arXiv cs.AI· Dionisis Kalogeropoulos, Georgia Sovatzidi, Panagiotis G. Kalozoumis, Dimitris K. Iakovidis·· 10 天前AI 评分18
海事系统中的可解释故障预测与预防
Explainable Failure Prediction and Prevention in Maritime
AI 导读
一篇综述梳理了海事系统可解释故障预测与预防所需的 AI 技术，并提出一个闭环概念架构，整合数据采集、时间序列预测、异常检测、风险评估、决策与可解释 AI，以支持自主或人在回路的纠正措施。文章结合该架构回顾了相关海事研究的方法、优势与局限，并指出不确定性、鲁棒性、模型泛化、可解释性、海事数据集稀缺及实际部署等挑战与未来方向。
正文 · AI 翻译
摘要：海事系统运行于高度动态的环境中，意外的设备故障可能危及安全性、可靠性和运营效率。人工智能（AI）、机器学习、数字孪生和预测性维护方面的最新进展，使主动的故障预测与预防成为可能。然而，确保可信且可解释的决策仍是安全攸关的海事应用中的一大挑战。本章回顾了海事系统中可解释故障预测与预防所需的关键 AI 技术，并提出了一种能够支持自主或人在回路纠正措施的概念架构。该架构将数据采集、时间序列预测、异常检测、风险评估、决策制定和可解释 AI 集成到一个闭环框架中。围绕该架构的各个组件，本章对相关海事研究进行了回顾与讨论，概述了其方法、优势和局限性。此外，还强调了当前面临的挑战，包括不确定性与鲁棒性、模型泛化、可解释性、海事数据集可用性有限以及实际部署，并指出了面向可信 AI 辅助海事决策的未来研究方向。
| 主题： | 人工智能（cs.AI） |
| 引用格式： | arXiv:2610.08363 [cs.AI] |
| （或 arXiv:2610.08363v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08363 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Dimitris Iakovidis [查看电子邮件]
[v1]
2026年10月6日星期二 13:51:58 UTC（969 KB）
来源：arXiv cs.AI · arxiv.org