深度學習故障診斷規則提取案例分析（可解釋性）
案例使用的試驗數據來源于常見的凱斯西儲大學軸承數據中心，試驗臺采集的振動信號數據包括四種狀態，分別是健康狀態、內圈故障、滾動體故障、外圈故障。案例選擇驅動端振動傳感器采集的數據，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，轉速為1797r/min。為便于對注意力的分布進行解釋，案例應用包絡譜作為模型的輸入。對于四種狀態的軸承數據，使用滑窗選取55段信號，每段信號包含12000個點，也就是1秒的數據。隨后計算段信號的包絡譜，并把0到2000Hz的頻率幅值作為樣本輸入到模型中進行訓練，即輸入維度為1×2000。80%的樣本被用作訓練集，其余樣本為測試集。案例使用的模型是基礎的Transformer網絡，其內部的自注意力機制針對振動信號具備良好的可解釋。
由于該數據集的四種故障是極易區分的，所以模型在測試集上的準確率為100%。本案例將注意力權重映射到輸入振動信號生成熱圖，解釋模型的決策依據。根據軸承關鍵頻率的計算公式，案例中的轉頻、內圈故障頻率、外圈故障頻率和滾動體故障頻率大致分別為30Hz、162Hz、108Hz和141Hz。
經模型訓練后，在測試階段可獲取該模型對于49個正常樣本、25個內圈故障樣本、25個滾動體故障樣本和25個外圈故障樣本的診斷預測結果。經過頻譜分析和歸一化處理后，可獲得5類特征屬性，即：1/2轉頻(1/2X)、轉頻(X)、二倍頻(2X)、三倍頻(3X)和四倍頻(4X)。經過數據離散化分析，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，所提取的規則集如下表所示。
所提取的規則集
從上表可以看出，規則在一定程度上反映了外圈故障、滾動體故障和內圈故障的特征。其中，規則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則，該規則的置信度為1。規則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個樣本滿足該規則，置信度為0.92。規則3表明當三倍頻較小、四倍頻在0.007和0.022之間時，為內圈故障。在25個示例樣本中，共有20個樣本滿足該規則，置信度為0.8。規則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個樣本滿足該規則，置信度為0.72。該案例展示了規則提取方法可以將復雜模型學習到的難以解釋的診斷知識轉化為可解釋的規則，提升了模型的可解釋性。
知乎學術咨詢：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1擔任《Mechanical System and Signal Processing》《中國電機工程學報》等期刊審稿專家，擅長領域：信號濾波/降噪，機器學習/深度學習，時間序列預分析/預測，設備故障診斷/缺陷檢測/異常檢測。
分割線分割線分割線
一維神經網絡的特征可視化分析-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基于深度學習的機械故障診斷及其權重可視化（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
算法程序運行環境為MATLAB R2021B，使用 CNN 進行滾動軸承故障診斷，原始數據來自西儲大學軸承數據中心，包含3種故障工況（內圈故障，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醫學圖像的深度學習可解釋性（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）
算法運行環境為MATLAB R2018A，執行一維信號的稀疏度量方法，包括峰度(Kurt)、負熵(NE)、d -范數(DN)、2-范數與1-范數之比(L2/L1)、基尼指數(GI)、修正平滑指數(MSI)、基尼指數2 (GI2)、基尼指數3 (GI3)、廣義基尼指數(GGI)、完全廣義基尼指數等。
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本文轉載自??高斯的手稿??
