深度學(xué)習(xí)故障診斷規(guī)則提取案例分析（可解釋性）
案例使用的試驗(yàn)數(shù)據(jù)來(lái)源于常見(jiàn)的凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心，試驗(yàn)臺(tái)采集的振動(dòng)信號(hào)數(shù)據(jù)包括四種狀態(tài)，分別是健康狀態(tài)、內(nèi)圈故障、滾動(dòng)體故障、外圈故障。案例選擇驅(qū)動(dòng)端振動(dòng)傳感器采集的數(shù)據(jù)，采樣頻率為12000Hz，軸承信號(hào)為SKF6205。為簡(jiǎn)化試驗(yàn)，僅使用電動(dòng)機(jī)負(fù)荷為0的振動(dòng)信號(hào)，轉(zhuǎn)速為1797r/min。為便于對(duì)注意力的分布進(jìn)行解釋?zhuān)咐龖?yīng)用包絡(luò)譜作為模型的輸入。對(duì)于四種狀態(tài)的軸承數(shù)據(jù)，使用滑窗選取55段信號(hào)，每段信號(hào)包含12000個(gè)點(diǎn)，也就是1秒的數(shù)據(jù)。隨后計(jì)算段信號(hào)的包絡(luò)譜，并把0到2000Hz的頻率幅值作為樣本輸入到模型中進(jìn)行訓(xùn)練，即輸入維度為1×2000。80%的樣本被用作訓(xùn)練集，其余樣本為測(cè)試集。案例使用的模型是基礎(chǔ)的Transformer網(wǎng)絡(luò)，其內(nèi)部的自注意力機(jī)制針對(duì)振動(dòng)信號(hào)具備良好的可解釋。
由于該數(shù)據(jù)集的四種故障是極易區(qū)分的，所以模型在測(cè)試集上的準(zhǔn)確率為100%。本案例將注意力權(quán)重映射到輸入振動(dòng)信號(hào)生成熱圖，解釋模型的決策依據(jù)。根據(jù)軸承關(guān)鍵頻率的計(jì)算公式，案例中的轉(zhuǎn)頻、內(nèi)圈故障頻率、外圈故障頻率和滾動(dòng)體故障頻率大致分別為30Hz、162Hz、108Hz和141Hz。
經(jīng)模型訓(xùn)練后，在測(cè)試階段可獲取該模型對(duì)于49個(gè)正常樣本、25個(gè)內(nèi)圈故障樣本、25個(gè)滾動(dòng)體故障樣本和25個(gè)外圈故障樣本的診斷預(yù)測(cè)結(jié)果。經(jīng)過(guò)頻譜分析和歸一化處理后，可獲得5類(lèi)特征屬性，即：1/2轉(zhuǎn)頻(1/2X)、轉(zhuǎn)頻(X)、二倍頻(2X)、三倍頻(3X)和四倍頻(4X)。經(jīng)過(guò)數(shù)據(jù)離散化分析，5類(lèi)屬性的斷點(diǎn)如下表所示。
屬性離散化斷點(diǎn)
其中，三倍頻(3X)的斷點(diǎn)為0.050，表明該斷點(diǎn)將此屬性劃分為兩類(lèi)。四倍頻(4X)的斷點(diǎn)為0.007和0.022，表明斷點(diǎn)將該屬性劃分為小于0.007、0.008～0.022和大于0.022三類(lèi)。不考慮其余屬性對(duì)故障診斷的影響。因此，所提取的規(guī)則集如下表所示。
所提取的規(guī)則集
從上表可以看出，規(guī)則在一定程度上反映了外圈故障、滾動(dòng)體故障和內(nèi)圈故障的特征。其中，規(guī)則1表明正常樣本的三倍頻比故障樣本的三倍頻更為明顯，49個(gè)示例樣本全部滿(mǎn)足該條規(guī)則，該規(guī)則的置信度為1。規(guī)則2表明，當(dāng)樣本的三倍頻和四倍頻皆較小時(shí)，為外圈故障。在25個(gè)示例樣本中，共有23個(gè)樣本滿(mǎn)足該規(guī)則，置信度為0.92。規(guī)則3表明當(dāng)三倍頻較小、四倍頻在0.007和0.022之間時(shí)，為內(nèi)圈故障。在25個(gè)示例樣本中，共有20個(gè)樣本滿(mǎn)足該規(guī)則，置信度為0.8。規(guī)則4表明當(dāng)三倍頻較小、而四倍頻較大時(shí)，為滾動(dòng)體圈故障。在25個(gè)示例樣本中，共有18個(gè)樣本滿(mǎn)足該規(guī)則，置信度為0.72。該案例展示了規(guī)則提取方法可以將復(fù)雜模型學(xué)習(xí)到的難以解釋的診斷知識(shí)轉(zhuǎn)化為可解釋的規(guī)則，提升了模型的可解釋性。
