当前位置：首页 > article >正文

轴承故障特征—SHAP 模型 3D 可视化

article 2026/4/14 20:42:23

往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客

基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客

Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客

Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客

轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客

Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-CSDN博客

独家原创 | SCI 1区高创新轴承故障诊断模型！-CSDN博客

基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客

Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客

注意力魔改 | 超强轴承故障诊断模型！-CSDN博客

轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客

轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合都在这里-CSDN博客

Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客

Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客

视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客

Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客

SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客

速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客

Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客

1DCNN-2DResNet并行故障诊断模型-CSDN博客

基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客

基于K-NN + GCN的轴承故障诊断模型-CSDN博客

故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客

独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客

位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客

创新点 | 基于快速傅里叶卷积（FFC）的故障诊断模型-CSDN博客

代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客

超强！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客

多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客

超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客

Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客

故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客

故障诊断 | 信号降噪算法合集-CSDN博客

图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客

不能错过！故障诊断+时频图像分类大更新！-CSDN博客

智能故障诊断和寿命预测期刊推荐-CSDN博客

故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客

故障诊断高创新！基于1D-GRU+2D-MTF-ResNet-CBAM的多模态融合分类模型_基于1dcnn-informer+matt融合的故障诊断模型-CSDN博客

创新首发！ | 基于1DCNN-Informer+MATT融合的故障诊断模型_论文复现基于 1dcnn bilstm 的航空发动机故障分类研究-CSDN博客

模型简介：

本期更新故障特征提取的 SHAP-3D可视化展示，之前购买过的同学请及时更新下载，下载链接：

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。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

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。

4 代码、数据整理如下：

点击下方卡片获取代码！