1. 项目背景旋转机械诊断里的“老问题”与“新钥匙”做旋转机械状态监测的工程师十有八九都经历过这种尴尬设备平稳运行时频谱分析加上包络谱故障基本能看个八九不离十可转速一变齿轮箱或者轴承的信号立刻“乱成一锅粥”原来清晰的边频带、特征频率全被淹没FFT分析结果跟心电图似的根本没法看。这是变转速工况下所有振动诊断方案绕不过去的坎儿不是数据不好而是传统频域分析的前提假设——恒定转速——被打破了。与此同时深度学习这套东西在故障诊断圈子里已经火了好几年。各种CNN、BiLSTM、注意力机制组成的模型在公开数据集上准确率动辄99%以上发论文确实好看。可拿到工业现场老师傅们往往不敢用因为模型只会说“我判断这个是齿轮点蚀”却解释不了“凭什么这么判断”。工业设备检修是要花钱、要停机的一个说不清依据的判断很难让人真正放心。这个项目叫OrderCam-Diag就是冲着这两个痛点去的用阶次分析解决变转速下的频率模糊问题再用类激活映射CAM把深度模型的决策依据“画”出来让故障诊断从黑盒变成一个既可靠又能解释的完整链路。整个项目基于Python实现从信号预处理到模型训练再到可视化解释都能在开源生态里跑通适合正在研究旋转机械故障诊断、设备状态监测或者想给自己的深度学习模型加可解释性能力的朋友参考。先交代思路再说原理最后把代码级实操和踩坑记录完整展开。这中间很多细节是我反复调试之后才想明白的直接记下来省得大家再走弯路。2. 为什么是“阶次分析”它到底解决了什么问题2.1 变转速工况下FFT为什么失效站在频域角度理解变转速的麻烦其实一句话就能说透故障特征频率和转速是绑定的。齿轮啮合频率和转频有个固定倍频关系轴承外圈故障特征频率也和转速成固定比例。转速恒定的时候这些频率锚得很稳FFT能清晰地看到它们转速一变特征频率跟着飘原来尖尖的谱峰变成了“抹开的一团”能量被摊到好几个频率分量上峰值下降、带宽变宽设备本身的固有频率和其他干扰混在一起频谱图基本没有可用信息。我最早处理这类信号时踩过一个大坑一台可调速电机拖动的离心机我按常规频谱流程走了一遍结果在某个频率处看到明显的宽峰以为是轴承故障换了轴承之后问题依旧。后来一查转速曲线发现那个宽峰就是转速从800转到1200转爬升时特征频率“扫”过去留下的轨迹。这就是典型的变速导致频率模糊跟设备好坏没有关系。阶次分析的核心思想很简单不再用固定频率间隔去抽样而是用转轴转角作为自变量。故障特征频率和转频的比值也就是“阶次”在转速变化时始终是个常数。外圈故障特征阶次是2.8就是2.8转速升到3500转它还是2.8。这样一来只要把时域信号重采样成等角度间隔的角域信号再做傅里叶变换得到的阶次谱就不受转速波动影响特征稳定得像刻在石头上一样。2.2 等角度重采样把跟着转速跑的坐标轴“拽直”变转速信号处理最关键的中间环节物理上叫等角度重采样。常规的振动加速度传感器采集的信号是等时间间隔采的每个样本之间的时间间隔固定阶次分析希望信号变成等角度间隔的序列每个样本之间转轴的转角增量固定。完成这个转换需要知道每一时刻转轴转到了哪个角度也就是有转速参考信号一般来自光电键相传感器或者编码器。有了转速曲线重采样思路就是三步走先根据转速信号拟合出连续的转角和时间的函数关系再在角度轴上生成均匀的目标采样点最后把原始时域信号插值到这些目标时间点上。插值方法我试过线性插值、三次样条和分段三次Hermite插值效果差异挺明显。线性插值计算最快但精度最差尤其是在转速变化率大的区段三次样条平滑性好但在信号边缘容易过冲分段三次Hermite插值PCHIP是兼顾稳定性和精度的选择推荐直接用。如果你用的Python信号处理库比较全还可以用专门的阶次跟踪库来减少自己造轮子的工作量。这里有个概念需要分清重采样是“时间到角度的坐标变换”不是简单的滤波或采样率转换。坐标轴变了之后后续的FFT计算出来的不再是频率谱而是阶次谱横轴单位是“阶次”也就是转频的倍频数纵轴仍然是振动幅值。这个物理意义的转变是后续所有故障特征提取的基础。2.3 阶次谱相比频谱的优势和局限阶次谱的直接好处是特征稳定。不管转速是恒定还是大范围波动故障对应的阶次位置不动诊断规则可以非常简洁。另一个好处是和转速比对方便齿轮箱的齿数、轴承故障特征阶次都是可以通过几何参数计算出来的理论值把实测阶次峰值和理论值比较故障定性非常直观。