Краткое содержание

arXiv:2511.08108v1 Тип объявления: новый Аннотация: Машинное обучение является важным инструментом оптимизации процессов контроля качества в промышленности. Однако сложность моделей машинного обучения часто ограничивает их практическое применение из-за недостатка интерпретируемости. К тому же многие промышленные машины лишены комплексной сенсорной технологии, что делает сбор данных неполным и затруднительным. Объяснимый искусственный интеллект предлагает решение этой проблемы путем предоставления понимания процесса принятия решений моделью и выявления наиболее значимых признаков классификации. В данной статье мы исследуем влияние сокращения числа признаков с использованием методов объяснимого ИИ (XAI) на классификацию качества деталей, полученных методом литья под давлением. Мы применяем методы SHAP, Grad-CAM и LIME для анализа значимости признаков в модели долговременной краткосрочной памяти (LSTM), обученной на реальных производственных данных. Путём уменьшения исходных 19 входных признаков до 9 и 6 мы оцениваем компромисс между точностью модели, скоростью вывода и интерпретируемостью. Наши результаты показывают, что