基于频率激活图的可解释神经网络故障诊断系统
![在这里插入图片描述](https://img-blog.csdnimg.cn/844436847d9240128af79009163f48c6.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5rKh5pyJ5aS05Y-R55qE5bCP55m9,size_20,color_FFFFFF,t_70,g_se,x_16)
摘要
建立了基于设备一维振动信号的可解释神经网络故障诊断模型,提出了一种基于该模型的频率激活图的可解释方法。频率激活图将基于时域的学习模型在频域内的分类标准可视化。由于用于监测设备正常状态和故障状态的一维振动信号在频域内易于解释,频率激活图为用户提供了一个特定的振动信号频率,该频率激活图集中用于正常状态和故障状态的分类。为了生成频率激活图,设计了一维振动信号学习模型结构,采用带范数约束的一维卷积滤波器对一维振动信号的频率分量进行滤波。结果表明,提出的模型和可解释的方法可以通过频率激活图显示振动信号学习模型的分类标准。根据频率激活图识别正常状态和故障状态的特征频率。
论文背景
由于分析的困难,深度学习模型(特别是端到端模型)被认为是一个黑箱模型。随着深度学习模型越来越多地代替人类决策,用户不知道他们是否可以信任模型的决策。可解释的模型可以为用户提供他们预测的理由,这可以让用户对模型有信心。
相关论文
针对基于事后注意机制的故障诊断端到端解释模型,[A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals]可视化了一维卷积神经网络(cnn)模型