DOI: https://doi.org/10.1007/s13042-026-03246-7
تاريخ النشر: 2026-08-04
المؤلف: C. Z. Yuan وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات
نظرة عامة
تقدم هذه الدراسة إطار عمل لتعلم الآلة القابل للتفسير باستخدام SHAP (SHapley Additive exPlanations) للتنبؤ بالعمر المتبقي المفيد (RUL) لأنظمة التوربينات، تم تقييمه باستخدام مجموعة بيانات NASA C-MAPSS. من بين ثمانية خوارزميات تعلم الآلة التي تم تقييمها، برز LightGBM كالأكثر فعالية، حيث حقق خطأ الجذر التربيعي المتوسط (RMSE) قدره 36.68، وخطأ متوسط مطلق (MAE) قدره 26.53، ومعامل تحديد ($R^2$) قدره 0.713. حدد تحليل SHAP قياسات المستشعرات 11 و 15، بالإضافة إلى دورات التشغيل (time_in_cycles)، كأهم المتنبئين بـ RUL، كاشفًا عن قيم عتبة حرجة (حوالي 0.5) لمستشعرات رئيسية وموضحًا تفاعلات غير خطية ملحوظة بينها.
تسهم النتائج في سد الفجوة بين التنبؤات عالية الدقة وآليات التدهور القابلة للتفسير، مما يثبت صحة نموذج تعلم الآلة المدعوم بالفيزياء. تقترح الدراسة آلية إنذار مبكر من ثلاثة مستويات تترجم رؤى SHAP إلى استراتيجيات صيانة قابلة للتنفيذ، مما يوفر للمهندسين حدود قرار واضحة وتفسيرات بلغة طبيعية. تشير خارطة الطريق لتنفيذ مرحلي إلى جدوى عملية مع عائد استثمار متوقع يتجاوز 150% وتوافر النظام لأكثر من 99%. لا تؤكد هذه الأبحاث فقط فعالية SHAP في الصيانة التنبؤية الصناعية، بل تضع أيضًا الأساس لتحسينات مستقبلية، بما في ذلك دمج هياكل التعلم العميق وتطبيق المنهجية على أنظمة معقدة أخرى. في النهاية، تُظهر أن الذكاء الاصطناعي القابل للتفسير يمكن أن يحقق كل من دقة تنبؤية عالية واتخاذ قرارات شفافة، مما يساهم في تحسين موثوقية المعدات وتحسين تخصيص موارد الصيانة في التطبيقات الصناعية الحرجة من حيث السلامة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم لأنظمة التوربينات في مختلف القطاعات، مشددة على أهمية الصيانة التنبؤية، لا سيما في تقدير العمر المتبقي المفيد (RUL) للمعدات. يعد تقدير RUL أمرًا أساسيًا للانتقال من استراتيجيات الصيانة التفاعلية إلى الاستباقية، مما يمنع الفشل ويعزز تخصيص الموارد. تنقسم الطرق التقليدية لتقدير RUL إلى نماذج قائمة على الفيزياء، والتي تتطلب صيغ رياضية معقدة، ونهج مدفوعة بالبيانات، لا سيما تقنيات تعلم الآلة (ML)، التي يمكن أن تحلل مجموعات بيانات كبيرة بفعالية ولكن غالبًا ما تفتقر إلى القابلية للتفسير. تشكل غموض نماذج ML عالية الأداء تحديات في التطبيقات الحرجة من حيث السلامة، حيث يعد فهم الأسباب وراء التنبؤات أمرًا حيويًا لقرارات الصيانة.
تحدد الورقة فجوات كبيرة في الأبحاث الحالية، لا سيما الحاجة إلى نهج منهجي يجمع بين تقديرات RUL الدقيقة وعمليات اتخاذ القرار القابلة للتفسير. بينما يقدم تعلم الآلة المدعوم بالفيزياء (PIML) حلاً محتملاً، لا تزال عملية التنفيذ العملي تمثل تحديًا. لمعالجة هذه القضايا، تقترح الدراسة إطار عمل لتعلم الآلة القابل للتفسير الذي يدمج SHAP (SHapley Additive exPlanations) من أجل القابلية للتفسير مع نماذج تجميع عالية الأداء لتقدير RUL في أنظمة التوربينات. يهدف هذا النهج إلى تعزيز كفاءة الصيانة، وتقليل التكاليف، وإطالة عمر الخدمة للمعدات من خلال توفير تفسيرات شفافة للتنبؤات، مما يسد الفجوة بين الدقة التنبؤية والفهم الميكانيكي لعمليات التدهور.
