机械故障诊断代理模型的案例分析（可解释性，SHAP方法）

参考如下MSSP的文章：

HERWIG N，BORGHESANI P. Explaining deep neural networks processing raw diagnostic signals[J]. Mechanical Systems and Signal Processing，2023，200：110584.

该文献将SHAP方法应用于凯斯西储大学轴承故障诊断中，并对高维数据问题进行了两处改进。①将时域信号转换到频域或时频域，在特征相对稀疏的频域或时频域计算Shapely值，并且完全可逆的变换保证了信息的完整性；②相比于计算谱图的每条谱线的Shapely值，该方法将谱图进行了划分，例如将频谱图划分为等距频带或自适应频带，将该频带作为计算Shapely值的特征。基于上述两处改进，该方法在高频轴承数据上进行SHAP分析的流程如下：①将时域信号转换为谱域信号，然后将谱域信号进行谱带划分，每个谱带赋予独立编号、并被视为特征属性；

②随机置换谱带、并进行拼接，构成待分析样本集；

③将置换、拼接后的谱域信号再变换为时域信号，输入到神经网络中，计算相应的Shapely值。该方法的好处是可以对谱带进行自适应划分，细化Shapely值的分析粒度。

如下图所示，将时域信号转变为频域信号，计算自适应频带的SHAP，绝对值越大表明该频带的边际贡献越大，正号表明正相关，负号表明负相关。其中，上图为神经网络输入信号，左下图是完整频域及对应SHAP值图，右下图是感兴趣频带及SHAP值图。

学术咨询：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。

一维神经网络的特征可视化分析-以心电信号为例（Python，Jupyter Notebook）

包括Occlusion sensitivity方法，Saliency map方法，Grad-CAM方法

基于深度学习的机械故障诊断及其权重可视化（Python）

MATLAB环境下基于CNN的轴承故障诊断及特征可视化

算法程序运行环境为MATLAB R2021B，使用 CNN 进行滚动轴承故障诊断，原始数据来自西储大学轴承数据中心，包含3种故障工况（内圈故障，外圈故障和滚动体故障）和1种正常工况。

医学图像的深度学习可解释性（MATLAB R2021B）

一维时间序列信号的稀疏度度量方法（MATLAB R2018A）

算法运行环境为MATLAB R2018A，执行一维信号的稀疏度量方法，包括峰度(Kurt)、负熵(NE)、d -范数(DN)、2-范数与1-范数之比(L2/L1)、基尼指数(GI)、修正平滑指数(MSI)、基尼指数2 (GI2)、基尼指数3 (GI3)、广义基尼指数(GGI)、完全广义基尼指数等。

算法可迁移至金融时间序列，地震信号，机械振动信号，语音信号，声信号，生理信号（EEG,EMG）等一维时间序列信号。

基于脉冲小波的旋转机械故障诊断（MATLAB R2018a）