知乎學(xué)術(shù)咨詢(xún)：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1擔(dān)任《Mechanical System and Signal Processing》《中國(guó)電機(jī)工程學(xué)報(bào)》等期刊審稿專(zhuān)家，擅長(zhǎng)領(lǐng)域：信號(hào)濾波/降噪，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)，時(shí)間序列預(yù)分析/預(yù)測(cè)，設(shè)備故障診斷/缺陷檢測(cè)/異常檢測(cè)。
分割線(xiàn)分割線(xiàn)分割線(xiàn)
一維神經(jīng)網(wǎng)絡(luò)的特征可視化分析-以心電信號(hào)為例（Python，Jupyter Notebook）
包括Occlusion sensitivity方法，Saliency map方法，Grad-CAM方法
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032基于深度學(xué)習(xí)的機(jī)械故障診斷及其權(quán)重可視化（Python）
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032MATLAB環(huán)境下基于CNN的軸承故障診斷及特征可視化
算法程序運(yùn)行環(huán)境為MATLAB R2021B，使用 CNN 進(jìn)行滾動(dòng)軸承故障診斷，原始數(shù)據(jù)來(lái)自西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心，包含3種故障工況（內(nèi)圈故障，外圈故障和滾動(dòng)體故障）和1種正常工況。
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032醫(yī)學(xué)圖像的深度學(xué)習(xí)可解釋性（MATLAB R2021B）
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032一維時(shí)間序列信號(hào)的稀疏度度量方法（MATLAB R2018A）
算法運(yùn)行環(huán)境為MATLAB R2018A，執(zhí)行一維信號(hào)的稀疏度量方法，包括峰度(Kurt)、負(fù)熵(NE)、d -范數(shù)(DN)、2-范數(shù)與1-范數(shù)之比(L2/L1)、基尼指數(shù)(GI)、修正平滑指數(shù)(MSI)、基尼指數(shù)2 (GI2)、基尼指數(shù)3 (GI3)、廣義基尼指數(shù)(GGI)、完全廣義基尼指數(shù)等。
算法可遷移至金融時(shí)間序列，地震信號(hào)，機(jī)械振動(dòng)信號(hào)，語(yǔ)音信號(hào)，聲信號(hào)，生理信號(hào)（EEG,EMG）等一維時(shí)間序列信號(hào)。
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032分割線(xiàn)分割線(xiàn)
基于脈沖小波的旋轉(zhuǎn)機(jī)械故障診斷（MATLAB R2018a）
完整代碼可通過(guò)知乎付費(fèi)咨詢(xún)獲得：
https://www.zhihu.com/consult/people/792359672131756032基于L1范數(shù)懲罰的稀疏正則化最小二乘心電信號(hào)降噪方法（Matlab R2021B）
完整代碼：
https://mbd.pub/o/bread/mbd-ZZaZmplr本文轉(zhuǎn)載自??高斯的手稿??
