我们一起聊聊轴承故障特征—SHAP 模型 3D 可视化

前言

本文基于凯斯西储大学（CWRU）轴承数据，使用特征提取和机器学习方法进行故障识，然后基于XGBoos模型介绍一种参数搜索策略，并通过SHAP模型可视化技术对结果进行分析。

1.数据集和特征提取

1.1 数据集导入

参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：

数据的读取形式以及预处理思路。

1.2 故障信号特征提取

选择峭度、熵值、分形值、波形指标、频谱指标、频域指标、 统计特征、振动特征等13种指标来捕捉轴承信号的多尺度特征，作为机器学习模型的训练与识别。

2.基于参数搜索策略的XGBoost故障诊断模型

2.1 参数搜索策略：大步粗略搜索，小步细致搜索

对于XGBoost模型的重要参数：树的棵树、树的深度、学习率，采取大范围粗略搜索，先锁定大概的参数范围值，然后再采用小步细致搜索来准确定位参数值。

2.2 大步粗略搜索

采用网格搜索，确认大概的参数范围值。

2.3 小步细致搜索

第一步，搜索树的棵树。

第二步，搜索树的深度。

第三步，搜索学习率。

3.XGBoost模型评估和可视化

3.1 模型分数、准确率、精确率、召回率、F1 Score

3.2 故障十分类混淆矩阵

3.3 预测标签对比可视化

3.4 SHAP 模型可视化

SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测结果的方法。用于衡量每个特征对于模型输出的贡献程度。通过计算SHAP值，我们可以了解每个特征对于模型预测的影响，从而更好地理解模型的分类预测过程。这种可解释性对于提高模型的可信度和可解释性非常有帮助。能够进一步分析故障信号所提取特征对轴承故障诊断的贡献。

平均值（SHAP值）（对模型输出大小的平均影响），可以明显的看出来13个特征对每个类别的分类贡献度！

使用 3D 可视化来展示 SHAP 值，可以更直观地理解哪些特征在不同类别中对模型输出有显著影响，并且这些影响是如何分布的。特别是在故障特征分析中，能够帮助用户更好地理解数据之间的复杂关系，提高故障检测和特征重要性分析的效率和准确性。

本文转载自 ​​建模先锋​​，作者： 小蜗爱建模