Explaining Deep Neural Networks for Bearing Fault Detection with Vibration Concepts

要約

Concept Activation Vector などの概念ベースの説明手法は、入力データの抽象的または高レベルの特性が複雑なディープ ニューラル ネットワークの予測にどのような影響を与えるかを定量化する強力な手段です。
ただし、個々のユースケースや特定のデータタイプに適切な概念を定義してアクセスする方法がすぐには明らかではないため、それらを産業予測問題に適用することは困難です。
この研究では、振動信号で訓練されたディープ ニューラル ネットワークによる軸受の故障検出のコンテキストで、確立された概念ベースの説明手法を活用する方法を調査します。
ベアリングはほぼすべての回転機器に広く使用されているため、不透明な故障検出モデルの信頼性を確保することは、産業用機械の高額な修理やダウンタイムを防ぐために非常に重要です。
私たちの評価は、不透明なモデルを振動概念の観点から説明することで、内部の仕組みについて人間が理解できる直観的な洞察を可能にすることを示していますが、最初に基礎となる仮定を慎重に検証する必要があります。

要約(オリジナル)

Concept-based explanation methods, such as Concept Activation Vectors, are potent means to quantify how abstract or high-level characteristics of input data influence the predictions of complex deep neural networks. However, applying them to industrial prediction problems is challenging as it is not immediately clear how to define and access appropriate concepts for individual use cases and specific data types. In this work, we investigate how to leverage established concept-based explanation techniques in the context of bearing fault detection with deep neural networks trained on vibration signals. Since bearings are prevalent in almost every rotating equipment, ensuring the reliability of intransparent fault detection models is crucial to prevent costly repairs and downtimes of industrial machinery. Our evaluations demonstrate that explaining opaque models in terms of vibration concepts enables human-comprehensible and intuitive insights about their inner workings, but the underlying assumptions need to be carefully validated first.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google