但它也不是万能的。阶次谱丢失了绝对频率信息而设备的某些固有共振特征、结构模态和转速无关这些信息在阶次谱里不容易直接观察。所以很多工程系统都是阶次谱和频谱双通道并行互相补充。另外重采样高度依赖转速信号质量键相脉冲抖动、转速计脱落、低速段转角累积误差这些都会直接影响阶次谱质量。这一点在后面实操部分会展开讲。3. 类激活映射CAM给深度学习模型装上“解释开关”3.1 黑箱模型在工业现场为什么寸步难行先说一个我亲历的场景某制造企业上状态监测系统诊断准确率做到了95%以上结果设备工程师还是不敢下结论。他跟说模型说“滚动轴承磨损”但我想知道模型为什么这么说——是看到了哪个频率带的异常还是被某个无关的干扰信号带偏了这种质疑在工业现场太正常了。设备维护是要停机的一台机组停机一天损失不小没有人敢凭一个黑箱模型的结论去动设备。这就是可解释性的现实意义。一个可以解释的诊断结果不仅是一个结论更重要的是它提供了一条“证据链”。工程师看到模型关注的重点区域之后可以拿这个区域和理论故障特征做核对确认模型确实找到了物理上合理的异常这时候才敢签字确认。从2020年前后开始故障诊断领域的论文里出现了越来越多关于可解释性的讨论这不是赶时髦而是行业真实需求。3.2 CAM的工作原理与核心变体类激活映射最早是图像分类任务里提出的可视化方法核心思想是神经网络最后一层卷积特征图里不同通道响应了图像不同位置的不同特征如果把这些特征图按重要程度加权叠加就能得到一张反映模型关注位置的热力图。原始CAM实现里特征图权重来自全局平均池化层之后的分类权重实现简单但有一个硬性约束——模型里必须存在全局平均池化结构这对很多定制模型不太友好。为了突破这个限制后续出现了Grad-CAM这个主流变体。Grad-CAM的思路是用类别得分对特征图求梯度把梯度全局平均作为每个通道的权重。梯度大的通道意味着该通道特征对类别判定的贡献越大权重自然就高。还有Grad-CAM用高阶梯度进一步细化定位精度以及Score-CAM、Layer-CAM等不同加权策略各有侧重。做旋转机械故障诊断的时候我用的不是图像域可视化而是把一维振动信号转换成的特征谱图作为模型输入。模型还是经典的CNN结构但可视化目标从“关注图像的哪个区域”变成了“关注频谱图的哪个频带/阶次区间”。这个迁移看起来顺理成章实际操作里有几个关键门槛后面详细讲。3.3 为什么说CAM正好补上阶次谱缺失的那一环阶次分析解决了“信号怎么表达”的问题让故障特征在变转速下稳定呈现深度学习模型解决了“特征怎么识别”的问题能自动从复杂阶次谱里提取诊断规律CAM解决的是“结论凭什么成立”的问题把模型内部的决策痕迹可视化出来形成一条完整的证据链。这三者拼在一起才是OrderCam-Diag那个“可解释故障诊断”的真正含义。举一个实际效果一台齿轮箱发生断齿故障模型判断为“齿面严重损伤”CAM热力图的响应集中在30至40阶之间的几个峰值附近。工程师把齿轮齿数拿过来一算啮合阶次恰好是36边带偏移量和损伤齿轮转频吻合。这种“模型结论”和“物理机理”互为印证的闭环才是工业现场敢用深度模型的前提。4. OrderCam-Diag整体架构与模块设计4.1 端到端的技术链路拆解OrderCam-Diag的整体架构可以分成四个层次每个层次职责单一、接口明确第一层是数据采集与预处理层。负责读取原始振动加速度信号和转速脉冲信号完成滤波去噪、重采样和阶次谱生成。第二层是特征表达层将阶次谱经过短时傅里叶变换或小波变换生成带时间和阶次两个维度的二维特征图作为深度模型的输入。第三层是诊断推理层采用卷积神经网络完成故障类型分类同时记录网络中间层的特征映射和梯度信息。第四层是解释输出层基于Grad-CAM生成类激活热力图最终输出诊断结论、置信分数和解释性证据。整个链路最关键的设计决策是把解释目标放在“阶次-时间”二维图上而不是去解释一维的阶次谱。这么设计的原因在于旋转机械故障特征往往是瞬态的打滑、冲击、状态突变都可能让故障特征在不同时刻强弱波动。二维特征图保留了时间维度CAM能告诉我们模型是依据哪个时间片段、哪段阶次范围做出的判断信息量比一维梯度大得多。4.2 输入表达的选择为什么用二维特征图而不是原始波形不少论文直接把一维振动原始信号丢进一维卷积网络也能取得不错的结果。