Editorial Teknik & Rekayasa
Open AccessOA2026
Kerangka Explainable AI dan Machine Learning untuk Predictive Maintenance Terpadu, Structural Health Monitoring, Optimasi Energi, dan Penilaian Keandalan di Seluruh Sistem Teknik Mesin, Sipil, dan Elektro
Tinjauan ini mengkaji penerapan explainable machine learning pada predictive maintenance mesin, structural health monitoring sipil, optimasi energi elektro, dan penilaian keandalan. Tinjauan ini mengusulkan kerangka konseptual yang menghubungkan pengumpulan data, prediksi, penjelasan, penilaian keandalan, dan tindakan teknik, sekaligus menyoroti tantangan seperti data sensor yang buruk, riwayat kegagalan yang terbatas, dan penjelasan yang tidak stabil.
A. Nalbandh; Ashutosh Sudhirrao Werulkar; J. Pandya; M. Vyas; Ravi G. Mehta; Bhupendra M. Parmar; Ankita Kumariยท Computer and Decision Making: An International Journalยท 2026ยท DOI 10.1922/comdem.v3i6s.18910
Masalah inti
Artificial intelligence (AI) dan machine learning (ML) semakin banyak digunakan untuk memantau aset teknik, memprediksi gangguan, dan mendukung keputusan operasional. Namun, ketika insinyur tidak dapat memahami bukti di balik prediksi atau menilai ketidakpastian, kegunaan prediksi tersebut menjadi terbatas. Tinjauan ini membahas kebutuhan akan explainable machine learning (XML) dalam empat area aplikasi utama: predictive maintenance mesin, structural health monitoring sipil, optimasi energi elektro, dan penilaian keandalan. Penulis berpendapat bahwa meskipun domain-domain ini memiliki kebutuhan metodologis yang sama, domain tersebut juga berbeda dalam sumber data, target prediksi, kebutuhan penjelasan, dan pendekatan validasi. Makalah ini bertujuan menyintesis perspektif tersebut dan mengusulkan kerangka konseptual yang mengintegrasikan pengumpulan data, prediksi, penjelasan, penilaian keandalan, dan tindakan teknik. Kerangka ini dimaksudkan agar peringatan dapat ditafsirkan dan ditindaklanjuti untuk konstruksi, penilaian struktural, program pemeliharaan, dan manajemen energi, dengan mempertimbangkan potensi dampak kegagalan.
Inovasi
Tinjauan ini menggunakan pendekatan konseptual dan komparatif. Tinjauan ini mengkaji persamaan dan perbedaan di antara keempat domain aplikasi dalam hal sumber informasi, tujuan prediksi, kebutuhan penjelasan, dan persyaratan validasi. Berdasarkan analisis tersebut, penulis mengusulkan kerangka konseptual yang menghubungkan akuisisi data, pemodelan prediktif, pembangkitan penjelasan, penilaian keandalan, dan pengambilan keputusan. Kerangka ini menekankan pentingnya ekspresi ketidakpastian yang bermakna secara fisik untuk meningkatkan relevansi. Makalah ini tidak menyajikan pengujian empiris; sebagai gantinya, makalah ini menguraikan tantangan umum seperti informasi sensor yang buruk, riwayat kegagalan yang tidak memadai, kondisi operasi yang bervariasi, dan penjelasan yang tidak stabil. Dengan demikian, metodologi ini berpijak pada sintesis literatur dan pengembangan konseptual, bukan validasi eksperimental.
Pendahuluan
Artificial intelligence (AI) dan machine learning (ML) semakin banyak digunakan untuk memantau aset teknik, memprediksi gangguan, dan mendukung keputusan operasional. Namun, ketika insinyur tidak dapat memahami bukti di balik prediksi atau menilai ketidakpastian, kegunaan prediksi tersebut menjadi terbatas. Tinjauan ini membahas kebutuhan akan explainable machine learning (XML) dalam empat area aplikasi utama: predictive maintenance mesin, structural health monitoring sipil, optimasi energi elektro, dan penilaian keandalan. Penulis berpendapat bahwa meskipun domain-domain ini memiliki kebutuhan metodologis yang sama, domain tersebut juga berbeda dalam sumber data, target prediksi, kebutuhan penjelasan, dan pendekatan validasi. Makalah ini bertujuan menyintesis perspektif tersebut dan mengusulkan kerangka konseptual yang mengintegrasikan pengumpulan data, prediksi, penjelasan, penilaian keandalan, dan tindakan teknik. Kerangka ini dimaksudkan agar peringatan dapat ditafsirkan dan ditindaklanjuti untuk konstruksi, penilaian struktural, program pemeliharaan, dan manajemen energi, dengan mempertimbangkan potensi dampak kegagalan.
Mengapa penting
Pembahasan berpusat pada tantangan penerapan explainable ML dalam sistem teknik. Kualitas data sensor yang buruk, riwayat kegagalan yang tidak memadai, dan kondisi operasi yang bervariasi dapat melemahkan keandalan model. Penjelasan itu sendiri dapat tidak stabil atau tampak masuk akal tetapi menyesatkan. Penulis berpendapat bahwa ekspresi ketidakpastian yang bermakna secara fisik dapat meningkatkan relevansi penjelasan. Penulis juga menekankan perlunya validasi lintas aset dan lokasi untuk menentukan apakah penjelasan benar-benar memengaruhi keputusan teknik. Integrasi penilaian keandalan dalam kerangka ini memastikan bahwa penjelasan dikaitkan dengan konsekuensi kegagalan. Makalah ini menyimpulkan bahwa meskipun explainable ML menjanjikan untuk predictive maintenance terpadu, structural health monitoring, optimasi energi, dan penilaian keandalan, evaluasi empiris lebih lanjut masih diperlukan. Sampai saat itu, insinyur harus berhati-hati dan tetap melakukan pemantauan dalam situasi berisiko tinggi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