طرق
يتكون إطار العمل المنهجي المقترح من ثلاث مراحل رئيسية: معالجة البيانات والتقييم، تحليل الميزات وتدريب النموذج، وتحليل القابلية للتفسير. يسهل هذا النهج المنظم الانتقال السلس من اكتساب البيانات الخام إلى النمذجة التنبؤية وتوليد رؤى قابلة للتفسير. تتضمن سلسلة معالجة البيانات تحميل البيانات وتنظيفها والتحقق من صحتها وهندسة الميزات من مجموعة بيانات CMAPSS FD002. في مرحلة تحليل الميزات وتدريب النموذج، يتم إجراء تحليل الارتباط باستخدام تصورات خريطة الحرارة، تليها تدريب ثمانية خوارزميات تعلم الآلة، بما في ذلك LightGBM وRandom Forest وXGBoost. يستخدم تحليل القابلية للتفسير تقنيات SHAP وLIME لإنتاج تقارير شاملة حول قابلية تفسير النموذج.
تم تنظيم سير العمل التجريبي في خمس مراحل متتالية لضمان الصرامة المنهجية. في المرحلة 1، يتم تحميل مجموعة بيانات NASA C-MAPSS FD002، ويتم إجراء فحوصات جودة البيانات لتحديد القيم المفقودة والقيم الشاذة. بالإضافة إلى ذلك، يتم بناء تسميات العمر المتبقي المفيد (RUL)، وتقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%) باستخدام أخذ عينات متدرجة للحفاظ على تمثيل متوازن عبر مراحل التدهور المختلفة. يدعم هذا النهج المنهجي موثوقية وصلاحية التحليلات والنتائج اللاحقة.
نتائج
في نتائج تحسين المعلمات، تم استخدام بحث منهجي عبر الشبكة والتحقق المتبادل لتحديد التكوينات المثلى لمختلف نماذج تعلم الآلة. بالنسبة لـ LightGBM، تضمنت المعلمات المثلى $n_{\text{estimators}}=200$، $\text{learning\_rate}=0.05$، $\text{max\_depth}=7$، $\text{num\_leaves}=31$، $\text{min\_child\_samples}=20$، $\text{subsample}=0.8$، و$\text{colsample\_bytree}=0.8$. تم تحسين نموذج Random Forest مع $n_{\text{estimators}}=150$، $\text{max\_depth}=15$، $\text{min\_samples\_split}=5$، $\text{min\_samples\_leaf}=2$، و$\text{max\_features}=\text{‘sqrt’}$. حقق XGBoost أفضل أداء مع $n_{\text{estimators}}=180$، $\text{learning\_rate}=0.08$، $\text{max\_depth}=6$، $\text{subsample}=0.85$، $\text{colsample\_bytree}=0.85$، و$\gamma=0.1$. تم تكوين Gradient Boosting مع $n_{\text{estimators}}=150$، $\text{learning\_rate}=0.1$، $\text{max\_depth}=5$، و$\text{subsample}=0.8$.
بالنسبة لطرق الحالة المستندة وطرق النواة، استخدم K-Nearest Neighbors (KNN) $n_{\text{neighbors}}=7$ مع وزن موحد ومقياس المسافة الإقليدية، بينما استخدم Support Vector Regression (SVR) نواة RBF مع $C=100$، $\epsilon=0.1$، و$\gamma=\text{‘scale’}$. لم تتطلب الانحدار الخطي أي ضبط للمعلمات بخلاف صيغة المربعات العادية الافتراضية. تم تعيين نموذج Decision Tree مع $\text{max\_depth}=10$، $\text{min\_samples\_split}=10$، و$\text{min\_samples\_leaf}=5$ لتقليل الإفراط في التخصيص. تتوفر مساحات بحث المعلمات التفصيلية ومنحنيات التعلم للتحقق المتبادل في المواد التكميلية.
