METODI DI EXPLAINABLE ARTIFICIAL INTELLIGENCE PER L'INTERPRETAZIONE DI MODELLI PER LA MANUTENZIONE PREDITTIVA AEROSPAZIALE

This work addresses the challenge of interpreting machine learning models used to estimate the remaining useful life of aerospace components. The thesis proposes AgnosticExplainer, a post-hoc, model-agnostic Explainable Artificial Intelligence framework that analyzes any model using only its prediction function. The framework integrates Permutation Importance, KernelSHAP, LIME, and PDP/ICE methods and is validated on the NASA CMAPSS FD001 dataset using a sliding-window MLP model. The resulting explanations enable the identification of the most relevant sensors, the understanding of errors in critical instances, and model improvement, reducing the MAE from 15.42 to 13.45 cycles. Additionally, a "block PDP" variant preserves the temporal coherence of features within the sliding window.

Il lavoro affronta il problema dell’interpretabilità dei modelli di machine learning impiegati per stimare la vita utile residua di componenti aerospaziali. La tesi propone AgnosticExplainer, un framework di Explainable Artificial Intelligence post-hoc e model-agnostic che analizza qualsiasi modello tramite la sola funzione di predizione. Il framework integra i metodi Permutation Importance, KernelSHAP, LIME e PDP/ICE ed è validato sul dataset NASA CMAPSS FD001 con un modello MLP a finestra scorrevole. Le spiegazioni consentono di individuare i sensori più rilevanti, comprendere gli errori nelle istanze critiche e migliorare il modello, riducendo il MAE da 15,42 a 13,45 cicli. Una variante block PDP preserva inoltre la coerenza temporale delle feature nella finestra scorrevole.