但从可解释性的角度考虑这是个不太划算的选择。原始时域信号的物理含义太分散一个采样点代表不了任何明确的机械状态即使CAM告诉我们模型关注了某段时域波形我们仍然难以反推出这是什么故障特征。二维阶次-时间特征图则不同纵轴是阶次横轴是时间一个局部响应区域可以直接对指到某个阶次附近的持续异常物理含义一目了然。具体实现时我采用了短时傅里叶变换思路的变体在阶次域重采样信号上计算谱图再对频率轴按阶次换算、对幅值做对数压缩和归一化。窗口函数我选汉宁窗窗长为256点重叠率75%。这种配置在阶次分辨率和时间分辨率之间保持了较好的平衡。如果窗口太长瞬态特征被平均掉太短阶次分辨率差轴承的边带结构看不清楚。特征图尺寸我定为224x224这个尺寸和图像分类预训练模型能直接对接方便后续迁移学习。把三个通道的输入填成相同阶次谱的不同视角原谱图、包络谱图、一阶差分谱图让模型同时捕捉能量分布、调制信息和变化趋势诊断信息量更丰富。4.3 网络结构设计兼顾精度和解释能力的轻量CNN模型主体沿用经典CNN结构但我刻意没有把它做得特别深。原因有两点一是旋转机械故障诊断的特征相对聚焦阶次谱里的故障模式就是那么几类过深网络容易在训练集上快速过拟合二是解释可视化对特征图分辨率有要求网络池化次数太多最后一层特征图只有7x7甚至更小Grad-CAM的分辨率就跟着降下来了热力图糊成一团可解释性大打折扣。最终网络采用四组卷积块每组包含两个卷积层、一个批归一化层和一个最大池化层。卷积核大小统一为3x3初始通道数32每经过一组翻倍到64、128、256。特征图从224x224经过四次池化降为14x1414x14对于热力图定位来说是能接受的下限。关键层最后一组卷积特征单独保存Grad-CAM在这个特征层上计算权重、生成解释热力图。项目的实验环境很简单一台带普通独立显卡的深度学习工作站就够跑PyTorch框架、CUDA加速训练CPU推理单样本耗时约30到50毫秒完全满足准实时诊断的需求。5. 核心实操从数据预处理到CAM热力图生成全流程5.1 数据准备与工况设计代码实操阶段我构造了一套模拟实验数据齿轮箱输入轴连接一个能程控调速的变频电机转速在600到2400转/分钟范围内做正弦式往复变化加速度传感器安装在齿轮箱壳体轴承座位置采样率设为25.6kHz连续采集120秒同时记录编码器输出的转速脉冲信号。故障类型包括正常、齿轮断齿、轴承外圈点蚀、轴承内圈点蚀和不平衡五种。这个数据配置有几个特意考量的地方采样率25.6kHz覆盖了啮合频率和轴承故障特征频率的数倍频范围能满足后续包络分析的需求变转速扫掠工况模拟了最真实的现场条件多类别故障覆盖了旋转机械最常见的失效模式。模拟数据的缺陷也很明显就是信噪比太高、干扰太少模型在这个数据集上的表现会偏乐观后面我会聊到如何用现场数据做验证。数据划分上我没有按文件随机切分而是按“工况段”划分训练集和测试集。不同转速段的数据离散开来保证测试集合里出现的转速区间训练时没见过这样评估出来的泛化能力才有参考价值。5.2 角域重采样与阶次谱计算的关键代码阶次分析的核心是角域重采样这个过程依赖转速信号质量。我从编码器脉冲信号里提取瞬时转速后先做中值滤波去除脉冲抖动再做样条拟合得到连续的转速函数。转速曲线拟合阶次选三阶就够太高阶会把转速波动里的噪声一起拟合进去。功率不大。等角度重采样的核心逻辑如下import numpy as np from scipy.interpolate import CubicSpline def angular_resample(t_orig, x_orig, phase_angle, samples_per_rev512): 将时域信号重采样为等角度间隔的角域信号。 