مناقشة
في هذه الدراسة، نقوم بمقارنة منهجية لثمانية نماذج تعلم الآلة—LightGBM، Random Forest، XGBoost، Gradient Boosting، KNN، الانحدار الخطي، SVR، وDecision Tree—باستخدام مجموعة بيانات التوربينات NASA C-MAPSS. تؤكد تحليلاتنا على كل من الأداء التنبؤي والقابلية للتفسير، كاشفة أن LightGBM يحقق أفضل النتائج مع خطأ الجذر التربيعي المتوسط (RMSE) قدره 36.68، وخطأ متوسط مطلق (MAE) قدره 26.53، ومعامل تحديد ($R^2$) قدره 0.713، بينما يدعم أيضًا تقنيات التفسير المتقدمة. نستخدم SHAP (SHapley Additive exPlanations) لربط أهمية الميزات الإحصائية مع آليات التدهور الفيزيائية، محددين المستشعرات الحرجة وتأثيراتها غير الخطية على تقديرات العمر المتبقي المفيد (RUL). من الجدير بالذكر أننا نجد عتبة حرجة لمستشعر واحد تتماشى مع نظرية إجهاد المواد، مما يسد الفجوة بين الرؤى المستندة إلى البيانات والمبادئ الهندسية.
علاوة على ذلك، نقترح آلية إنذار مبكر من ثلاثة مستويات (أخضر-أصفر-أحمر) بناءً على تحليل عتبة SHAP، والتي تترجم نتائج القابلية للتفسير إلى استراتيجيات صيانة قابلة للتنفيذ. توفر هذه الآلية لمهندسي الصيانة حدود قرار واضحة وتوصيات، مما يعزز القيمة العملية للذكاء الاصطناعي القابل للتفسير في التطبيقات الصناعية. من خلال دمج SHAP مع آليات التدهور الفيزيائية، لا تحقق هذه الدراسة فقط دقة تنبؤية عالية ولكن أيضًا تضمن أن الأسباب وراء التنبؤات قابلة للتتبع والفهم، مما يعزز الثقة بين أنظمة الذكاء الاصطناعي ومهندسي الصيانة. تحدد الأبحاث نطاقها، مع التركيز على الأساليب المستندة إلى البيانات مع استبعاد النمذجة القائمة على الفيزياء، وتضع الأساس للعمل المستقبلي في مجالات مثل التعلم عبر الإنترنت وتقدير عدم اليقين.
القيود
تسلط قسم القيود الضوء على عدة اعتبارات حاسمة للتنفيذ العملي لتقدير العمر المتبقي المفيد (RUL) القابل للتفسير القائم على SHAP في البيئات الصناعية. أولاً، بينما تعتبر مجموعة بيانات NASA C-MAPSS معيارًا، إلا أنها تعتمد على تدهور محاكى قد لا يعكس تمامًا تعقيدات الظروف الواقعية، مثل أنظمة التشغيل العابرة والتغيرات البيئية. لذلك، من الضروري التحقق باستخدام بيانات أسطول التوربينات الفعلية لتقليل الفجوة بين المحاكاة والواقع التي قد تؤثر سلبًا على أداء النموذج.
ثانيًا، تتطلب آلية الإنذار المبكر المقترحة من ثلاثة مستويات معايرة دقيقة لتجنب مشكلات مثل “إرهاق الإنذار”، الذي يمكن أن ينشأ من الإنذارات الكاذبة المفرطة. تستند العتبات المحددة لتصنيف الإنذارات إلى تحليلات إحصائية لمجموعة بيانات C-MAPSS، ولكن قد تحتاج هذه إلى التكيف مع نماذج التوربينات المختلفة والسياقات التشغيلية. بالإضافة إلى ذلك، تشير تحليل التكلفة والفائدة إلى عائد استثمار مواتٍ، مشروطًا بتوافر وجودة البيانات، والتي يمكن أن تتعرض للخطر بسبب مشكلات المستشعر في بيئات إنترنت الأشياء الصناعية. أخيرًا، بينما يوفر SHAP رؤى قيمة حول الارتباطات الإحصائية، إلا أنه لا يحدد العلاقات السببية، مما يشير إلى الحاجة إلى دمج تقنيات الاستدلال السببي لتعزيز القابلية للتفسير. تختتم القسم بتحديد أربعة اتجاهات مستقبلية للبحث، بما في ذلك دمج التعلم العميق، ودمج البيانات متعددة الأنماط، وتقدير عدم اليقين، والتعلم عبر الإنترنت، مع التأكيد على أهمية التعاون بين باحثي الذكاء الاصطناعي، والخبراء في المجال، وممارسي الصيانة من أجل اعتماد صناعي ناجح.
