[論文レビュー] Explainable AI for tool wear prediction in turning

Saleh Valizadeh Sotubadi, Rui Liu+1 more|arXiv (Cornell University)|Aug 17, 2023

Advanced machining processes and optimization被引用数 6

ひとこと要約

本研究では、ランダムフォレスト分類器とシャープレイ値を用いた解釈可能なAI（XAI）フレームワークを提案し、旋盤加工における工具摩耗予測の解釈を可能にする。加速度、音響、温度、主軸回転速度の分析を通じて、工具状態の分類において温度が最も影響力のある特徴量であることが特定され、92.31%の正解率を達成。これにより、作業者が機械学習による意思決定を理解できるようになった。

ABSTRACT

This research aims develop an Explainable Artificial Intelligence (XAI) framework to facilitate human-understandable solutions for tool wear prediction during turning. A random forest algorithm was used as the supervised Machine Learning (ML) classifier for training and binary classification using acceleration, acoustics, temperature, and spindle speed during the orthogonal tube turning process as input features. The ML classifier was used to predict the condition of the tool after the cutting process, which was determined in a binary class form indicating if the cutting tool was available or failed. After the training process, the Shapley criterion was used to explain the predictions of the trained ML classifier. Specifically, the significance of each input feature in the decision-making and classification was identified to explain the reasoning of the ML classifier predictions. After implementing the Shapley criterion on all testing datasets, the tool temperature was identified as the most significant feature in determining the classification of available versus failed cutting tools. Hence, this research demonstrates capability of XAI to provide machining operators the ability to diagnose and understand complex ML classifiers in prediction of tool wear.

研究の動機と目的

• 切削加工における工具摩耗予測に用いられる機械学習モデルの解釈可能性の欠如に対処すること。
• 機械学習モデルの意思決定プロセスを明確にするため、工具摩耗分類における解釈可能なAI（XAI）フレームワークを開発すること。
• 製造現場の作業者やエンジニアが、どの入力特徴量が工具摩耗予測に最も影響を与えているかを理解できるようにすること。
• 透明で人間が理解可能な説明を提供することで、産業現場における機械学習モデルの信頼性と利用可能性を向上させること。
• 工具摩耗分類に最も寄与するプロセス特徴量を特定し、プロセス最適化を支援すること。

提案手法

• 旋盤実験で得られたリアルタイムのセンサデータを用いて、工具状態（摩耗あり vs. 摩耗なし）の二値分類を目的とした教師ありランダムフォレスト分類器（RFC）を採用する。
• 1018スチールの正交切削中に収集した加速度、音響、温度、主軸回転速度のセンサデータを前処理し、そのデータでRFCモデルを学習する。
• ゲーム理論のシャープレイ値法を用い、各入力特徴量が個々の予測に与える寄与度を説明する。
• シャープレイ値を用いて特徴量の重要度順位を算出し、個々の予測におけるモデル意思決定の解釈を可能にする。
• 正解率（92.31%）、マチューズ相関係数（MCC）、ROC-AUCなどの標準指標を用いてモデル性能を評価する。
• SHAPフォースプロットを用いてモデルの説明を可視化し、特徴量の予測への影響、特に誤検出（偽陽性）と誤検出（偽陰性）の状況を明確にする。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレストモデルが旋盤加工における工具摩耗状態を予測する際に、どの入力特徴量が最も顕著に寄与しているか？
• RQ2 シャープレイ値に基づく説明手法は、工具摩耗分類の機械学習モデル意思決定をどの程度効果的に解釈できるか？
• RQ3 XAIフレームワークは、機械学習モデルが行う誤った予測の背後にある理由を特定し、説明できるか？
• RQ4 他の特徴量と比較して、温度が工具状態分類におけるモデル出力にどの程度の影響を与えているか？
• RQ5 XAIフレームワークは、プロセスエンジニアが解釈可能なインサイトに基づいて工具摩耗を診断し、プロセスパラメータを調整するのを支援できるか？

主な発見

• ランダムフォレスト分類器は、摩耗ありと摩耗なしの工具を識別する際、テスト正解率92.31%を達成した。
• シャープレイ値分析により、モデルの分類意思決定において工具温度が最も重要な入力特徴量であることが明らかになった。
• 誤った予測が発生した場合でも、シャープレイ値は一貫して温度がモデル出力に最も大きな影響を与えていることを示した。
• XAIフレームワークは、個々の予測に対する説明を的確に提供し、作業者がモデル意思決定を理解し、各特徴量の寄与度を評価できるようにした。
• 偽陽性および偽陰性のケースはSHAPフォースプロットを用いて分析され、温度が誤分類に最も大きな影響を与えていることが明らかになった。
• 本研究では、XAIが機械学習ベースの工具摩耗予測における透明性と信頼性を向上させ、製造現場におけるリアルタイム意思決定を支援できることを示した。