参数说明 - t_orig: 原始时域信号时间轴单位秒 - x_orig: 原始振动信号 - phase_angle: 累计转角序列单位rad长度与t_orig一致 - samples_per_rev: 每转的采样点数决定角域分辨率 total_revs phase_angle[-1] / (2.0 * np.pi) n_angular int(total_revs * samples_per_rev) # 生成等角度采样轴 angle_axis np.linspace(0.0, phase_angle[-1], n_angular) # 由角度映射回时间 t_angle CubicSpline(phase_angle, t_orig, bc_typenatural)(angle_axis) # 由时间插值出角域信号 x_angular CubicSpline(t_orig, x_orig, bc_typenatural)(t_angle) return angle_axis, x_angular这里有一个非常重要的细节角度轴要覆盖完整的整数转建议丢弃开始和结束各5度的转角数据。这些区域的重采样通常是外推结果误差很大会把阶次谱的边缘部分污染掉。我在早期版本里没注意这个问题结果基频阶次附近出现了莫名其妙的虚假峰值排查了很久才发现是重采样边缘效应。得到角域信号之后做FFT计算阶次谱n_fft 2048 window np.hanning(n_fft) order_spectrum np.fft.rfft(x_angular * window, nn_fft) freq_axis_order np.fft.rfftfreq(n_fft, d1.0/samples_per_rev) amp_spectrum np.abs(order_spectrum) * 2.0 / np.sum(window)横轴含义发生了变化频率单位变成了“阶次”1阶对应一个转频对应的频率。比如当前转速是1800转/分钟那么1阶对应的实际频率就是30Hz2阶对应60Hz依此类推。用阶次轴的好处是无论转速怎么变故障特征的阶次位置不变诊断规则可移植性非常高。5.3 二维特征图批量生成与数据增强阶次谱得到之后下一步是批量生成二维特征图数据集。核心处理流程先把每段阶次谱信号切分成等长度的样本片段每段长度对应40转的转角然后对每个样本计算短时傅里叶变换生成时频图最后把频率轴转换为阶次轴得到阶次-时间二维图。这个流程我用多进程并行处理因为数据量不小单线程处理要等很久。数据处理环节里我还加入了两个会影响最终效果的细节。第一个是对数压缩直接将幅值谱作为模型输入数值动态范围太大大峰值会压制小峰值影响CNN对微弱故障特征的敏感性。做一次log(1 x)变换后动态范围缩小效果提升明显。第二个是归一化每个样本独立归一化到零均值单位方差而不是对整个数据集做全局归一化这样模型对传感器安装位置的敏感度更低。数据增强方面我做了两种有意思的尝试。一种是向原始时域信号添加小幅白噪声再做重采样和谱图生成。由于整个过程是非线性的噪声不但能增强鲁棒性还能缓解深网在小数据集上的过拟合。另一种是在角度轴上做随机平移模拟键相脉冲起始时刻的不确定性。这两种方法结合起来模型在测试集上的准确率大约提升了几个百分点同时对转速变化的适应性更稳。5.4 模型训练与Grad-CAM可视化实现模型训练本身是常规流程。损失函数用交叉熵优化器选Adam初始学习率1e-3配合余弦退火调度器。训练50个epoch批大小32。数据量不算大几分钟就能训练一轮。测试集上的最终准确率达到了98.2%各类别的F1分数都维持在0.96以上。数字本身确实好看但单看准确率说明不了问题重点是把Grad-CAM跑通验证热力图是否落在真正有物理意义的故障特征位置上。Grad-CAM的实现核心并不复杂def grad_cam(model, input_tensor, target_class, target_layer): 计算Grad-CAM热力图。 核心流程前向到目标层取出特征图 利用目标类别的梯度对特征图通道进行加权求和 再经过ReLU和尺寸缩放得到热力图。 