Industry 4.0 process fault detection and diagnosis(FDD) is built on the foundations of Industrial Internet of Things(IIoT) for sensing and artificial intelligence for recognizing patterns. Despite the performance and application of various learning-based algorithms in multiple sectors, their black-box nature makes industrial experts skeptical. So, this paper proposes an eXplainable Fault Detection, Diagnosis, and Correction(XFDDC) Framework to create best-fit FDD models that are explainable. The XFDDC framework is designed to explain the FDD model predictions using eXplainable Artificial Intelligence(XAI) techniques. The proposed framework was applied to the bench-marked Tennessee Eastman Process(TEP) dataset. On evaluation, an XGBoost model yielded better Fault Detection Rate(FDR) and F1 score against popular transparent and complex models like Naive Bayes, K-Nearest Neighbors, Random Forest and a rule-based version of XGBoost. To explain the predictions of the XGBoost model, the XFDDC framework suggests the use of feature-based XAI techniques. So, the TreeSHAP algorithm is applied on the XGBoost model to generate local and global explanations as part of fault diagnosis. The proposed framework also recommends counterfactual explanations to provide action recommendations for correcting the fault situation. Thus, a best-fit explainable XGBoost Fault Detection, Diagnosis, and Correction (XGBoost-XFDDC) model is created.

工业 4.0 过程故障检测和诊断 (FDD) 建立在工业物联网 (IIoT) 传感和人工智能识别模式的基础之上。尽管各种基于学习的算法在多个领域都有表现和应用，但它们的黑盒性质使行业专家持怀疑态度。因此，本文提出了一个可解释的故障检测、诊断和纠正 (XFDDC) 框架，以创建可解释的最佳拟合 FDD 模型。XFDDC 框架旨在解释使用可解释人工智能 (XAI) 技术的 FDD 模型预测。所提出的框架应用于基准田纳西伊士曼过程（TEP）数据集。评价时，与 Naive Bayes、K-Nearest Neighbors、随机森林和基于规则的 XGBoost 版本等流行的透明和复杂模型相比，XGBoost 模型产生了更好的故障检测率 (FDR) 和 F1 分数。为了解释 XGBoost 模型的预测，XFDDC 框架建议使用基于特征的 XAI 技术。因此，将 TreeSHAP 算法应用于 XGBoost 模型以生成局部和全局解释，作为故障诊断的一部分。提议的框架还建议进行反事实解释，以提供纠正故障情况的行动建议。因此，创建了一个最适合的可解释 XGBoost 故障检测、诊断和纠正 (XGBoost-XFDDC) 模型。XFDDC 框架建议使用基于特征的 XAI 技术。因此，将 TreeSHAP 算法应用于 XGBoost 模型以生成局部和全局解释，作为故障诊断的一部分。提议的框架还建议进行反事实解释，以提供纠正故障情况的行动建议。因此，创建了一个最适合的可解释 XGBoost 故障检测、诊断和纠正 (XGBoost-XFDDC) 模型。XFDDC 框架建议使用基于特征的 XAI 技术。因此，将 TreeSHAP 算法应用于 XGBoost 模型以生成局部和全局解释，作为故障诊断的一部分。提议的框架还建议进行反事实解释，以提供纠正故障情况的行动建议。因此，创建了一个最适合的可解释 XGBoost 故障检测、诊断和纠正 (XGBoost-XFDDC) 模型。