Wavelet Convolutional Neural Network with Multilabel Classifier: A Compound Fault Diagnosis Framework and Its Interpretability Analysis
Notice bibliographique
Résumé
With the development of intelligent sensing, measurement, and data analytics technologies, exploring intelligent fault diagnosis methods has attracted enormous attention in the past decade, in which many successful attempts have been achieved for compound fault diagnosis of industrial equipment. However, the traditional intelligent compound fault diagnosis methods are pure deep learning algorithms, resulting in these methods being “black box” solutions and cannot be interpreted. To explore a solution for the above problem, an intelligent and interpretable compound fault diagnosis method, named wavelet convolutional neural network with multilabel classifier (WavCNN-MLC), is proposed for industrial equipment. First, the WavCNN-MLC is constructed with the following steps: 1) a wavelet convolutional layer is introduced to substitute the first layer of the traditional convolutional neural network (CNN), which aims to learn features with interpretable meaning from vibration signals; 2) a multilabel classifier is employed to substitute the classifier of traditional CNN, which endows the diagnosis model with the ability to decouple the compound fault intelligently. Second, the WavCNN-MLC is trained and optimized with the single and compound fault samples in a supervised way. Finally, a variant of Gradient-weighted Class Activation Mapping, called Grad-CAM++, is applied to analyze the relationship between the target class and the key activation areas of inputs, which can provide visual explanations for the classification results of the WavCNN-MLC. The experimental results on a gearbox dataset show that the proposed method can effectively decouple the compound faults and demonstrate that the WavCNN-MLC is interpretable through the visualization of the saliency map.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».