一种可解释的轴承故障诊断深度学习方法
机器学习
2023-08-22 v1
摘要
近年来，深度学习(DL)作为分类工业设备当前健康状态并预测其未来的有效工具日益流行。然而，大多数 DL 模型含有黑盒组件，其底层结构过于复杂而难以被人类用户解释。在部署这些模型用于安全关键的维护任务时，这带来了重大挑战，因为非技术人员往往需要对模型给出的建议完全信任。为应对这些挑战，我们利用带梯度加权类激活映射(Grad-CAM)激活图可视化的卷积神经网络(CNN)构成一种可解释的 DL 方法以分类轴承故障。模型训练后，我们应用 Grad-CAM 识别训练样本的特征重要性，并形成包含带标注特征图的训练样本的诊断知识库（或称健康库）。在模型评估过程中，所提方法依据特征重要性的相似性从健康库中检索预测依据样本。该方法无需修改模型架构即可轻松应用于任意 CNN 模型，且实验结果表明其能选出直观且具物理意义的预测依据样本，提升了模型对人类用户的可信度。
引用
@article{arxiv.2308.10292,
title = {An interpretable deep learning method for bearing fault diagnosis},
author = {Hao Lu and Austin M. Bray and Chao Hu and Andrew T. Zimmerman and Hongyi Xu},
journal= {arXiv preprint arXiv:2308.10292},
year = {2023}
}