基于Shapley值的可解释AI在风机齿轮箱健康监测与故障定位中的应用

摘要

在风力发电领域，风机齿轮箱健康状态直接影响风电机组的发电量，而当前基于领域知识和数据驱动的齿轮箱故障诊断与定位技术受限于领域知识的完备性、数据量不足及算法透明度不足。为解决此问题，提出了一种既具有学习能力又能提供可解释输出的可解释人工智能（explainable AI, XAI）框架。通过将Shapley值分析法引入无监督和监督学习算法中实现算法改进，缓解模型对数据量的过度依赖，同时增强模型的可解释性。实验通过两个典型风机齿轮箱案例验证了该框架的有效性：案例1结果表明，相较于无监督和监督学习算法，所提出的框架在数据标签稀缺情况下显著提升了聚类效果；案例2结果表明，所提出的框架通过模型可解释性分析，实现风机齿轮箱故障成因定位，能够为齿轮箱故障预防与维护提供指导性建议。实验结果展示了“知识+数据”结合方式在工程应用中的显著效果，为可解释人工智能的落地应用提供有价值的参考。

关键词

风力发电 / 齿轮箱故障 / 可解释AI(XAI) / Shapley值 / 聚类