[论文解读] 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 6

一句话总结

本研究提出了一种基于随机森林分类器和Shapley值的可解释人工智能（XAI）框架，用于解释车削加工中刀具磨损预测的决策过程。通过分析加速度、声学信号、温度和主轴转速等参数，该方法识别出温度是分类刀具状态的最关键特征，模型准确率达到92.31%，使操作人员能够理解机器学习驱动的决策逻辑。

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.

研究动机与目标

• 解决机器学习模型在机械加工中刀具磨损预测应用时缺乏可解释性的问题。
• 开发一种可解释人工智能（XAI）框架，阐明机器学习模型在刀具磨损分类中的决策过程。
• 使制造操作员和工程师能够理解哪些输入特征对刀具磨损预测影响最大。
• 通过提供透明且人类可理解的解释，提升工业环境中机器学习模型的信任度与可用性。
• 识别影响刀具磨损分类的关键工艺参数，以支持工艺优化。

提出的方法

• 采用监督式随机森林分类器（RFC）对刀具状态（磨损与未磨损）进行二分类，基于车削实验中采集的实时传感器数据。
• 利用在1018钢的正交车削过程中采集的加速度、声学、温度和主轴转速传感器的预处理数据，训练RFC模型。
• 应用博弈论中的Shapley值方法，解释每个输入特征对单个预测结果的贡献程度。
• 利用Shapley值生成特征重要性排序，并在实例层面解释模型决策。
• 采用标准评估指标（包括准确率（92.31%）、马修斯相关系数（MCC）和ROC-AUC）评估模型性能。
• 使用SHAP力图可视化模型解释结果，展示各特征对预测结果的影响，包括误报与漏报情况。

实验结果

研究问题

• RQ1 在车削加工中，哪些输入特征对随机森林模型预测刀具磨损状态的贡献最为显著？
• RQ2 基于Shapley值的解释方法在解释机器学习模型进行刀具磨损分类决策方面效果如何？
• RQ3 XAI框架能否识别并解释机器学习模型错误预测背后的推理逻辑？
• RQ4 与其他特征相比，温度对模型分类刀具状态的影响程度有多大？
• RQ5 XAI框架能否支持工艺工程师基于可解释的洞察信息，诊断刀具磨损并调整工艺参数？

主要发现

• 随机森林分类器在区分磨损与未磨损切削刀具的测试中，准确率达到92.31%。
• Shapley值分析表明，刀具温度是决定模型分类决策的最关键输入特征。
• 即使在预测错误的情况下，Shapley值仍一致地表明温度是影响模型输出的主导因素。
• XAI框架成功提供了实例级别的解释，使操作人员能够理解模型决策并评估各特征的贡献。
• 通过SHAP力图对误报与漏报案例进行分析，显示温度对误分类的影响最大。
• 本研究证明，XAI可提升基于机器学习的刀具磨损预测的透明度与可信度，支持制造环境中的实时决策。