγγιση προσφέρει αυξημένη ακρίβεια, έρχεται με την αντιστάθμιση του εκτεταμένου χρόνου εκπαίδευσης. Τέλος, η εργασία αντιμετωπίζει τις προκλήσεις των μη ισορροπημένων συνόλων δεδομένων, υπογραμμίζοντας την ανάγκη για στοχευμένη εκπαίδευση μοντέλων για τη βελτίωση της της ακρίβειας, ιδιαίτερα για τις κατηγορίες μειοψηφίας, με μεθόδους όπως το SMOTE και το ADASYN που χρησιμοποιούνται για τον μετριασμό αυτών των προκλήσεων.