PREDICTIVE MAINTENANCE OF HEAVY-DUTY TRUCKS USING EXPLAINABLE MACHINE LEARNING

Аңдатпа

Ауыр жүк көліктеріне болжамды техникалық қызмет көрсету күрделі міндет болып табылады, өйткені ақаулар туралы ашық деректер жиындары сирек кездеседі, ал дәл машиналық оқыту модельдерін түсіндіру жиі қиын. Бұл зерттеу 33 000-нан астам жүк көлігінен жиналған нақты SCANIA Component X көпөлшемді уақыттық деректер жиынында Random Forest жіктеуішін және SHAP түсіндіру әдісін бағалайды. Зерттеудің мақсаты – әр көлік бойынша соңғы қолжетімді өлшем негізінде ақау қаупін болжау және модель шешіміне әсер ететін эксплуатациялық белгілерді анықтау. Деректер бір көлікке бір жазбаға дейін біріктірілді, жетіспейтін мәндер оқыту жиынының медианаларымен толтырылды, ал класстар теңгерімсіздігі класстарды салмақтау және шешім шегін оңтайландыру арқылы ескерілді. Валидациялық жиында модель дәлдігі 0,853, толықтығы 0,447, оң класс дәлдігі 0,315 және F1-көрсеткіші 0,370 болды. SHAP талдауы негізгі болжамдық ақпарат аз санды гистограммалық және санауыш белгілерінде шоғырланғанын көрсетті.