基于可解释 AI 的故障诊断：一种利用增强合成数据的旋转机械迁移学习方法
人工智能
2022-10-12 v2 机器学习
摘要
人工智能（AI）是被提出用于分析所采集数据（如振动信号）并提供设备运行状态诊断的方法之一。已知用标注数据训练的（监督）模型可取得优异结果，但两个主要问题使其难以应用于生产过程：（i）无法或长时间才能获取所有运行工况的样本（因为故障极少发生）；（ii）专家标注所有采集数据的高成本。此类 AI 方法适用性的另一限制因素是模型缺乏可解释性（黑箱），这降低了诊断的可信度及用户的信任/采用。为克服这些问题，本文提出一种通用且可解释的旋转机械故障分类方法，基于从增强合成数据到真实旋转机械的迁移学习，命名为 FaultD-XAI（使用可解释 AI 的故障诊断）。为利用迁移学习提供可扩展性，创建合成振动信号以模拟运行中故障的特征行为。将梯度加权类激活映射（Grad-CAM）与一维卷积神经网络（1D CNN）结合可解释结果，辅助用户决策并提升诊断置信度。所提方法不仅取得有前景的诊断性能，还能学习专家在源域中用于识别工况的特征并应用于另一目标域。实验结果提示了一种利用迁移学习、合成数据与可解释人工智能进行故障诊断的有前景方法。最后，为保证可重复性并推动该领域研究，所开发的数据集已公开可用。
引用
@article{arxiv.2210.02974,
title = {Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach for Rotating Machinery exploiting Augmented Synthetic Data},
author = {Lucas Costa Brito and Gian Antonio Susto and Jorge Nei Brito and Marcus Antonio Viana Duarte},
journal= {arXiv preprint arXiv:2210.02974},
year = {2022}
}
备注
25 pages