深度學(xué)習(xí)故障診斷規(guī)則提取案例分析（可解釋性）
案例使用的試驗數(shù)據(jù)來源于常見的凱斯西儲大學(xué)軸承數(shù)據(jù)中心，試驗臺采集的振動信號數(shù)據(jù)包括四種狀態(tài)，分別是健康狀態(tài)、內(nèi)圈故障、滾動體故障、外圈故障。案例選擇驅(qū)動端振動傳感器采集的數(shù)據(jù)，采樣頻率為12000Hz，軸承信號為SKF6205。為簡化試驗，僅使用電動機負荷為0的振動信號，轉(zhuǎn)速為1797r/min。為便于對注意力的分布進行解釋，案例應(yīng)用包絡(luò)譜作為模型的輸入。對于四種狀態(tài)的軸承數(shù)據(jù)，使用滑窗選取55段信號，每段信號包含12000個點，也就是1秒的數(shù)據(jù)。隨后計算段信號的包絡(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)部的自注意力機制針對振動信號具備良好的可解釋。
由于該數(shù)據(jù)集的四種故障是極易區(qū)分的，所以模型在測試集上的準確率為100%。本案例將注意力權(quán)重映射到輸入振動信號生成熱圖，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，在測試階段可獲取該模型對于49個正常樣本、25個內(nèi)圈故障樣本、25個滾動體故障樣本和25個外圈故障樣本的診斷預(yù)測結(jié)果。經(jīng)過頻譜分析和歸一化處理后，可獲得5類特征屬性，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)過數(shù)據(jù)離散化分析，5類屬性的斷點如下表所示。
屬性離散化斷點
其中，三倍頻(3X)的斷點為0.050，表明該斷點將此屬性劃分為兩類。四倍頻(4X)的斷點為0.007和0.022，表明斷點將該屬性劃分為小于0.007、0.008～0.022和大于0.022三類。不考慮其余屬性對故障診斷的影響。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個示例樣本全部滿足該條規(guī)則，該規(guī)則的置信度為1。規(guī)則2表明，當樣本的三倍頻和四倍頻皆較小時，為外圈故障。在25個示例樣本中，共有23個樣本滿足該規(guī)則，置信度為0.92。規(guī)則3表明當三倍頻較小、四倍頻在0.007和0.022之間時，為內(nèi)圈故障。在25個示例樣本中，共有20個樣本滿足該規(guī)則，置信度為0.8。規(guī)則4表明當三倍頻較小、而四倍頻較大時，為滾動體圈故障。在25個示例樣本中，共有18個樣本滿足該規(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：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1擔任《Mechanical System and Signal Processing》《中國電機工程學(xué)報》等期刊審稿專家，擅長領(lǐng)域：信號濾波/降噪，機器學(xué)習(xí)/深度學(xué)習(xí)，時間序列預(yù)分析/預(yù)測，設(shè)備故障診斷/缺陷檢測/異常檢測。
分割線分割線分割線
一維神經(jīng)網(wǎng)絡(luò)的特征可視化分析-以心電信號為例（Python，Jupyter Notebook）
包括Occlusion sensitivity方法，Saliency map方法，Grad-CAM方法
完整代碼可通過知乎付費咨詢獲得：
https://www.zhihu.com/consult/people/792359672131756032基于深度學(xué)習(xí)的機械故障診斷及其權(quán)重可視化（Python）
完整代碼可通過知乎付費咨詢獲得：
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
算法程序運行環(huán)境為MATLAB R2021B，使用 CNN 進行滾動軸承故障診斷，原始數(shù)據(jù)來自西儲大學(xué)軸承數(shù)據(jù)中心，包含3種故障工況（內(nèi)圈故障，外圈故障和滾動體故障）和1種正常工況。
完整代碼可通過知乎付費咨詢獲得：
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）
完整代碼可通過知乎付費咨詢獲得：
https://www.zhihu.com/consult/people/792359672131756032一維時間序列信號的稀疏度度量方法（MATLAB R2018A）
算法運行環(huán)境為MATLAB R2018A，執(zhí)行一維信號的稀疏度量方法，包括峰度(Kurt)、負熵(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間序列，地震信號，機械振動信號，語音信號，聲信號，生理信號（EEG,EMG）等一維時間序列信號。
完整代碼可通過知乎付費咨詢獲得：
https://www.zhihu.com/consult/people/792359672131756032分割線分割線
基于脈沖小波的旋轉(zhuǎn)機械故障診斷（MATLAB R2018a）
完整代碼可通過知乎付費咨詢獲得：
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??
