基于振动概念解释深度神经网络在轴承故障检测中的应用

基于概念的解释方法（如概念激活向量）是量化输入数据的抽象或高层特征如何影响复杂深度神经网络预测的强有力手段。然而，将它们应用于工业预测问题具有挑战性，因为如何为特定用例和数据类型定义并获取恰当的概念并不直观。在本工作中，我们研究如何在基于振动信号训练的深度神经网络进行轴承故障检测的背景下，利用既有的基于概念的解释技术。由于轴承几乎存在于所有旋转设备中，确保不透明故障检测模型的可靠性对于防止工业机械的昂贵维修与停机至关重要。我们的评估表明，用振动概念解释不透明模型能够对人类可理解且直观的内部机制提供洞察，但其底层假设需要先被仔细验证。