features None gradients None def forward_hook(module, input, output): nonlocal features features output.detach() def backward_hook(module, grad_input, grad_output): nonlocal gradients gradients grad_output[0].detach() hook_f target_layer.register_forward_hook(forward_hook) hook_b target_layer.register_full_backward_hook(backward_hook) output model(input_tensor) model.zero_grad() score output[0, target_class] score.backward() hook_f.remove() hook_b.remove() weights torch.mean(gradients, dim(2, 3), keepdimTrue) cam torch.relu(torch.sum(weights * features, dim1, keepdimTrue)) cam F.interpolate(cam, sizeinput_tensor.shape[2:], modebilinear, align_cornersFalse) return cam.squeeze().cpu().numpy()很多人容易忽略一个细节反向传播之前一定要调用model.zero_grad()否则梯度会累积到之前的批次上热力图直接废掉。我第一次跑的时候漏了这一步得到的CAM图完全看不清重点区域排查了半天才想到是这个原因。另外register_full_backward_hook和老的register_backward_hook在处理包含多个Tensor输入的模块时有行为差异建议用新接口。如果在推理阶段跑Grad-CAM还需要把模型临时切到.train()模式因为推理模式下PyTorch默认不保存中间梯度。这个隐藏的坑非常容易踩我见过好几个复现项目都卡在这里。5.5 热力图与物理特征的交叉验证光生成热力图不够诊断报告要有价值必须做交叉验证。我的做法是先找出热力图中响应值最高的三个局部峰值区域记录对应的阶次区间和时间区间然后把阶次区间换算成实际频率与设备的理论故障特征阶次进行比对最后把响应时间的分布和设备在对应时间段内的转速曲线相比对判断是否有特定工况触发了异常。下面一组典型的输出样例可以说明这个验证过程。外圈故障样本的热力图主峰值阶次是3.42模型给出的诊断类别是“轴承外圈故障”。设备参数里外圈故障特征阶次理论值是3.43。3.42和3.43之间的偏差只有0.01在角度分辨率允许的范围内。这种“模型聚焦阶次”和“理论特征阶次”的吻合才是可解释故障诊断站得住的证据。还有一个细节值得注意热力图的响应时间区间集中在转速上升段和下降段。这说明模型学到了变转速工况下故障特征更明显这一物理规律因为变速过程中齿轮和轴承的动载荷变化会放大故障脉冲。这个发现单靠看准确率是不可能得到的只有可视化可解释性工具才能揭示模型内部的决策逻辑。6. 工程实践中的典型问题与避坑实录6.1 阶次分析环节最常见的三个坑变转速重采样里最隐蔽的问题是转速信号本身的质量。编码器脉冲偶发丢转是常态一旦某个脉冲缺失累计转角相位曲线就会出现积分的突然跳变重采样结果就会在对应位置产生一个尖峰干扰。这个尖峰在阶次谱上表现为一条水平的高亮带很容易被误判为某个阶次的持续故障特征。处理方法是重采样之前增加一步相位凸性检查把相邻脉冲间隔视为瞬时转速计算其变化率变化率超过设定阈值的点标记为疑似丢转进行局部修正或插值补全。这项检查看似额外耗了时间但能省掉之后无数排查故障的力气。第二个常见坑是重采样率的选择。每转采样点数过少阶次谱的最高可分析阶次就低包络分析基本做不了过多则数据量翻倍计算资源和存储成本上升而阶次分辨率并不会因此提高。我的经验是常规振动诊断用256到512点每转就够了需要做高频包络分析时再考虑提升。峰值频率对应阶次要落在奈奎斯特限制内这点任何情况下都要检查。第三个坑看起来小但破坏力极强插值时的边界外推。用样条从角度映射回时间时目标角度超出原始角度范围的区域属于外推区数值不可靠会直接造成阶次谱边缘的伪峰。务必在重采样后剔除首尾各一小段数据或者显式设置外推边界别把外推区当有效信号参与后续分析。6.2 CAM可视化里值得警惕的几个问题CAM热力图的分辨率受限于特征层尺寸。如果网络池化次数太多调整不当14x14以下的热力图叠加到原图上会非常模糊——分不清到底关注的是一整条频带还是某个具体的谐波簇。