Une approche divisive et interprétable de réduction de dimension pour la prédiction de la RUL
Conférence : Communications avec actes dans un congrès national
En maintenance, la prédiction de la durée de vie utile restante (RUL) est entravée
par la grande dimensionnalité et le manque d’explicabilité. Cette étude propose une
approche combinant une méthode innovante de réduction de dimension interprétable, l’IDFC
(Interpretable Divisive Feature Clustering), et un modèle LSTM (Long Short-Term Memory)
à une couche. L’IDFC s’inspire des algorithmes VARCLUS (SAS) et CLV, identifiant efficacement
les composantes latentes et les variables clés associées. Les expériences sur des données
de roulements PRONOSTIA montrent que l’IDFC combiné à LSTM surpasse les méthodes
classiques. La méthode XAI SHAP ( SHapley Additive exPlanations) met en évidence les
variables influençant la RUL, améliorant ainsi l’interprétabilité.