DOI: https://doi.org/10.1007/s13042-026-03246-7
Publication Date: 2026-08-04
Author(s): C. Z. Yuan et al.
Primary Topic: Machine Fault Diagnosis Techniques
Overview
This study introduces an explainable machine learning framework utilizing SHAP (SHapley Additive exPlanations) to predict the remaining useful life (RUL) of turbine systems, evaluated using the NASA C-MAPSS dataset. Among eight machine learning algorithms assessed, LightGBM emerged as the most effective, achieving a root mean square error (RMSE) of 36.68, a mean absolute error (MAE) of 26.53, and a coefficient of determination ($R^2$) of 0.713. SHAP analysis pinpointed sensor measurements 11 and 15, along with operational cycles (time_in_cycles), as the most significant predictors of RUL, revealing critical threshold values (approximately 0.5) for key sensors and highlighting notable nonlinear interactions among them.
The findings bridge the gap between high-accuracy predictions and interpretable degradation mechanisms, validating the Physics-Informed Machine Learning paradigm. The study proposes a three-level early-warning mechanism that translates SHAP insights into actionable maintenance strategies, offering engineers clear decision boundaries and natural language explanations. A phased implementation roadmap indicates practical feasibility with a projected ROI exceeding 150% and system availability over 99%. This research not only validates the effectiveness of SHAP in industrial predictive maintenance but also lays the groundwork for future enhancements, including the integration of deep learning architectures and the application of the methodology to other complex systems. Ultimately, it demonstrates that explainable AI can achieve both high predictive accuracy and transparent decision-making, contributing to improved equipment reliability and optimized maintenance resource allocation in safety-critical industrial applications.
Introduction
The introduction of the research paper highlights the critical role of turbine systems in various sectors, emphasizing the importance of predictive maintenance, particularly in estimating the remaining useful life (RUL) of equipment. RUL prediction is essential for transitioning from reactive to proactive maintenance strategies, thereby preventing failures and optimizing resource allocation. Traditional methods for RUL prediction are divided into physics-based models, which require complex mathematical formulations, and data-driven approaches, particularly machine learning (ML) techniques, which can effectively analyze large datasets but often lack interpretability. The opacity of high-performance ML models poses challenges in safety-critical applications, where understanding the reasoning behind predictions is crucial for maintenance decisions.
The paper identifies significant gaps in existing research, particularly the need for a systematic approach that combines accurate RUL predictions with interpretable decision-making processes. While Physics-Informed Machine Learning (PIML) offers a potential solution, practical implementation remains challenging. To address these issues, the study proposes an explainable machine learning framework that integrates SHAP (SHapley Additive exPlanations) for interpretability with high-performance ensemble models for RUL prediction in turbine systems. This approach aims to enhance maintenance efficiency, reduce costs, and extend equipment service life by providing transparent explanations of predictions, thereby bridging the gap between predictive accuracy and mechanistic understanding of degradation processes.
Methods
The proposed methodology framework consists of three main stages: Data Processing and Assessment, Feature Analysis and Model Training, and Interpretability Analysis. This structured approach facilitates a seamless transition from raw data acquisition to predictive modeling and the generation of explainable insights. The data processing pipeline involves loading, cleaning, validating, and engineering features from the CMAPSS FD002 dataset. In the feature analysis and model training phase, correlation analysis is conducted using heatmap visualizations, followed by the training of eight machine learning algorithms, including LightGBM, Random Forest, and XGBoost. The interpretability analysis employs SHAP and LIME techniques to produce comprehensive model interpretability reports.
The experimental workflow is organized into five sequential stages to ensure methodological rigor. In Stage 1, the NASA C-MAPSS FD002 dataset is loaded, and data quality checks are performed to identify missing values and outliers. Additionally, Remaining Useful Life (RUL) labels are constructed, and the dataset is divided into training (80%) and test (20%) sets using stratified sampling to maintain balanced representation across various degradation stages. This systematic approach underpins the reliability and validity of the subsequent analyses and findings.