针对这个问题我把最后一层卷积的池化改为步长为1的空洞卷积在保持感受野的同时把特征图分辨率保持在28x28左右热力图定位精度明显提升。Grad-CAM还有一个常被忽略的陷阱是梯度饱和问题。当类别得分接近收敛极值时梯度接近0所有通道权重都变得很小归一化之后的热力图噪声占比猛增呈现出一大片均匀的“雪花”区域完全失去聚焦性。解决办法是用多层特征图加权平均把前一组卷积的特征图也纳入计算平滑掉单层特征的梯度饱和效应。还有一个容易被误导的点热力图响应区域不代表对分类决策有正面影响。ReLU截断之后的响应区域往往同时包含“支持”和“抑制”两种机制单纯的高响应不能直接等同于“这是故障位置”。所以理想的做法是同时输出原始Grad-CAM和符号反转的负梯度版本对比看哪些区域抑制了某种故障类别的判断这样的解释报告才更有说服力。6.3 从实验环境到现场部署的工程化注意点实验室里的数据和真实现场数据的分布差异是这个方案落地时最绕不过去的坎。实验室模拟数据的故障特征是理想化的现场设备的背景噪声、传递路径衰减、传感器安装谐振都会让信噪比显著降低。直接拿实验室训练的模型去推理现场数据准确率大概率会跳水。解决办法是做一套现场数据的微调流程采集少量带标签现场样本对预训练模型做轻量微调重新校准归一化参数再回归测试确认。推理延迟在部署场景里也是一个关键考量。Grad-CAM的计算需要走一次反向传播延迟大约是纯前向推理的2到3倍。在准实时巡检场景下这个开销可以接受但如果要嵌入在线监测系统就必须做优化。我建议在服务端用GPU推理热力图生成和诊断结论采用异步管线避免解释模块拖累主诊断路径。存储方面原始振动波形数据量很大。一套多通道监测系统全天候连续采集一天的数据量可能上百GB。工程上我倾向于只保存重采样之后的阶次谱和关键时段的原始波形把原始波形留作故障复盘的“档案”。这样可以显著降低存储成本又不影响常规诊断和热力图分析的实时计算需求。6.4 快速排查对照表下面把我在调试过程中遇到的高频问题整理成了一张速查表遇到类似现象可以直接对照定位异常现象可能原因解决办法阶次谱在1阶附近出现连续伪峰重采样边缘外推截除首尾各5度转角数据阶次谱存在水平高亮细带转速脉冲丢转相位突变增加相位凸性检查修正丢转点特征峰阶次与理论值恒定偏差转速同步误差检查编码器安装同轴度校准键相脉冲热力图大范围均匀亮梯度饱和切换多层特征加权或对得分做缩放热力图错位偏移未正确调用zero_grad反向传播前清零梯度热力图空白推理模式未保存梯度推理时临时切换train模式训练准确率高但现场失效数据分布漂移做现场微调重新做归一化这张表是我把多个项目里踩过的坑、翻过的车浓缩出来的留在项目文档里当调参参考很管用。建议自己也建一份这样的速查表故障诊断这件事最怕问题复现不了最怕出问题不知道怎么查。7. 效果验证与经验总结最终版本的OrderCam-Diag在模拟变转速数据集上的效果是五种故障状态的分类准确率98.2%平均F1分数0.978Grad-CAM热力图与理论故障阶次的平均偏差在0.02个阶次以内。同时模型给出的热力图定位集中在故障特征阶次及其整数倍区域说明分类决策从物理特征层面站得住脚。这套验证流程走下来个人最大的收获不是准确率数字而是彻底搞明白了“深度学习在工业诊断里到底扮演什么角色”这个问题。从我个人的实践经验来看深度学习模型在旋转机械故障诊断里的定位应该是一个“特征聚焦器”而不是一个“自动诊断终审员”。它的价值在于从海量复杂信号中快速提取可疑特征区域把工程师的注意力引导到最有价值的频带和时段上而最终决策判断必须由工程师结合设备结构、运行工况和历史经验来综合确认。可解释性技术——无论是CAM还是其他可视化方法——恰恰就是连接深度模型和领域知识之间的那座桥。模型给出猜测热力图给出理由工程师核对理由。这个闭环跑通了深度学习才能真正在工业现场赢得信任。最后再分享一个实操上的建议无论用什么样的可视化解释方法一定要建立“诊断结果-热力图-原始信号”三位一体的存储机制。一个完整的诊断案例包含故障类别、热力图证据和原始波形文件这三样缺了任何一样后续复盘都会变得困难。一位经验丰富的老师傅能把一台设备听出十几种毛病靠的不是仪器而是几十年来积累的“证据档案”。我们的可解释诊断系统本质上也是在给机器学习算法建立这样一份可检索、可复盘、可追溯的“诊断病历”。