基于振动数据的故障检测可解释AI算法：用例适配方法与批判性评估
信号处理
2022-07-25 v1 机器学习
摘要
利用深度神经网络算法分析振动数据是在早期阶段检测旋转机械损伤的有效途径。然而，这些方法的黑盒方式常无法提供令人满意的解决方案，因为分类的原因不为人所理解。因此，本工作研究将可解释AI（XAI）算法应用于基于振动的状态监测的卷积神经网络。为此，多种XAI算法被应用于基于振动信号的傅里叶变换以及阶次分析的分类。结果以每分钟转数（RPM）的函数形式可视化，呈频率-RPM图与阶次-RPM图形状。这得以评估赋予依赖于转速的特征以及恒定频率特征的显著性。为比较XAI方法的解释力，首先使用具已知类特定特征的合成数据集开展研究。随后采用一个真实世界数据集，用于电动马达上基于振动的不平衡分类，该马达运行于宽泛转速范围。特别聚焦于数据可变周期的一致性，这对应于真实世界机器的变速旋转。本工作旨在展示该方法在此用例下不同优势与弱点：GradCAM、LRP以及采用新扰动策略的LIME。
引用
@article{arxiv.2207.10732,
title = {Explainable AI Algorithms for Vibration Data-based Fault Detection: Use Case-adadpted Methods and Critical Evaluation},
author = {Oliver Mey and Deniz Neufeld},
journal= {arXiv preprint arXiv:2207.10732},
year = {2022}
}