Results
In the hyperparameter optimization results, systematic grid search and cross-validation were employed to determine the optimal configurations for various machine learning models. For LightGBM, the optimal parameters included $n_{\text{estimators}}=200$, $\text{learning\_rate}=0.05$, $\text{max\_depth}=7$, $\text{num\_leaves}=31$, $\text{min\_child\_samples}=20$, $\text{subsample}=0.8$, and $\text{colsample\_bytree}=0.8$. The Random Forest model was optimized with $n_{\text{estimators}}=150$, $\text{max\_depth}=15$, $\text{min\_samples\_split}=5$, $\text{min\_samples\_leaf}=2$, and $\text{max\_features}=\text{‘sqrt’}$. XGBoost performed best with $n_{\text{estimators}}=180$, $\text{learning\_rate}=0.08$, $\text{max\_depth}=6$, $\text{subsample}=0.85$, $\text{colsample\_bytree}=0.85$, and $\gamma=0.1$. Gradient Boosting was configured with $n_{\text{estimators}}=150$, $\text{learning\_rate}=0.1$, $\text{max\_depth}=5$, and $\text{subsample}=0.8$.
For instance-based and kernel methods, K-Nearest Neighbors (KNN) utilized $n_{\text{neighbors}}=7$ with uniform weighting and the Euclidean distance metric, while Support Vector Regression (SVR) employed an RBF kernel with $C=100$, $\epsilon=0.1$, and $\gamma=\text{‘scale’}$. Linear Regression did not require any hyperparameter tuning beyond the default ordinary least squares formulation. The Decision Tree model was set with $\text{max\_depth}=10$, $\text{min\_samples\_split}=10$, and $\text{min\_samples\_leaf}=5$ to mitigate overfitting. Detailed hyperparameter search spaces and cross-validation learning curves are available in the supplementary materials.
Discussion
In this study, we systematically compare eight machine learning models—LightGBM, Random Forest, XGBoost, Gradient Boosting, KNN, Linear Regression, SVR, and Decision Tree—using the NASA C-MAPSS turbine dataset. Our analysis emphasizes both predictive performance and interpretability, revealing that LightGBM achieves the best results with a Root Mean Square Error (RMSE) of 36.68, Mean Absolute Error (MAE) of 26.53, and a coefficient of determination ($R^2$) of 0.713, while also supporting advanced interpretability techniques. We utilize SHAP (SHapley Additive exPlanations) to connect statistical feature importance with physical degradation mechanisms, identifying critical sensors and their nonlinear impacts on Remaining Useful Life (RUL) predictions. Notably, we find a critical threshold for one sensor that aligns with material fatigue theory, bridging the gap between data-driven insights and engineering principles.
Furthermore, we propose a three-level early-warning mechanism (Green-Yellow-Red) based on SHAP threshold analysis, which translates interpretability results into actionable maintenance strategies. This mechanism provides maintenance engineers with clear decision boundaries and recommendations, enhancing the practical value of explainable AI in industrial applications. By integrating SHAP with physical degradation mechanisms, this study not only achieves high prediction accuracy but also ensures that the reasoning behind predictions is traceable and understandable, fostering trust between AI systems and maintenance engineers. The research delineates its scope, focusing on data-driven approaches while excluding physics-based modeling, and sets the stage for future work in areas such as online learning and uncertainty quantification.
Limitations
The section on limitations highlights several critical considerations for the practical implementation of SHAP-based explainable Remaining Useful Life (RUL) prediction in industrial settings. Firstly, while the NASA C-MAPSS dataset serves as a benchmark, it is based on simulated degradation that may not fully reflect the complexities of real-world conditions, such as transient operating regimes and environmental variability. Therefore, validation using actual turbine fleet data is necessary to mitigate the simulation-to-reality gap that could adversely affect model performance.
Secondly, the proposed three-level early-warning mechanism requires careful calibration to avoid issues like “alarm fatigue,” which can arise from excessive false alarms. The thresholds established for alarm categorization are based on statistical analyses of the C-MAPSS dataset, but these may need to be adapted for different turbine models and operational contexts. Additionally, the cost-benefit analysis suggests a favorable return on investment, contingent upon the availability and quality of data, which can be compromised by sensor issues in industrial IoT environments. Lastly, while SHAP offers valuable insights into statistical associations, it does not establish causal relationships, indicating a need for integrating causal inference techniques to enhance interpretability. The section concludes by outlining four future directions for research, including deep learning integration, multi-modal data fusion, uncertainty quantification, and online learning, emphasizing the importance of collaboration among AI researchers, domain experts, and maintenance practitioners for successful industrial adoption.