[论文解读] An Explainable Deep Learning-based Prognostic Model for Rotating Machinery
本文提出了一种可解释的深度学习模型，用于通过结合傅里叶变换、倍频程带通滤波、自编码器和前馈神经网络，预测旋转机械的剩余使用寿命（RUL）。该方法通过将输入信号滤波为倍频程带，降低了模型复杂度，模拟了卷积层的行为，增强了可解释性，同时保持了高精度的RUL预测性能。
This paper develops an explainable deep learning model that estimates the remaining useful lives of rotating machinery. The model extracts high-level features from Fourier transform using an autoencoder. The features are used as input to a feedforward neural network to estimate the remaining useful lives. The paper explains the model's behavior by analyzing the composition of the features and the relationships between the features and the estimation results. In order to make the model explainable, the paper introduces octave-band filtering. The filtering reduces the input size of the autoencoder and simplifies the model. A case study demonstrates the methods to explain the model. The study also shows that the octave band-filtering in the model imitates the functionality of low-level convolutional layers. This result supports the validity of using the filtering to reduce the depth of the model.
研究动机与目标
- 开发一种用于旋转机械的预测模型，以实现高精度的剩余使用寿命（RUL）预测。
- 通过分析特征构成以及特征与RUL预测之间的关系，提升模型的可解释性。
- 通过引入倍频程带滤波作为低层级卷积层的替代方案，降低模型复杂度和深度。
- 验证倍频程带滤波在简化模型的同时保持性能的有效性。
- 通过案例研究和特征层面分析，展示模型的可解释性。
提出的方法
- 该模型对原始振动信号应用傅里叶变换，以提取频域表示。
- 对傅里叶变换后的信号应用倍频程带滤波，以降低输入维度并简化特征学习。
- 自编码器从滤波后的频域数据中提取高层级、压缩的特征。
- 提取的特征被输入前馈神经网络，以预测剩余使用寿命（RUL）。
- 通过分析学习到的特征构成及其与RUL预测的关系，实现模型可解释性。
- 通过真实世界旋转机械数据的案例研究验证该方法，与基线模型比较性能和可解释性。
实验结果
研究问题
- RQ1如何使用于旋转机械RUL预测的深度学习模型更具可解释性？
- RQ2倍频程带滤波在多大程度上降低了模型复杂度，同时保持了预测性能？
- RQ3倍频程带滤波能否有效模拟低层级卷积层在信号处理中的功能？
- RQ4自编码器学习到的特征如何与最终的RUL预测相关联？
- RQ5特征层面的可解释性对模型在工业环境中的信任度和可用性有何影响？
主要发现
- 倍频程带滤波有效减小了自编码器的输入规模，简化了模型架构。
- 滤波过程模拟了低层级卷积层的行为，验证了其作为轻量化替代方案的有效性。
- 该模型在保持可解释性的同时，实现了高精度的RUL预测。
- 特征构成分析揭示了频带分量与剩余使用寿命之间的有意义关系。
- 案例研究表明，该模型的预测既准确又可解释，支持其在实际预测场景中的部署。
- 滤波与自编码器的集成实现了模型深度、性能与可解释性之间的平衡。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。